Vis enkel innførsel

dc.contributor.advisorDowning, Keith
dc.contributor.authorKristiansen, Kevin
dc.date.accessioned2021-12-07T18:19:35Z
dc.date.available2021-12-07T18:19:35Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:74730513:33168068
dc.identifier.urihttps://hdl.handle.net/11250/2833235
dc.descriptionFull text not available
dc.description.abstractGenerative modeller som implementerer Kunstige nevrale netverk(ANNs) for bildegenerering har sett store fremskritt de siste årene. Generative Adversarial Networks(GANs) er en teknikk som har sett særlig stor utvikling, og har vist gode resultater i stiloverføring. GANs fungerer ved å ha to nevrale netverk med forskjellige mål. Det første netverket, diskriminatoren, har som mål å skille mellom genererte bilder og faktiske bilder, mens det andre netverket, generatoren, har som mål å generere realistiske bilder som vil bli feilklassifisert av diskriminatoren. Dataaugmentasjon er en metode innen maskinlæring som forsøker å øke datamengden via modifikasjoner i dataen. En måte å gjøre dataaugmentasjon på er å bruke generative modeller til å generere nye dataeksemplarer. Den generiske modellen blir da trent ved å bruke datasettet, før den blir brukt til å generere de nye eksemplarene. Formålet er å minke over-trening, som for klassifiseringsmodeller vil øke ytelsen på ny data. Dette prosjektet utforsker bruken av GANs innen deteksjon av håndskrevet forfalskning. Dette gjøres via en sykluskonsistent GAN som blir trent opp på eksempler av forfalskede og autentiske signaturer fra en person. Denne GANen blir så brukt til å augmentere datasettet som inneholder forfalskede signaturer. To GAN-implementasjoner, DenseNet GAN og ResNet GAN, ble utforsket for å se om dette kunne ha noe innvirkning på resultatet. Resultatene viser at bilde augmenteringen med GANs gir en 2-4\% økning i ytelse i våre eksperimenter. Det virket heller ikke på resultatene som at noen av de to GAN implementasjonene som ble implementert var bedre enn den andre.
dc.description.abstractGenerative models implementing Artificial Neural Networks(ANNs) for image generation have in the last years seen a lot of progress. Generative Adversarial Networks(GANs) is a framework that has seen particularly great progress and has shown to be a good method for image stile transferring. GANs are working by having two competing ANNs with opposing goals. One of the networks, the discriminator, attempts to separate authentic images from generated images, while the other network, the generator, attempts to generate images that are able to fool the discriminator. Data augmentation is a method within machine learning that increases the amount of data through modification of the already existing data. One data augmentation method that has been researched is using generative models to generate new samples which look like the original data. The reasoning behind doing data augmentation is to reduce overfitting in machine learning models, which is a phenomenon where the model fits the training data too closely, which leads to poor performance on new data samples. This project explores the usage of GANs to detect handwritten forgery. This is done by using a cycle-consistent GAN trained on forged and authentic handwritten signatures to augment data and add new entries to the forged samples. Additionally, we explored two different GAN implementations, DenseNet GAN and ResNet GAN, to investigate whether that will impact the results. The results show that a small performance gain of 2-4% accuracy in our experiments can be obtained through our GAN data augmentation method. Additionally, the results did not seem to indicate that any of the two GAN implementations were superior to one another.
dc.languageeng
dc.publisherNTNU
dc.titleInvestigating the use of CycleGANs in handwritten forgery detection
dc.typeMaster thesis


Tilhørende fil(er)

FilerStørrelseFormatVis

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel