English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Bu calismada ele alinan Generatif Karsilikli Aglari (Generative Adversarial Networks - GAN), Kisitli Boltzmann Makineleri (Restricted Boltzmann Machines - RBM), Derin Boltzmann Makineleri (Deep Boltzmann Machines - DBM) ve Varyasyonel Otomatik Kodlayicilar (ariational Autoencoders- VAE) gibi genel derin ogrenme algoritmalarinin kisitlamalarinin ustesinden gelmek icin gelistirilmis bircok derin ogrenme yontemi arasinda yer almaktadir. GAN modelleri ve yapilari toplanan veri kumelerinden yeni benzersiz veriler olusturabilir. Bu veri kumeleri kimi zaman binlerce veriden olusabilir, veri kumelerinin icerisinde farkli turde veriler mevcut olabilir. Bu yontemlerin varyasyonlari, cogunlukla goruntu restorasyonu ve goruntu olusturma, sinyal isleme ve siber saldirilarin tespiti gibi derin ogrenme uygulamalari icin kullanilir. Literaturde pek cok farkli GAN modelleri mevcuttur. Bu calismada da, esas olarak En Kucuk Kareler Olusturucu Dusman Aglari (Least Squares Generative Adversarial Networks - LSGAN) ve Derin Konvolusyonel Uretken Dusman Aglari (Deep Convolutional Generative Adversarial Networks - DCGAN) olarak adlandirilan iki GAN yontemi uzerine odaklanilmistir. Bu farkli yontemler, geleneksel GAN algoritmasinin performansini iyilestirmek ve cesitli problemlerin farkli gereksinimlerini karsilayarak cozmek icin gelistirilmislerdir. Bu calismada bu yontemlerin mimarileri, kullanilis bicimleri, ozellikleri, sayisal tanimlamalari verilmis ve birbirlerinden farklari aciklanmistir. Bu calismada ayrica her iki GAN yontemi (LSGAN ve DCGAN) icin de, toplanan verilerden yeni ve benzersiz veriler olusturmak icin kullanilan bu algoritmalarin literaturdeki pratik uygulamalari da ele alinmistir. LSGAN icin literaturdeki 5 farkli calisma, DCGAN icin ise literaturdeki 2 farkli calisma ele alinarak incelenmistir. Son olarak, bu yontemlerle elde edilen sonuclar karsilastirilmis ve hangi yontem icin hangi uygulamanin kullanilabilecegi aciklanmistir. Arastirmalardan goruldugu uzere her iki yontemin de uygulanabilecegi problemler birbirinden farklilik gostermektedir.

Common Generative Adversarial Network Types and Practical Applications