Intelligent system for generating virtual training sample of increased variation

Abstract

Object of research – the process of image generation using deep generative artificial intelligence models. Subject of research – a method of conditional generation of satellite images using the Self-Attention GAN (SAGAN) architecture under conditions of limited training data. The aim of the thesis is to develop and implement an image generation model capable of creating visually realistic satellite images of four classes of objects (fighters, bombers, helicopters, and airbases) with class control. Research method: architectural modeling using Self-Attention GAN, formation of a conditional latent space, training using Hinge Loss and FID and LPIPS metrics. The materials of the qualification work are recommended for use in research in the field of satellite image generation, supplementing training samples, and improving recognition models in conditions of limited data volume. Об'єкт дослідження – процес генерації зображень з використанням моделей глибокого генеративного штучного інтелекту.Предмет дослідження – метод умовної генерації супутникових знімків з використанням архітектури Self-Attention GAN (SAGAN) в умовах обмеженого обсягу навчальних даних. Метою дисертації є розробка та реалізація моделі генерації зображень, здатної створювати візуально реалістичні супутникові знімки чотирьох класів об'єктів (винищувачі, бомбардувальники, гелікоптери та авіабази) з керуванням класами. Метод дослідження: архітектурне моделювання з використанням Self-Attention GAN, формування умовного латентного простору, навчання з використанням метрик Hinge Loss та FID і LPIPS. Матеріали кваліфікаційної роботи рекомендовані для використання в дослідженнях у галузі генерації супутникових знімків, доповнення навчальних вибірок та вдосконалення моделей розпізнавання в умовах обмеженого обсягу даних.