{"id":2013,"date":"2021-07-08T16:25:00","date_gmt":"2021-07-08T16:25:00","guid":{"rendered":"https:\/\/open.ieec.uned.es\/iot\/?p=2013"},"modified":"2021-07-08T16:25:00","modified_gmt":"2021-07-08T16:25:00","slug":"adversarial-domain-adaptation-of-synthetic-3d-data-to-train-a-volumetric-video-generator-model","status":"publish","type":"post","link":"https:\/\/open.ieec.uned.es\/iot\/adversarial-domain-adaptation-of-synthetic-3d-data-to-train-a-volumetric-video-generator-model\/","title":{"rendered":"Adversarial Domain Adaptation of Synthetic 3D Data to Train a Volumetric Video Generator Model"},"content":{"rendered":"\n<p>Hoy, 6 de Julio de 2021, se ha defendido el Trabajo Fin de M\u00e1ster titulado \u00ab<strong>Adversarial Domain Adaptation of Synthetic 3D Data to Train a Volumetric Video Generator Model<\/strong>\u00ab, dirigido por el Prof. Sergio Mart\u00edn, y enmarcado en el <em>Electronics for Information and Communication Technologies Master<\/em> de la UNED.<\/p>\n\n\n\n<p>A continuaci\u00f3n os dejamos el resumen del trabajo:<\/p>\n\n\n\n<p>El entrenamiento de un modelo de aprendizaje autom\u00e1tico requiere datos de entrenamiento representativos de la aplicaci\u00f3n de destino. En algunos casos, los datos no est\u00e1n disponibles en la cantidad requerida o solo est\u00e1n disponibles datos similares de otro dominio de datos. Los datos se pueden generar sint\u00e9ticamente traduciendo datos de un dominio a otro dominio. La adaptaci\u00f3n de un dominio adversario es el proceso de traducir datos de un dominio de origen a un dominio de destino utilizando enfoques de aprendizaje contradictorio. Dado que ninguna de las muestras est\u00e1 disponible en ambos dominios, la adaptaci\u00f3n del dominio adversario es un problema de aprendizaje no supervisado. <\/p>\n\n\n\n<p>El marco CycleGAN es una red de confrontaci\u00f3n generativa que se utiliza para tareas de traducci\u00f3n de datos a datos no emparejados. Se construye a partir de un generador y un discriminador para cada dominio que se entrena simultaneamente. El desaf\u00edo de entrenar CycleGANs radica principalmente en la gran cantidad de hiperpar\u00e1metros y la diferencia de complejidad entre el discriminador y el generador. Adem\u00e1s, el objetivo de aprendizaje es cualitativamente m\u00e1s complejo para el generador que para el discriminador. Adem\u00e1s, especialmente para redes convolucionales que traducen im\u00e1genes multicanal de alta resoluci\u00f3n, los modelos se vuelven complejos y requieren muchos recursos para entrenar.<\/p>\n\n\n\n<p>En este estudio, hay dos dominios diferentes de im\u00e1genes RGBD con las dimensiones 512x512x4. Las im\u00e1genes del primer dominio se generan mediante fotogrametr\u00eda y las im\u00e1genes del segundo dominio se generan desde un tel\u00e9fono m\u00f3vil utilizando un esc\u00e1ner LIDAR. <\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" width=\"674\" height=\"345\" src=\"http:\/\/62.204.201.63\/iot\/wp-content\/uploads\/2021\/07\/pfg3_6jul21.jpg\" alt=\"\" class=\"wp-image-2014\" srcset=\"https:\/\/open.ieec.uned.es\/iot\/wp-content\/uploads\/2021\/07\/pfg3_6jul21.jpg 674w, https:\/\/open.ieec.uned.es\/iot\/wp-content\/uploads\/2021\/07\/pfg3_6jul21-300x154.jpg 300w\" sizes=\"(max-width: 674px) 100vw, 674px\" \/><\/figure>\n\n\n\n<p>El objetivo de este trabajo es traducir im\u00e1genes RGBD generadas mediante fotogrametr\u00eda a im\u00e1genes que podr\u00edan ser del dominio generado por el escaneo LiDAR. Debido a la similitud de ambos dominios, el modelo necesita aprender caracter\u00edsticas complejas. Adem\u00e1s, el tama\u00f1o de las im\u00e1genes implica un modelo con muchos par\u00e1metros entrenables. Al mismo tiempo, los recursos de capacitaci\u00f3n son limitados y solo se encuentran disponibles unas pocas muestras de capacitaci\u00f3n.<\/p>\n\n\n\n<p>En este trabajo se investigan diferentes arquitecturas CycleGAN basadas en arquitecturas novedosas como el discriminador basado en UNet y el discriminador One-Shot GAN. Estas arquitecturas se adaptan y optimizan cuidadosamente teniendo en cuenta las limitaciones mencionadas anteriormente. <\/p>\n","protected":false},"excerpt":{"rendered":"<div class=\"slide-text-bg2\"><span>Hoy, 6 de Julio de 2021, se ha defendido el Trabajo Fin de M\u00e1ster titulado \u00abAdversarial Domain Adaptation of Synthetic 3D Data to Train a Volumetric Vide<\/span><\/div>\n<div class=\"slide-btn-area-sm\"><a href=\"https:\/\/open.ieec.uned.es\/iot\/adversarial-domain-adaptation-of-synthetic-3d-data-to-train-a-volumetric-video-generator-model\/\" class=\"slide-btn-sm\">Read More<\/a><\/div>\n","protected":false},"author":1,"featured_media":2014,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/posts\/2013"}],"collection":[{"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/comments?post=2013"}],"version-history":[{"count":0,"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/posts\/2013\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/media\/2014"}],"wp:attachment":[{"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/media?parent=2013"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/categories?post=2013"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/open.ieec.uned.es\/iot\/wp-json\/wp\/v2\/tags?post=2013"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}