Остання редакція: 2025-04-20
Анотація
В роботі розглянуто метод обробки даних Temporal Development GAN (TD-GAN), який розроблений для генерації більш точних послідовностей зображень, що відображають зміну в часі біологічних структур. TD-GAN поєднує генеративно-змагальні мережі з механізмами моделювання часової послідовності, що дозволяє враховувати як просторові, так і часові аспекти біологічних процесів. Проведено тестування роботи моделі та оцінено якість її роботи за допомогою програмного аналізу з використанням метрики середньоквадратичного відхилення.
Ключові слова
Посилання
1. M. Saito, E. Matsumoto, S. Saito. Temporal Generative Adversarial Nets with Singular Value Clipping. International Conference on Computer Vision. 2017. https://doi.org/10.48550/arXiv.1611.06624
2. I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio. Generative Adversarial Networks. Advances in Neural Information Processing Systems. 2014, 27, 2672–2680. https://doi.org/10.1145/3422622
3. S.J. Luck, A.X. Stewart, A.M. Simmons, M. Rhemtulla. Standardized Measurement Error: A Universal Metric of Data Quality for Averaged Event-Related Potentials. Psychophysiology. 2021 Mar 29;58(6):e13793. https://doi.org/10.1111/psyp.13793
4. P. Celard, A.S. Vieira, J.M. Sorribes-Fdez, E.L. Iglesias, L. Borrajo, Temporal Development GAN (TD-GAN): Crafting More Accurate Image Sequences of Biological Development. Information 2024, 15(1), 12; https://doi.org/10.3390/info15010012