@mastersthesis{10902/22457,
year = {2021},
month = {6},
url = {http://hdl.handle.net/10902/22457},
abstract = {RESUMEN: Las redes generativas antagónicas, comunmente conocidas por su acrónimo en inglés como GANs, son un tipo de modelos generativos de aprendizaje profundo que están formadas por un sistema de dos redes neuronales que compiten mutuamente en un juego de suma cero. En este trabajo, un parte fundamental será comprender el funcionamiento de este tipo de modelos y sus diferentes variantes entre los que se encuentran la cycle GAN, cuya función es aprender a traducir una imagen de un dominio de origen X a un dominio de destino Y en ausencia de ejemplos emparejados. Este modelo será utilizado para modificar las condiciones meteorológicas de una imagen dada, por ejemplo, transformar una imagen de un día soleado a un día lluvioso o nublado o viceversa.},
abstract = {ABSTRACT: Las redes generativas antagónicas, comunmente conocidas por su acrónimo en inglés como GANs, son un tipo de modelos generativos de aprendizaje profundo que están formadas por un sistema de dos redes neuronales que compiten mutuamente en un juego de suma cero. En este trabajo, un parte fundamental será comprender el funcionamiento de este tipo de modelos y sus diferentes variantes entre los que se encuentran la cycle GAN, cuya función es aprender a traducir una imagen de un dominio de origen X a un dominio de destino Y en ausencia de ejemplos emparejados. Este modelo será utilizado para modificar las condiciones meteorológicas de una imagen dada, por ejemplo, transformar una imagen de un día soleado a un día lluvioso o nublado o viceversa.},
title = {Generación de imágenes simulando distintas condiciones meteorológicas mediante el uso de redes generativas antagónicas (GANs)},
author = {Cuadrado Cobo, Antonio},
}