Desde que aparecieron las redes GAN, se han realizado varias investigaciones
sobre cómo generar imágenes en diversos ámbitos, como la generación de imágenes,
conversión de imágenes, síntesis de videos, síntesis de imágenes a partir de textos y
predicción de cuadros de videos. Basándose mayormente en mejorar la generación de
imágenes de alta resolución y la reconstrucción o predicción de datos.
El propósito de este trabajo es implementar las redes GAN en otros ámbitos, como
la generación de imágenes de entidades realizando una acción. En este caso se consideró
3 acciones de personas, que son los ejercicios de Glúteo, Abdomen y Cardio. En
primer lugar, se descargaron y procesaron las imágenes de YouTube, el cual incluye
una secuencia de imágenes de cada acción. Posteriormente, se separó dos grupos
de imágenes, de una sola persona, y de personas diferentes realizando las acciones.
En segundo lugar, se seleccionó el modelo InfoGAN para la generación de imágenes,
teniendo como evaluador de rendimiento, la Puntuación Inicial (PI). Obteniendo como
resultados para el primer grupo, una puntuación máxima de 1.28 y en el segundo
grupo, una puntuación máxima de 1.3.
En conclusión, aunque no se obtuvo el puntaje máximo de 3 para este evaluador de
rendimiento, debido a la cantidad y calidad de las imágenes. Se aprecia, que el modelo
si logra diferenciar los 3 tipos de ejercicios, aunque existen casos donde se muestran
incorrectamente las piernas, los brazos y la cabeza. / Since the appearance of GAN networks, various investigations have been carried out on
how to generate images in various fields, such as image generation, image conversion,
video synthesis, image synthesis from text, and video frame prediction. Based mostly on
improving the generation of high resolution images and the reconstruction or prediction
of data.
The purpose of this work is to implement GAN networks in other areas, such as the
generation of images of entities performing an action. In this case, 3 actions of people
were considered, which are the Gluteus, Abdomen and Cardio exercises. First, the
images from YouTube were downloaded and processed, which includes a sequence
of images of each action. Subsequently, two groups of images were separated, of a
single person, and of different people performing the actions. Secondly, the InfoGAN
model was selected for image generation, having the Initial Score (PI) as a performance
evaluator. Obtaining as results for the first group, a maximum score of 1.28 and in the
second group, a maximum score of 1.3.
In conclusion, although the maximum score of 3 was not obtained for this performance
tester, due to the quantity and quality of the images. It can be seen that the
model is able to differentiate the 3 types of exercises, although there are cases where
the legs, arms and head are shown incorrectly.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/27570 |
| Date | 16 April 2024 |
| Creators | Morales Pariona, Jose Ulises |
| Contributors | Beltran Castañon, Cesar Armando |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/masterThesis |
| Format | application/pdf, application/pdf |
| Rights | info:eu-repo/semantics/openAccess, http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ |
Page generated in 0.0023 seconds