MAP GENERATION & MANIPULATION WITH GENERATIVE ADVERSARIAL NETWORKS

Öz

Artificial intelligence makes the Big Data processable as the spread of the Internet. Machine learning, which is a type of artificial intelligence, has made it easier to classify, interpret and process data. On the other hand, the development of graphics processing units has facilitated and accelerated the work done by providing the necessary infrastructure for processing data consisting of images. The development of image processing operation will enable the processing and production of architectural data sets consisting of images. This study aims to show the processability of the image set in map scale and to encourage to think and examine how the achievements in this process can be processed in different scales In accordance with this purpose, during the study, satellite images were translated into map images of a game using a GAN model. *This study is produced from a project during the course named ‘Special Topics in Architectural Design: Machine Learning’ which is held by Dr. Özgün Balaban within the Architectural Design Computing Master Program of Istanbul Technical University.

Anahtar Kelimeler

• : Generative Adversarial Networks
• Machine Learning
• Map Generation

Çekişmeli Üretici Ağlar (GAN) İle Harita Üretimi ve Manipülasyonu

Öz

Yapay zeka, internetin yaygınlaşması ile yoğunlaşan veri birikimini işlenebilir kılmıştır. Bir yapay zeka türü olan makine öğrenmesi verilerin sınıflandırılması, anlamlandırılması ve işlenmesini kolaylaştırmıştır. Grafik işleme ünitelerinin gelişmesi ise görüntülerden oluşan verilerin işlenmesinde gerekli altyapıyı sağlayarak, yapılan çalışmaları kolaylaştırmış ve hızlandırmıştır. Görüntü işleme süreçlerinin gelişimi görüntülerden oluşan mimari veri setlerinin işlenmesini ve üretilmesini sağlayabilecektir. Bu çalışmanın amacı harita ölçeğindeki görüntü setinin işlenebilirliğinin gösterilmesi ve bu süreçteki kazanımların farklı ölçekteki mimari gösterim tekniklerinin nasıl işlenebileceğini düşündürmeye ve irdelemeye teşvik etmektir. Bu amaç doğrultusunda çalışma sürecinde bir çekişmeli üretici ağ modeli kullanılarak uydu görüntüleri bir oyunun harita görüntülerine dönüştürülmüştür.* *Bu çalışma İstanbul Teknik Üniversitesi, Mimari Tasarımda Bilişim Yüksek Lisans programı, Dr. Özgün Balaban tarafından yürütülen Mimari Tasarımda Özel Konular: Makine Öğrenmesi dersi kapsamında yapılan bir projeden üretilmiştir.

Anahtar Kelimeler

• Çekişmeli Üretici Ağlar
• Makine Öğrenmesi
• Harita Üretimi

Kaynakça

1. Çelik, G., Talu, M. F., (2019). Çekişmeli üretken ağ modellerinin görüntü üretme performanslarının incelenmesi. BAUN Fen Bil. Enst. Dergisi, 22(1), sf: 181-192.
2. Gezer, M. (2017). “Python ile Görüntü ˙ I¸slemede Örnek Bir Uygulama”, Ed.: Uçar, M. Kürşad., Mühendislikte Yapay Zeka Uygulamaları, Sakarya, Sakarya Üniversitesi Kütüphanesi Yayınları, sf: 65-79.
3. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. ve Bengio, Y, (2014). “Generative Adversarial Networks”, in Proc. 27th Int. Conf. Neural Information Processing Systems, sf 2672–2680, Montereal.
4. Isola, P., Zhu, J., Park, T., Efros, A. A., (2018) Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. arXiv:1703.10593v6
5. Isola, P., Zhu, J., Zhou, T., Efros, A. A., (2018). Image-to-Image Translation with Conditional Adversarial Networks. arXiv : 1611.07004v3.
6. Mitchell, Tom M. (1997). Machine Learning, New York, McGraw-Hill Science
7. Şeker, A., Diri, B., Balık, H. H., (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi, 3 (3), sf:47-64.
8. Wason, R., (2018). Deep learning: Evolution and expansion, Cognitive Systems Research, 52, sf: 701-708.

9. Wu, X., Xu, K. ve Hall, P., (2017). A survey of image synthesis and editing with generative adversarial networks, Tsinghua Sci. Technol., 22 (6), sf: 660–674.