fa بهبود شبکه های رقابتی مولد برای تولید خودکار تصویر از روی متن مقالات پردازش متن Paper پژوهشي Research <strong>این پژوهش در رابطه با به‌کارگیری ابزارهای یادگیری عمیق و فناوری پردازش تصویر در تولید خودکار تصویر از روی متن می‌باشد. پژوهش‌های پیشین از یک جمله برای تولید تصاویر بهره می‌برند. در این پژوهش یک مدل سلسله‌مراتبی مبتنی بر حافظه ارائه شده است که از سه توصیف مختلف که در قالب جمله ارائه می‌شوند، برای تولید و بهبود تصویر بهره می‌برد</strong><strong><span dir="LTR">.</span></strong><strong> طرح پیشنهادی با بهره‌گیری از شبکه‌های رقابتی مولد، بر به‌کارگیری اطلاعات بیشتر جهت تولید تصاویر با وضوح بالا تمرکز دارد.&nbsp; پیاده‌سازی و اجرای برنامه‌های مربوط به این حوزه نیاز به منابع پردازشی بالا دارند. لذا طرح پیشنهادی با بهره‌گیری از بستره سخت‌افزاری دانشگاه کپنهاگ بر روی یک کلاستر با 25 واحد پردازش گرافیکی پیاده‌سازی و تحت آزمون قرار گرفت. آزمایش‌ها روی مجموعه دادگان </strong><strong><span dir="LTR">CUB-200</span></strong><strong> و </strong><strong><span dir="LTR">ids-ade</span></strong><strong> انجام شدند. نتایج آزمایش‌ها نشان می‌دهند که مدل ارائه شده می‌تواند تصاویر با کیفیت بالاتری نسبت به دو مدل پایه </strong><strong><span dir="LTR">StackGAN</span></strong><strong> و </strong><strong><span dir="LTR">AttGAN</span></strong><strong> تولید کند.</strong><strong><span dir="LTR"></span></strong> <strong>This research is related to the use of deep learning tools and image processing technology in the automatic generation of images from text. Previous researches have used one sentence to produce images. In this research, a memory-based hierarchical model is presented that uses three different descriptions that are presented in the form of sentences to produce and improve the image. The proposed scheme focuses on using more information to produce high-resolution images, using competitive productive networks. Implementing programs related to this field require massive processing resources. Therefore, the proposed method was implemented and tested on a cluster with 25 GPUs using the hardware platform of the University of Copenhagen. The experiments were performed on CUB-200 and ids-ade datasets. The experimental results show that the proposed model can produce higher quality images than the two basic models StackGAN and AttGAN.</strong> شبکه رقابتی مولد, یادگیری عمیق, مدل سلسله مراتبی, پردازش زبان طبیعی. Generative Adversarial Network, Deep Learning, Hierarchical Model, Natural Language Processing 33 44 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-119-2&slc_lang=fa&sid=1 Elham Pejhan الهام پژهان e.pejhan@stu.yazd.ac.ir 100319475328460011675 100319475328460011675 No Yazd University دانشگاه یزد Mohammad Ghasemzadeh محمد قاسم زاده m.ghasemzadeh@yazd.ac.ir 100319475328460011676 100319475328460011676 Yes Yazd University دانشگاه یزد