•  
  •  
 

Abstract

Artificial Intelligence is a field that is able to learn from existing data to synthesize new ones using deep learning methods. Using Artificial Neural Networks that process big datasets, complex tasks and challenges become easily resolved. As the zeitgeist suggests, it is possible to produce novel outcomes for future projections by applying various machine learning algorithms on the generated data sets. In that context, the focus of this research is exploring the reinterpretation of 21st century urban plans with familiar artist styles using different subtypes of deep-learning-based generative adversarial networks (GAN) algorithms. In order to explore the capabilities of urban map transformation with machine learning approaches, two different GAN algorithms which are cycleGAN and styleGAN have been applied on the two main data sets. First data set, the urban data set, contains 50 cities urban plans in .jpeg format collected according to the diversity of the urban morphologies. Whereas the second data set is composed of four well-known artist’s paintings, that belong to various artistic movements. As a result of training the same data sets with different GAN algorithms and epoch values were compared and evaluated. In this respect, the study not only investigates the reinterpretation of stylistic urban maps and shows the discoverability of new representation techniques, but also offers a comparison of the use of different image to image translation GAN algorithms.

Keywords

Urban Map, Style Transferring, Generative Adversarial Networks, CycleGAN, StyleGAN.

الملخص (Abstract in Arabic)

يعتبر الذكاء الاصطناعي مجالا قادرا على التعلم من البيانات الموجودة لتجميع بيانات جديدة باستخدام أساليب التعلم العميق. ويمكن حل المهام والتحديات المعقدة بسهولة باستخدام الشبكات العصبية الاصطناعية التي تعالج مجموعات البيانات الكبيرة. كما تقترح روح العصر، من الممكن إنتاج نتائج جديدة للتوقعات المستقبلية من خلال تطبيق خوارزميات التعلم الآلي المختلفة على مجموعات البيانات التي تم إنشاؤها. في هذا السياق، ينصب تركيز هذا البحث على استكشاف إعادة تفسير المخططات الحضرية للقرن الحادي والعشرين بأساليب فنية مألوفة باستخدام أنواع فرعية مختلفة من خوارزميات شبكات الخصومة التوليدية القائمة على التعلم العميق (GAN). من أجل استكشاف إمكانات تحويل الخرائط الحضرية باستخدام مناهج التعلم الآلي، تم تطبيق خوارزميتين مختلفتين من GAN وهما cycleGAN و styleGAN على مجموعتي البيانات الرئيسيتين. تحتوي مجموعة البيانات الأولى، وهى مجموعة البيانات الحضرية ، على ٥٠ مخططًا حضريًا لمدن فى ملفات jpeg تم جمعها وفقًا لتنوع الأشكال الحضرية. بينما تكونت مجموعة البيانات الثانية من أربع لوحات لفنانين مشهورين تنتمي إلى حركات فنية مختلفة. نتيجة لتدريب نفس مجموعات البيانات مع خوارزميات GAN المختلفة وقيم العصر تمت مجموعة من المقارنات والتقييمات. وفي هذا الصدد، لا تبحث الدراسة فقط في إعادة تفسير الخرائط الحضرية الأسلوبية وتظهر قابلية اكتشاف تقنيات التمثيل الجديدة، ولكنها تقدم أيضًا مقارنة بين استخدام خوارزميات GAN لترجمة الصور المختلفة.

الكلمات الدالة (Keywords in Arabic)

الخرائط الحضرية، نقل الأنماط، شبكات الخصومة التوليدية، الشبكات التوليدية القائمة على الدورات، الشبكات التوليدية القائمة على الأنماط.

Disciplines

Architecture | Arts and Humanities | Education | Engineering

Article Language

English

Share

COinS
 
 

To view the content in your browser, please download Adobe Reader or, alternately,
you may Download the file to your hard drive.

NOTE: The latest versions of Adobe Reader do not support viewing PDF files within Firefox on Mac OS and if you are using a modern (Intel) Mac, there is no official plugin for viewing PDF files within the browser window.