Studio e implementazione di Capsule Network

Il presente lavoro di tesi si inquadra nell’ambito dello studio di tecniche di Machine Learning applicabili in contesti di visione artificiale. Con il termine Machine Learning si indica un insieme di metodi ed algoritmi il cui obiettivo principale è far sì che le macchine siano in grado di apprendere conoscenza attraverso l’analisi dei dati in modo da poter riconoscere automaticamente modelli complessi ed essere in grado di prendere decisioni. A tal proposito, possono essere utilizzati diversi approcci quali, ad esempio, la programmazione logica induttiva, alberi decisionali, regole associative, reti neurali artificiali, programmazione genetica, reti bayesiane, macchine a vettori di supporto. Lo scopo di questa tesi è quello di studiare ed implementare una nuova tipologia di rete neurale artificiale, la Capsule Network, e di analizzare i risultati che vengono ottenuti nella classificazione delle immagini, intesa come il problema di identificare la classe di un’immagine sulla base di conoscenza estratta da un training set. Nel presente lavoro di tesi, i risultati della Capsule Network sono stati confrontati con quelli delle reti neurali attualmente utilizzate per questa tipologia di task, le Reti Neurali Convoluzionali (CNN), di cui dovrebbero superare alcuni limiti. Verranno, dunque, descritte in maniera dettagliata il problema della classificazione delle immagini e le caratteristiche di Reti Neurali Artificiali e Reti Neurali Convoluzionali (Capitolo 1), le caratteristiche principali della Capsule Network (Capitolo 2), la sua implementazione (Capitolo 3) ed i risultati ottenuti (Capitolo 4).