Buratti, Luca
(2018)
Visualisation of Convolutional Neural Networks.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria informatica [LM-DM270], Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore.
(
Contatta l'autore)
Abstract
Le Reti Neurali, e in particolare le Reti Neurali Convoluzionali, hanno recentemente dimostrato risultati straordinari in vari campi. Purtroppo, comunque, non vi è ancora una chiara comprensione del perchè queste architetture funzionino così bene e soprattutto è difficile spiegare il comportamento nel caso di fallimenti. Questa mancanza di chiarezza è quello che separa questi modelli dall’essere applicati in scenari concreti e critici della vita reale, come la sanità o le auto a guida autonoma.
Per questa ragione, durante gli ultimi anni sono stati portati avanti diversi studi in modo tale da creare metodi che siano capaci di spiegare al meglio cosa sta succedendo dentro una rete neurale oppure dove la rete sta guardando per predire in un certo modo.
Proprio queste tecniche sono il centro di questa tesi e il ponte tra i due casi di studio che sono presentati sotto.
Lo scopo di questo lavoro è quindi duplice: per prima cosa, usare questi metodi per analizzare e quindi capire come migliorare applicazioni basate su reti neurali convoluzionali e in secondo luogo, per investigare la capacità di generalizzazione di queste architetture, sempre grazie a questi metodi.
Abstract
Le Reti Neurali, e in particolare le Reti Neurali Convoluzionali, hanno recentemente dimostrato risultati straordinari in vari campi. Purtroppo, comunque, non vi è ancora una chiara comprensione del perchè queste architetture funzionino così bene e soprattutto è difficile spiegare il comportamento nel caso di fallimenti. Questa mancanza di chiarezza è quello che separa questi modelli dall’essere applicati in scenari concreti e critici della vita reale, come la sanità o le auto a guida autonoma.
Per questa ragione, durante gli ultimi anni sono stati portati avanti diversi studi in modo tale da creare metodi che siano capaci di spiegare al meglio cosa sta succedendo dentro una rete neurale oppure dove la rete sta guardando per predire in un certo modo.
Proprio queste tecniche sono il centro di questa tesi e il ponte tra i due casi di studio che sono presentati sotto.
Lo scopo di questo lavoro è quindi duplice: per prima cosa, usare questi metodi per analizzare e quindi capire come migliorare applicazioni basate su reti neurali convoluzionali e in secondo luogo, per investigare la capacità di generalizzazione di queste architetture, sempre grazie a questi metodi.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Buratti, Luca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Data Mining,Artificial Intelligence,Convolutional Neural Networks,Visualization of Neural Network,CNN,DNN,Adam Optimizer,Adam,SGD,Computer Vision,Deep Neural Network,Class Activation Mapping,CAM,Grad-CAM,Video Action Recognition,Attention Mechanism
Data di discussione della Tesi
5 Ottobre 2018
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Buratti, Luca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Data Mining,Artificial Intelligence,Convolutional Neural Networks,Visualization of Neural Network,CNN,DNN,Adam Optimizer,Adam,SGD,Computer Vision,Deep Neural Network,Class Activation Mapping,CAM,Grad-CAM,Video Action Recognition,Attention Mechanism
Data di discussione della Tesi
5 Ottobre 2018
URI
Gestione del documento: