Studio e sperimentazione di tecniche di segmentazione semantica di immagini

L'apprendimento automatico, per definizione, si distingue per la realizzazione di programmi che migliorano le prestazioni in base all'esperienza. Il deep learning (apprendimento approfondito o profondo) è una sottoclasse di questi algoritmi, i quali hanno alcune caratteristiche particolari, ma fondamentalmente si basano su reti neurali artificiali. Le reti utilizzate in questa tesi sono le cosiddette convolutional neural networks (CNN), particolari in quanto hanno avuto risultati eccellenti nel area del riconoscimento e nella classificazione delle immagini. In particolare, in questa tesi si affronta ciò che viene definito come semantic segmentation, ovvero il tentativo di realizzare reti neurali in grado, ad esempio, non solo di capire che l'immagine contiene un cane, ma di disegnare, pixel per pixel, dove si trova quest'ultimo. Nel primo capitolo vengono introdotte le reti neurali, dandone una panoramica generale e soffermandosi sugli aspetti utili per questa tesi. Nel secondo capitolo viene fatto uno studio più approfondito su un particolare schema di reti, le Convolutional Neural Networks (CNN), osservandone i livelli interni e le operazioni fondamentali, con maggiore attenzione a quelle utili per questa tesi. Successivamente, viene fatta una panoramica dell'evoluzione nello studio dell'image processing che ha portato alla definizione del particolare ramo della segmentazione semantica. Nel terzo capitolo, vengono inoltre introdotte le due reti che sono state analizzate e sperimentate in questa tesi: Deconvnet e, in particolare, le Fully Convolutional Networks. Nel quarto ed ultimo capitolo, vengono presentati gli strumenti che sono stati utili per la sperimentazione e viene descritto il codice con cui sono state tradotte le reti studiate. Infine, vengono mostrati i risultati per le reti coinvolte nella sperimentazione ed esposti sia tramite le valutazioni standard, sia con alcune immagini esplicative.