Deep Learning: Algoritmo di Classificazione Immagini

La presente tesi si occupa della descrizione dell’algoritmo di Deep Learning che permette la classificazione di immagini importate dal dataset CIFAR-10. Il codice è stato testato in un ambiente di test per un classificatore di immagini per piattaforme Apple macOS, dove sono state utilizzate immagini di frutta e verdura come input per la classificazione. Nel primo capitolo viene trattato il dataset CIFAR-10, come questo è stato realizzato, la sua struttura e l’uso che se ne può fare. Successivamente viene descritto il metodo di apprendimento automatico della Classificazione Lineare, in che cosa consiste, come agisce nella suddivisione di classi e quali vantaggi e svantaggi comporta. Segue l’introduzione di metodologie di apprendimento supervisionato note come macchine a vettori di supporto (SVM o Support Vector Machines) sfruttate per la classificazione di pattern e la definizione della funzione Score, che viene utilizzata per determinare la classe a cui appartiene ciascuna immagine. Nel secondo capitolo viene trattato il Deep Learning e le Reti Neurali (non convoluzionali), modello matematico basato sulla riproduzione approssimata della struttura neuronale biologica, il cervello dei mammiferi, in particolare relativamente al funzionamento della corteccia visiva. Il terzo e ultimo capitolo tratta in modo più approfondito e tecnico l’implementazione di un algoritmo di Deep Learning sviluppato in Pytorch, assieme alla libreria di Numpy, spiegando passo per passo come questo è stato strutturato. Infine viene osservato come un classificatore di immagini per piattaforme macOS opera con figure eterogenee raccolte da internet di verdure e frutti.