Classificazione e indice di qualità di immagini tramite Deep Learning

Il Machine Learning sta acquistando sempre più importanza nelle realtà aziendali. Grazie all'utilizzo degli algoritmi di apprendimento automatico si riesce a costruire i sistemi "intelligenti" che analizzando i dati sono in grado di generare suggerimenti e predizioni rendendo possibile l'automatizzazione di alcuni task cognitivi che richiederebbero altrimenti un costo eccessivamente elevato di attività umana. Il progetto si è posto come l'obiettivo creare un servizio web da integrare nell'ecosistema aziendale in grado di analizzare le immagini in input per classificarle e dare una stima della qualità dell'immagine intesa come un punteggio approssimato di gradimento umano. Considerando il tipo di dato trattato, si è deciso di creare i modelli basati su Reti Neurali, in praticolare le architetture convoluzionari che sono particolarmente adatte ai problemi di visione artificiale. Lo scenario di classificazione affrontato nel progetto appartiene a un sottoinsieme dei problemi di classificzione detti "open-set" in quanto le immagini possibili in input non appartengono esclusivamente alle categorie definite, ma potrebbero appartenere a una categoria "universo" e in tal caso devono essere classificate come "Other". Per risolvere questo problema sono stati creati e confrontati alcuni metodi proposti in letteratura come threshold e classe negativa e una loro combinazione per una soluzione "ibrida". Per determinare l'architettura ottimale del sistema sono state confrontate diverse soluzioni, che includono un'architettura molto usata ResNet-50 che è poi stata utilizzata come base per i modelli del progetto, un'architettura "leggera" MobileNet e un modello di transfer learining che utilizza il classificatore SVM accoppiato alle feature estratte dalle immagini con la rete neurale pre-addestrata. Infine è stata sperimentata una rete Multi-Task che unisce i due compiti in un'unica architettura condivisa, con due output distinti.