Il full-text non è disponibile per scelta dell'autore.
(
Contatta l'autore)
Abstract
La presente tesi introduce con successo un innovativo metodo automatizzato per l'identificazione fotografica dei cetacei, ottenendo risultati particolarmente promettenti nella fase di segmentazione della pinna dorsale. L'approccio sfrutta la potenza di Grounded SAM, una combinazione di modelli AI generici, che ha permesso di ottenere una segmentazione delle pinne più accurata rispetto a quella dello strumento specializzato finFindR. Questo risultato notevole dimostra come sia possibile adattare efficacemente strumenti di intelligenza artificiale all'avanguardia a compiti scientifici specifici attraverso un'ingegnerizzazione mirata del prompt.
Per il riconoscimento, la ricerca ha messo a confronto due diverse tecniche, SIFT e i momenti di Hu, evidenziando un altro importante risultato positivo: il metodo basato sui momenti di Hu si è rivelato nettamente superiore. Questo approccio non solo fornisce una maggiore accuratezza nel confronto tra le forme delle pinne, ma è anche significativamente più rapido e richiede un minor utilizzo di risorse computazionali.
Sebbene il numero di match totali non eguagli quello di sistemi altamente specializzati, il metodo sviluppato costituisce una solida base di partenza, la cui efficacia è direttamente legata alla precisione della fase di segmentazione. La sua architettura, basata su componenti open-source in continua evoluzione come SAM, garantisce inoltre un potenziale di miglioramento futuro senza la necessità di modifiche dirette al progetto.
Abstract
La presente tesi introduce con successo un innovativo metodo automatizzato per l'identificazione fotografica dei cetacei, ottenendo risultati particolarmente promettenti nella fase di segmentazione della pinna dorsale. L'approccio sfrutta la potenza di Grounded SAM, una combinazione di modelli AI generici, che ha permesso di ottenere una segmentazione delle pinne più accurata rispetto a quella dello strumento specializzato finFindR. Questo risultato notevole dimostra come sia possibile adattare efficacemente strumenti di intelligenza artificiale all'avanguardia a compiti scientifici specifici attraverso un'ingegnerizzazione mirata del prompt.
Per il riconoscimento, la ricerca ha messo a confronto due diverse tecniche, SIFT e i momenti di Hu, evidenziando un altro importante risultato positivo: il metodo basato sui momenti di Hu si è rivelato nettamente superiore. Questo approccio non solo fornisce una maggiore accuratezza nel confronto tra le forme delle pinne, ma è anche significativamente più rapido e richiede un minor utilizzo di risorse computazionali.
Sebbene il numero di match totali non eguagli quello di sistemi altamente specializzati, il metodo sviluppato costituisce una solida base di partenza, la cui efficacia è direttamente legata alla precisione della fase di segmentazione. La sua architettura, basata su componenti open-source in continua evoluzione come SAM, garantisce inoltre un potenziale di miglioramento futuro senza la necessità di modifiche dirette al progetto.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Zama, Simone
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Visione Artificiale,Riconoscimento,Identificazione Fotografica,Segmentazione,Cetacei,Grounded SAM,Segment Anything,GroundingDINO,Momenti di Hu,SIFT,finFindR
Data di discussione della Tesi
17 Luglio 2025
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Zama, Simone
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Visione Artificiale,Riconoscimento,Identificazione Fotografica,Segmentazione,Cetacei,Grounded SAM,Segment Anything,GroundingDINO,Momenti di Hu,SIFT,finFindR
Data di discussione della Tesi
17 Luglio 2025
URI
Gestione del documento: