verticale

Visione artificale: stato dell'arte e nuove prospettive

- Introduzione alla visione artificiale moderna
- Deep learning: challenge e problem aperti
- Conclusioni

Scarica il PDF Scarica il PDF
Aggiungi ai preferiti Aggiungi ai preferiti


Atti di convegni o presentazioni contenenti case history
SAVE Milano aprile 2019 Industria 4.0, stato dell'arte e scenari futuri

Pubblicato
da Atti di convegno Atti di convegno
SAVE Milano 2019Segui aziendaSegui




Settori: 

Parole chiave: 


Estratto del testo
Gli atti dei convegni e più di 10.000 contenuti su www.verticale.net Milano VISIONE ARTIFICIALE STATO DELL''ARTE E NUOVE PROSPETTIVE Lia Morra, PhD
18 '' 04 '' 2019 AGENDA Introduzione alla visione artificiale moderna
Deep learning: challenge e problem aperti
Conclusioni CLASSIFICAZIONE DI IMMAGINI classificatore classificatore maturo non
maturo DEEP LEARNING VS. ML TRADIZIONALE MACHINE LEARNING CONVENZIONALE DEEP LEARNING Le prestazioni dipendono principalmente dal feature engineering Basato interamente sull''apprendimento da esempi Feature programmate (HoG, SIFT, ..) Classificatore (SVM, Random Forest, Logistic, ') Feature apprese (rete neurale) Classificatore (rete neurale) casa casa DEEP LEARNING VS. ML TRADIZIONALE CONVOLUTIONAL NEURAL NETS Moto Le reti convolutive impongono proprietà utili: ' Stazionarietà
' Località .
.
. Source https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/ CONVOLUTIONAL NEURAL NETS DEEP LEARNING OGGI DATA GPU ENGINEERING Source https://medium.com/@Lidinwise/the-revolution-of-depth-facf174924f5 DEEP LEARNING OGGI Source: https://arxiv.org/abs/1605.07678 DATA DEEP LEARNING IN PRATICA 20% 5% 25% 10% 20% 15% Development Cycle Labeling Data
prep. Data
augmentation Model
selection Model
training Testing
Documentation Compute-intensive Iterate until performance is satisfactory MACHINE VISION APPLICATIONS Beyond
classification APPLICAZIONI PRATICHE CLASSIFICATION OBJECT DETECTION SEGMENTATION IMAGE CAPTIONING VIDEO ANALYSIS GENERATIVE ADVERSARIAL NETWORKS To be continued'. IMAGE2IMAGE: SEGMENTAZIONE IMAGE2IMAGE TRANSLATION Isola, Phillip, Jun-Yan Zhu, Tinghui Zhou, and Alexei A. Efros. "Image-to-image translation with conditional adversarial networks." CVPR
2017 CONTENT BASED IMAGE RETRIEVAL '11 ' '1'' ' ' ' '''1 ' ''''' Similarity
metric Feature extraction Codebook training
Index construction Feature extraction Query and ranking OFFLINE ONLINE LE SFIDE DEL DEEP LEARNING Dove sta andando
la ricerca LE SFIDE DEL DEEP LEARNING ATTACCHI AVVERSARIALI Le reti neurali possono fallire in modi molto diversi dalla visione umana BLACK-BOX Non è facile capire perché una rete effettua una specifica decisione BIAS NEI DATI Posso apprendere pattern nascosti e non voluti nei dati AFFIDABILITA''
Accuratezza del 99% non è 100%
Resilienza e domain shift DATA INTENSIVE
Addstramento supervisionato
richiede training set ampi e di
qualità COMP. INTENSIVE
Risorse hardware per l''addestramento
Porting su sistemi embedded TRANSFER LEARNING Le caratteristiche apprese possono essere trasferite facilmente da un task all''altro: molti oggetti sono simili
Richiede molti meno dati per l''allenamento(da 10,000-100,000 a 1,000 esempi per classe)
Facile da implementare con gli attuali strumenti TRANSFER LEARNING: ESEMPIO Morra et al, Microcalcification detection in mammography: effect of very deep architectures in a multi-stage transfer learning setting, under submission Normal cases (n = 16,366) Microcalcification clusters (n = 2,851) BRIDGE DATASET TARGET TASK: < 100 lesions DATA AUGMENTATION Monitoraggio di un processo di
liofilizzazione (freeze-drying)
tramite telecamera IR e tecniche di
object detection La detection fallisce di fronte a
configurazioni non viste durante
l''addestramento Soluzione: generare
nuove sequenze artificiali
per simulare possibili
configurazioni future Aumento del e prestazioni
dal 90-94% al 99% Lietta, Elena, et al. "On the Use of Infrared Thermography for Monitoring a Vial Freeze-Drying
Process." Journal of pharmaceutical sciences 108.1 (2019): 391-398. IDENTIFICARE BIAS NEI DATI Grad-CAM explanations for model1 and model2. In (a-c) we can see that even though both
models made the right decision, the biased model (model1) was looking at the face of the person
to decide if the person was a nurse (b), whereas the unbiased model, was looking at the short
sleeves to make the decision (c).
Source https://arxiv.org/pdf/1610.02391.pdf BIASED MODEL UNBIASED MODEL Questo tipo di
comportamento può
verificarsi tutte le volte in
cui abbiamo:
' una categoria che
vogliamo identificare ' una o più categorie
che (in teoria) non
dovrebbero influenzare
la decisione ' il dataset di training
non è bilanciato ATTACCHI AVVERSARIALI source https://www.kdnuggets.com/2018/10/adversarial-examples-explained.html Modifiche mirate ed impercettibili nei dati di ingress possono indurre classificazioni palesemente errate
Vulnerabilità che può essere sfruttata per attacchi informatici
Nuove tecniche di allenamento riescono ad ottenere sistemi più robusti '' problema non interamente risolto (per ora') CONCLUSIONI Il deep learning è un''ottima soluzione per problemi ben definiti
Grande disponibilità di software e librerie, sia open che commerciali, rende il trasferimento tecnologico estremamente rapido
La qualità dei dati è fondamentale per ottenere prestazioni di buon livello
Le principali sfide aperte'
' Integrazione nei sistemi embedded (ingegnerizzazione) ' apprendimento non supervisionato (scalabilità) ' integrazione con sistemi di knowledge representation & reasoning (conoscenza a priori) PERCEPTION CONTATTI lia.morra@polito.it http://grains.polito.it/ https://www.linkedin.com/in/liamorra/


In evidenza

2G Italia
Cogenerazione e trigenerazione dal leader tecnologico mondiale
SD Project
SPAC : Il Software per la progettazione Elettrica
SAP Italia
Trova il percorso di trasformazione digitale per la tua impresa: scarica gratis la survey SAP e IDC

Articoli correlati

© Eiom - All rights Reserved     P.IVA 00850640186