Corso di Reti Neurali per il Machine Learning: Reti neurali convoluzionali (CNN)

Reti neurali convoluzionali (CNN)

1. Visione artificiale e architetture CNN

Le CNN sono alla base della visione artificiale, permettendo al modello di “vedere” e interpretare immagini. Concetti chiave:

• Convoluzione: filtri che estraggono caratteristiche locali dall’immagine
• Pooling: riduce le dimensioni mantenendo le informazioni principali (max pooling, average pooling)
• Architetture famose: LeNet, VGG, ResNet

2. Interpretazione e visualizzazione dei filtri

Visualizzare i filtri e le mappe di attivazione aiuta a capire cosa impara la rete: - Individuare pattern e feature rilevanti - Diagnostica del modello in caso di errori

3. Compiti principali delle CNN

• Classificazione: assegnare etichette a intere immagini
• Segmentazione: identificare ogni pixel con la sua categoria
• Object Detection: localizzare oggetti e classificarli all’interno dell’immagine

4. Lab pratico

Applicazione concreta:

• Riconoscimento di immagini su dataset MNIST
• Personalizzazione di una rete ResNet per compiti specifici
• Osservazione di come cambiano le performance modificando i layer e i filtri