Mask R-CNN per la segmentazione di oggetti destinati alla vendita al dettaglio = Mask R-CNN for the segmentation of objects for retail sale

Tra le tematiche affrontate dalle reti neurali convoluzionali, le quali sono un'estensione delle reti neurali artificiali e vengono utilizzate prevalentemente per l'elaborazione di immagini, è possibile citare l'object detection, la semantic segmentation e l'instance segmentation. Quest'ultimo task racchiude all'interno della sua definizione i task introdotti da classificazione, object detection e semantic segmentation. All'interno di questo lavoro di tesi è stato sviluppato, in collaborazione con Agile Lab S.r.l., un modello di instance segmentation per la segmentazione di oggetti destinati alla vendita al dettaglio. I primi capitoli trattano gli argomenti teorici che sono alla base del funzionamento di Mask R-CNN, ovvero la rete neurale scelta per l'implementazione del modello. In particolare, all'interno del Capitolo 2 verranno introdotte le reti neurali artificiali partendo dall'approccio biologico alla base del loro funzionamento: dal semplice modello del percettrone fino alle reti neurali che costituiscono la base del deep Learning. Il Capitolo 3 sarà interamente dedicato alle reti neurali convoluzionali, note anche come CNN, con spiegazione dei layer caratterizzanti questa particolare tipologia di rete. All'interno del Capitolo 4 viene introdotta Mask R-CNN con uno sguardo alle reti neurali Region-based da cui esso trae ispirazione, con uno sguardo alle metriche utilizzate per la valutazione dei modelli ottenuti da Mask R-CNN. L'implementazione del modello per la segmentazione delle istanze in ambito retail, con una spiegazione dettagliata di tutte le fase di training del modello e delle successive valutazioni delle performance, è descritta all'interno del Capitolo 5. Infine, all'interno del Capitolo 6 verranno commentati i risultati ottenuti, con una valutazione complessiva delle tecniche utilizzate e possibili suggerimenti volti a migliorare le performance ottenute finora.