Active Learning for Semi-Automatic Dataset Labelization

Durante gli ultimi anni, le Reti Neurali Convoluzionali sono state utilizzate con successo per compiere diversi tipi di compiti nel contesto dell'apprendimento automatico. Un elemento cruciale in questi sistemi sono le collezioni di dati classificati e, mentre la loro raccolta sia considerata come poco dispendiosa, l'annotazione manuale è spesso la parte più costosa del processo. Le tecniche di Active Learning mirano a risolvere questo problema riducendo il numero di annotazioni richieste per ottenere le performance desiderate. Questa tesi esplora lo stato dell'arte nel contesto della classificazione di immagini, ambito nel quale, la maggior parte degli approcci classici non hanno successo a causa della natura dei dati trattati. Il metodo proposto combina sia l'esplorazione della varietà immagini presenti nella collezione, usando delle distanze derivate dalle CNN, sia l'affinamento dei margini di decisione, utilizzando il valore di probabilità dato dalla rete neurale durante la classificazione. Inoltre, le tecniche di Active Learning sono state integrate con quelle di Semi-Supervised Learning per migliorare le performance della rete neurale e annotare automaticamente delle immagini specificatamente scelte.