Active Learning for Semi-Automatic Dataset Labelization
Moreno La Quatra
Active Learning for Semi-Automatic Dataset Labelization.
Rel. Elena Maria Baralis. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2018
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (1MB) | Preview |
Abstract
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
Relatori
Tipo di pubblicazione
URI
![]() |
Modifica (riservato agli operatori) |
