Le reti neurali convoluzionali sono alla base della computer vision moderna. L'elaborato cerca di studiare i metodi applicativi con cui è possibile raggiungere prestazioni elevate ma con un carico computazionale limitato, agendo sulla scalabilità della rete. Viene introdotta la famiglia EfficientNet, basata sul compound scaling, e ne vengono analizzate le prestazioni rispetto ai modelli convoluzionali precedentemente noti. Si esaminano successivamente i colli di bottiglia che rendono la prima versione lenta da allenare, descrivendo una nuova soluzione che implementa alcune modifiche che permettono di superare i limiti precedentemente riscontrati: EfficientNet V2. Infine, verrà proposto un confronto tra la prima e la seconda versione di EfficientNet per verificare sperimentalmente i risultati riportati in letteratura.
EfficientNet: ottimizzazione e scalabilità nelle reti neurali convoluzionali
GANDOLFI, MARCO
2025/2026
Abstract
Le reti neurali convoluzionali sono alla base della computer vision moderna. L'elaborato cerca di studiare i metodi applicativi con cui è possibile raggiungere prestazioni elevate ma con un carico computazionale limitato, agendo sulla scalabilità della rete. Viene introdotta la famiglia EfficientNet, basata sul compound scaling, e ne vengono analizzate le prestazioni rispetto ai modelli convoluzionali precedentemente noti. Si esaminano successivamente i colli di bottiglia che rendono la prima versione lenta da allenare, descrivendo una nuova soluzione che implementa alcune modifiche che permettono di superare i limiti precedentemente riscontrati: EfficientNet V2. Infine, verrà proposto un confronto tra la prima e la seconda versione di EfficientNet per verificare sperimentalmente i risultati riportati in letteratura.| File | Dimensione | Formato | |
|---|---|---|---|
|
Gandolfi_Marco.pdf
accesso aperto
Dimensione
1.43 MB
Formato
Adobe PDF
|
1.43 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/119721