Funzioni obiettivo nell'allenamento delle reti neurali

Nell’allenamento di reti neurali profonde è fondamentale lo sviluppo e la progettazione di funzioni obiettivo. Più nello specifico, nel campo della segmentazione semantica, sono indicate diverse tipologie di metriche di valutazione. La differenza tra metriche di valutazione e funzioni obbiettivo però potrebbe condurre alla degradazione delle prestazioni della rete neurale. Il fulcro di questa tesi è di applicare un metodo di AutoML, AutoLoss-Zero, per la rilevazione di polipi del colon. Le fasi di training e di test sono state eseguite sul dataset Kvasir-SEG. Il metodo AutoLoss-Zero per la ricerca e creazione di funzioni obiettivo si basa su uno spazio di ricerca basilare, esclusivamente composto da operatori matematici. L’obbiettivo del presente metodo è quello di ridurre e possibilmente eliminare il gap tra metriche di valutazione e funzioni obbiettivo, senza fare affidamento sull’essere umano. Nella tesi lo abbiamo implementato in Matlab e successivamente lo abbiamo applicato ad un progetto che ha come scopo la rilevazione di polipi del colon.