DIFFEOMORFISMO APPLICATO AL DATA AUGMENTATION PER OGGETTI CON FORME E TEXTURE ALTAMENTE VARIABILI

In questo documento viene analizzata una nuova tecnica utilizzata in ambito di Data Augmentation che pone le proprie basi sul morphing. L’addestramento di reti neurali convoluzionali (CNN) richiede una grossa mole di dati, i quali possono essere estremamente difficili da ottenere specialmente in settori come quello medico. La tecnica proposta promette quindi di ottenere nuove immagini astratte, generate a partire da quelle esistenti, che siano il più verosimili possibile rispetto ai soggetti reali per ottenere un corretto addestramento delle reti neurali. Per la realizzazione delle nuove immagini vengono utilizzati in successione diversi metodi, tra i quali uno dei più importanti e innovativo è il Morphing. Il paper dunque si focalizza principalmente sui procedimenti utilizzati nel morfismo, analizzandone i punti di forza e le problematiche che ne derivano e che non permettono di ottenere immagini affidabili in ogni circostanza.