Incremental machine learning per la classificazione di immagini

La capacità di apprendimento incrementale (ovvero l’acquisizione progressiva di nuova conoscenza mantenendo quella già assimilata in passato) dei sistemi machine learning è uno dei più recenti e interessanti sviluppi nel campo dell’intelligenza artificiale. Particolarmente intriganti sono le sfide poste da quest’ambito di ricerca, che tutt’ora impediscono la creazione di un sistema in grado di garantire la stessa efficienza di un classico modello machine learning fully-trained, ossia un modello allenato, nello stesso istante temporale, sull’intero insieme dei dati. L’argomento centrale della tesi è lo studio di una particolare categoria di algoritmi per l’allenamento incrementale, chiamata class-incremental learning, che prevede lo sviluppo di modelli in grado di classificare diverse classi di oggetti a partire da un’immagine, e di integrare un sempre maggior numero di nuove classi nel tempo. Ne verranno analizzate le proprietà, verranno delineate tre categorie di algoritmi sulla base di queste, e per ognuna di esse si approfondiranno approcci, tecniche e applicazioni. L’esposizione teorica sarà infine avvalorata sperimentalmente dalla descrizione di alcuni esperimenti, che porteranno alle dovute conclusioni sull’intero lavoro svolto.