Skip to content
Torna ai risultati

Classificazione di immagini CNN

Introdotto da
He, K. et al. (ResNet); Tan, M. & Le, Q.V. (EfficientNet)
Anno
2016
Tipo
Deep convolutional neural network (supervised)

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La classificazione di immagini CNN utilizza architetture convoluzionali profonde come ResNet (He et al., 2016), VGG ed EfficientNet (Tan & Le, 2019) per ordinare le immagini in categorie.

Strati convoluzionali impilati apprendono una gerarchia di caratteristiche visive direttamente dai pixel, e le connessioni residue (skip connections) prevengono il problema del gradiente evanescente in reti molto profonde.

L’intuizione alla base del metodo

Invece di ingegnerizzare manualmente le caratteristiche, una rete convoluzionale fa scorrere piccoli filtri apprendibili sull'immagine, rilevando bordi e texture negli strati iniziali e combinandoli in forme e oggetti negli strati più profondi. Man mano che le reti diventano molto profonde, il segnale di addestramento può affievolirsi; le connessioni residue aggiungono una scorciatoia che consente a ciascun blocco di apprendere solo la variazione rispetto al suo input, in modo che i gradienti fluiscano in modo pulito e la profondità continui ad aiutare piuttosto che a ostacolare.

Storia

Le reti convoluzionali profonde hanno rimodellato la computer vision negli anni 2010. He et al. (2016) hanno introdotto ResNet con connessioni residue al CVPR, rendendo pratico l'addestramento di reti profonde centinaia di strati e superando il degrado osservato in semplici stack molto profondi. VGG ha reso popolari stack uniformi di piccole convoluzioni, e Tan & Le (2019) hanno proposto EfficientNet, che scala congiuntamente profondità, larghezza e risoluzione di input per raggiungere un'alta accuratezza con molti meno parametri. Questi backbone, spesso usati pre-addestrati, rimangono riferimenti standard per la classificazione di immagini.

Quando usarlo

Utilizzala per classificare o predire categorie da dati di immagini quando si dispone di un set di immagini etichettate di almeno circa 500 esempi e idealmente una GPU. Non presuppone dati distribuiti normalmente, ma dovrebbe essere applicato l'aumento dei dati. Sotto le 500 immagini, una CNN profonda tende all'overfitting, quindi sono preferibili il transfer learning o un modello più semplice; con meno di circa 100 immagini, i filtri non possono estrarre caratteristiche significative e un classificatore classico come SVM è una scelta più sicura.

Limiti e considerazioni

  • Affamata di dati: necessita di almeno circa 500 immagini e va in overfitting gravemente su set più piccoli.
  • Una GPU è effettivamente richiesta per tempi di addestramento pratici.
  • Un modello black-box con interpretabilità limitata delle sue decisioni.
  • Con pochissime immagini (meno di circa 100) i filtri non possono apprendere affatto caratteristiche significative.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Apprende caratteristiche visive direttamente dai pixel, eliminando la necessità di caratteristiche ingegnerizzate manualmente.
  • Le connessioni residue consentono a reti molto profonde di essere addestrate senza gradienti evanescenti.
  • Accuratezza allo stato dell'arte nella classificazione di immagini in molti domini.
  • I backbone pre-addestrati (ResNet, VGG, EfficientNet) abilitano il transfer learning su dataset modesti.
  • Poche assunzioni: nessun requisito di normalità sui dati di input.

Applicazioni

  • Classificazione di immagini in categorie in domini naturali, medici e di telerilevamento.
  • Transfer learning: affinamento di un backbone pre-addestrato per un nuovo compito di immagini.
  • Controllo qualità e ispezione visiva in contesti ingegneristici.
  • Compiti di predizione in cui l'input sono dati di immagini piuttosto che caratteristiche tabulari.

Come funziona

Come funziona

1

Ogni strato convoluzionale applica una serie di piccoli filtri apprendibili sull'immagine, producendo mappe di caratteristiche che evidenziano pattern locali come bordi, angoli e texture. L'impilamento di molti strati di questo tipo costruisce una gerarchia sempre più astratta di caratteristiche visive, apprese direttamente dai pixel piuttosto che progettate manualmente.

2

Stack molto profondi soffrono di gradienti evanescenti. Le connessioni residue (skip connections), centrali in ResNet, aggiungono l'input di un blocco al suo output in modo che ciascun blocco debba apprendere solo la variazione residua. Questa scorciatoia mantiene i gradienti fluire attraverso decine o centinaia di strati, il che consente di addestrare queste reti a grande profondità. Famiglie come VGG prediligono convoluzioni uniformi impilate, mentre EfficientNet scala profondità, larghezza e risoluzione insieme per l'efficienza.

Formula
y = \mathcal{F}(x, \{W_i\}) + x
3

Le mappe di caratteristiche finali vengono aggregate (pooled) e passate a una testa di classificazione che restituisce una probabilità per ciascuna categoria. In pratica, un modello pre-addestrato su un grande dataset viene affinato sostituendo questa testa per le classi target, e viene applicata l'aumento dei dati (data augmentation) per espandere l'insieme di addestramento effettivo e ridurre l'overfitting.

Errori comuni

  • Addestrare una CNN profonda da zero su un piccolo dataset invece di usare il transfer learning.
  • Saltare l'aumento dei dati e andare in overfitting sulle immagini di addestramento.
  • Ignorare lo sbilanciamento delle classi tra le categorie di immagini.
  • Riportare solo l'accuratezza senza metriche per classe su dati sbilanciati.
  • Tentare il deep learning su poche decine di immagini dove un modello classico farebbe meglio.

Domande frequenti

Quante immagini mi servono?

Circa 500 immagini etichettate sono un minimo pratico, e di più è meglio. Sotto le 500, una CNN profonda va in overfitting, quindi sono preferibili il transfer learning da un backbone pre-addestrato o un modello più semplice; sotto le 100 immagini, i filtri non possono apprendere caratteristiche significative.

Ho bisogno di una GPU?

Una GPU è fortemente raccomandata. L'addestramento di reti convoluzionali profonde è computazionalmente pesante, e solo con CPU i tempi di addestramento diventano impraticabili per dataset realistici.

Quale architettura dovrei scegliere — ResNet, VGG o EfficientNet?

Le connessioni residue di ResNet rendono addestrabili reti molto profonde ed è un'opzione di default robusta. VGG utilizza semplici stack uniformi di convoluzioni, mentre EfficientNet scala profondità, larghezza e risoluzione insieme per raggiungere un'alta accuratezza con meno parametri. Iniziare da una versione pre-addestrata di una qualsiasi di esse è solitamente la via più affidabile.

Perché l'aumento dei dati è importante?

L'aumento dei dati (data augmentation) — flip, crop, rotazioni e trasformazioni simili — espande l'insieme di addestramento effettivo ed espone la rete a più variazioni, il che riduce l'overfitting. Con dati di immagini limitati è uno dei passaggi più importanti per la generalizzazione.

Metodi correlati

Fonti

  1. He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR.

    Apri il riferimento DOI
    Copiato.
  2. Tan, M. & Le, Q.V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ICML, PMLR 97, 6105–6114. arXiv:1905.11946.

    Apri il riferimento della pubblicazione
    Copiato.