Unsupervised Domain Adaptation per la rilevazione di oggetti e riconoscimento di azioni

Questa tesi affronta il problema di unsupervised domain adaptation (UDA) per la rilevazione degli oggetti e il riconoscimento delle azioni. UDA è una tecnica di machine learning che mira a ridurre le differenze di distribuzione tra un dominio di origine (con dati etichettati) e un dominio di destinazione (con dati non etichettati). L'obiettivo principale è sviluppare un modello in grado di adattarsi a scenari diversi, eliminando la necessità di etichettare intensivamente i dati e di riformare il modello, massimizzando al contempo le prestazioni nel dominio di destinazione. Indaghiamo il problema di UDA ed esploriamo le sue applicazioni nella rilevazione degli oggetti e nel riconoscimento delle azioni. Per la rilevazione degli oggetti, presentiamo due set di dati e proponiamo architetture innovative basate su adversarial learning, self-training e image-to-image translation per apprendere rappresentazioni invarianti rispetto al dominio che possono generalizzare su singoli o multipli domini di destinazione. Per il riconoscimento delle azioni, analizziamo la capacità dei metodi più avanzati di generalizzare tra azioni in prima persona e in terza persona, identificando le tecniche più efficienti per rilevare azioni da entrambi i punti di vista. Concludiamo discutendo i limiti e le future direzioni della ricerca. Il codice degli algoritmi proposti e dei set di dati sono stati resi pubblici, agevolando ulteriori ricerche in questo campo.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2024

Author dc:creator

• PASQUALINO, GIOVANNI

Contributors dc:contributor

• BATTIATO, SEBASTIANO

• unsupervised domain adaptation
• object detection
• action recognition
• unsupervised domain adaption
• Rilevazione di oggetti
• riconoscimento di azioni

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/598189

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/598189