Advanced Applications of Deep Learning in Challenging Real-World Scenarios [Applicazioni avanzate di Deep Learning in contesti reali sfidanti]

La capacità del deep learning di gestire dati complessi e variabili offre vantaggi rispetto ai metodi tradizionali nell'affrontare le sfide del mondo reale. La motivazione principale risiede nel potenziale del deep learning di migliorare significativamente la vita umana, i processi industriali e l'efficienza complessiva, affrontando queste sfide. La tesi espone le basi di machine learning, deep learning e computer vision fornendo il contesto per l'esplorazione successiva delle applicazioni del deep learning. I casi studio analizzano applicazioni legate alle immagini umane tra cui la compressione di immagini facciali, sfruttando il deep learning per ottenere alti rapporti di compressione mantenendo l'accuratezza nel riconoscimento. Inoltre, il lavoro di tesi esplora strumenti di deep learning per stimare le percentuali di infezione da COVID-19 partendo da immagini mediche, con l'obiettivo di migliorare l'efficienza nel settore sanitario. Nel settore industriale, la ricerca analizza le applicazioni del deep learning nella classificazione dei difetti delle celle solari e nel rilevamento di perdite di gas naturale. I metodi tradizionali di ispezione sono risultati laboriosi e soggetti a errori. Lo studio esplora modelli di deep learning che utilizzano reti neurali convoluzionali per la classificazione dei difetti e reti neurali ricorrenti per il rilevamento delle perdite, dimostrando miglioramenti significativi in termini di efficienza, accuratezza e costi rispetto ai metodi tradizionali. Oltre al deep learning, il lavoro di ricerca esamina applicazioni pratiche come il deblurring (rimozione della sfocatura) nei video in condizioni difficili quali esposizioni prolungate e risorse limitate. Vengono analizzati i metodi all'avanguardia basati sull'ottimizzazione e su priors delle immagini, offrendo una valutazione quantitativa e qualitativa di queste tecniche. Infine, la ricerca affronta le sfide legate all'ottimizzazione dell'efficienza del training per i modelli di deep learning concentrandosi sull'impatto degli iperparametri. Viene introdotto un nuovo scheduler del learning rate che regola dinamicamente quest'ultimo in base al gradiente riducendo la necessità di regolazioni manuali e migliorando l'efficienza del training. Analizzando queste applicazioni, i miglioramenti e le considerazioni sull'efficienza, questo lavoro di ricerca dimostra il potenziale del deep learning nel migliorare in modo significativo diversi ambiti reali.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• NAPOLI SPATAFORA, Maria Ausilia

Contributors dc:contributor

• BATTIATO, SEBASTIANO

• deep learning
• facial image compression
• solar cell
• learning rate
• deblurring
• covid-19
• gas
• compressione immagini facciali
• celle solari
• de-sfocatura

Statement dc:rights

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

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/685252

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/685252