OTTIMIZZAZIONE DI UNA RETE NEURALE PER IL RICONOSCIMENTO DI OSTACOLI IN IMMAGINI RGB DI SCENARI URBANI

La crescente diffusione dei sistemi di guida autonoma ha reso la visione artificiale un elemento fondamentale dei moderni algoritmi di percezione. In questo contesto, la segmentazione semantica svolge un ruolo fondamentale nel riconoscimento e nella comprensione della scena stradale, consentendo ai veicoli di riconoscere ed individuare ostacoli con elevata precisione. In questa tesi viene sviluppato ed analizzato un modello di segmentazione semantica basato sull’architettura DeepLabV3 con backbone ResNet50, addestrato sul dataset Cityscapes utilizzando le annotazioni ad alta qualità (maschere) gtFine. Il lavoro si concentra, in particolare, sulla trasformazione del problema in una segmentazione binaria, volto a distinguere la classe ostacolo dallo sfondo, con l’obiettivo di studiare le potenzialità dei modelli di deep learning in scenari urbani complessi. L’attività di sperimentazione comprende la preparazione del dataset, l’implementazione delle pipeline di training e validazione, l’analisi delle prestazioni e l’esplorazione delle principali tecniche di ottimizzazione impiegate nei sistemi di visione per la guida autonoma. I risultati ottenuti mostrano che l’utilizzo di annotazioni di alta qualità, migliora la stabilità dell’addestramento e contribuisce a incrementare la precisione nella rilevazione degli ostacoli. Infine, vengono discusse le limitazioni riscontrate e vengono proposte possibili direzioni di sviluppo futuro, con particolare attenzione all’ottimizzazione real-time e all’integrazione multimodale.