CONCEPT DRIFT E VISIONE ARTIFICIALE: IMPATTI SUI MODELLI DI DEEP LEARNING E STRATEGIE DI ADATTAMENTO

I sistemi di computer vision basati su deep learning raggiungono elevate prestazioni su dataset stabili, ma negli ambienti reali emergono variazioni dinamiche nei dati di input che generano il fenomeno del concept drift, provocando degradazione delle metriche predittive, incremento del tasso di errore e crescita dell’incertezza nelle predizioni. Questa tesi analizza sistematicamente gli impatti della variazione concettuale sui modelli visivi, discutendo strategie di rilevamento e adattamento descritte in letteratura attraverso una Systematic Literature Review applicata a quattro settori: guida autonoma, videosorveglianza, diagnostica medica e robotica.