La tesi affronta il problema del data drift nei sistemi di visione artificiale basati su tecniche di apprendimento automatico. In particolare, lo studio analizza come variazioni nella distribuzione dei dati di input possano influenzare le prestazioni di diverse architetture di visione artificiale. Vengono considerate e confrontate differenti soluzioni architetturali attraverso esperimenti condotti in modalità virtuale, utilizzando dataset di riferimento e simulando scenari di drift. I risultati ottenuti consentono di valutare la robustezza dei modelli analizzati e di individuare strategie utili per mitigare gli effetti del drift nei sistemi di visione artificiale.
ANALISI DELLE ARCHITETTURE DI VISIONE ARTIFICIALE IN PRESENZA DI FENOMENI DI DRIFT
CONTARDI, SILVIA
2024/2025
Abstract
La tesi affronta il problema del data drift nei sistemi di visione artificiale basati su tecniche di apprendimento automatico. In particolare, lo studio analizza come variazioni nella distribuzione dei dati di input possano influenzare le prestazioni di diverse architetture di visione artificiale. Vengono considerate e confrontate differenti soluzioni architetturali attraverso esperimenti condotti in modalità virtuale, utilizzando dataset di riferimento e simulando scenari di drift. I risultati ottenuti consentono di valutare la robustezza dei modelli analizzati e di individuare strategie utili per mitigare gli effetti del drift nei sistemi di visione artificiale.I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14253/68304