DATA DRIFT E VISIONE ARTIFICIALE: ANALISI DELLE VARIAZIONI DISTRIBUZIONALI SULLE PRESTAZIONI DEI MODELLI

This thesis examines the phenomenon of data drift in computer vision systems, with particular emphasis on changes in data distributions and their impact on the performance of machine learning models. The study explores the distinction between data drift and concept drift, highlighting that in the former the relationship between inputs and outputs remains unchanged, whereas in the latter the mapping function between variables is altered. The thesis also analyzes the main types of distributional changes, such as covariate shift, seasonality, and environmental variations commonly encountered in computer vision applications. Finally, it reviews the most widely used drift detection techniques, including statistical methods, distribution distance metrics, and model-based approaches, discussing their advantages and limitations. The objective is to provide a clear overview of the problem and the existing strategies for improving model robustness in dynamic real-world scenarios.

Questa tesi analizza il fenomeno del data drift nei sistemi di visione artificiale, con particolare attenzione alle variazioni della distribuzione dei dati e al loro impatto sulle prestazioni dei modelli di machine learning. Lo studio approfondisce la distinzione tra data drift e concept drift, evidenziando come nel primo caso la relazione tra input e output rimanga invariata, mentre nel secondo si modifichi la funzione di mappatura tra variabili. Vengono inoltre analizzate le principali tipologie di variazione distribuzionale, come covariate shift, stagionalità e cambiamenti ambientali tipici dei sistemi di visione artificiale. La tesi esamina infine le tecniche più utilizzate per il rilevamento del drift, includendo metodi statistici, metriche di distanza tra distribuzioni e approcci basati su modelli, evidenziandone vantaggi e limiti. L’obiettivo è fornire una panoramica chiara del problema e delle strategie esistenti per migliorare la robustezza dei modelli in scenari dinamici e reali.