Sistema ibrido per l'apprendimento continuo di reti neurali

I sistemi di riconoscimento facciale possono offrire ottime performance nel riconoscimento dei soggetti attraverso l’analisi di immagini del volto, ma le loro prestazioni non sono prevedibili se nei soggetti da riconoscere qualche caratteristica evolve nel tempo. Se il soggetto cambia con regolarità si arriverà sicuramente ad un punto in cui la conoscenza iniziale non sarà più sufficiente per completare una corretta identificazione, ed il soggetto verrà confuso con un altro individuo. Questo comportamento è molto poco adatto nel caso in cui il riconoscimento facciale sia usato per l’accesso ad aree riservate o per consentire l’utilizzo di dati sensibili.
In questo lavoro di tesi si propone un sistema di riconoscimento facciale ibrido, basato su reti neurali multiple e su di un livello logico per la supervisione dello strato neuronale. Ogni rete neurale è addestrata a riconoscere una particolare caratteristica del volto. Le risposte delle singole reti sono usate per stabilire quale è l’identità più probabile per il soggetto. Sulla base dell’identità individuata dal sistema si condiziona l’apprendimento delle reti che hanno fornito risposte contraddittorie con quella del gruppo.
E’ importante sottolineare che ogni rete neurale, che fa parte del sistema di riconoscimento, è indipendente dalle altre ed analizza l’immagine di una singola caratteristica del volto (naso, bocca . . . ). La sua risposta rappresenta l’identità del soggetto che lei ritiene la più probabile.
Può, evidentemente, presentarsi il caso in cui le singole risposte delle reti non siano concordi su di un solo individuo. Per risolvere questo tipo di conflitto fra le risposte viene, quindi, usato un approccio simbolico, basato sul condizionamento Bayesiano:

in base ai conflitti fra le risposte ed alle affidabilità a priori delle singole reti, vengono ricalcolate le affidabilità a posteriori per ogni rete. Si usano le nuove affidabilità delle reti e gli insiemi delle risposte concordi per decidere la risposta del gruppo.
Il sistema cosi configurato risulta essere efficace nell’identificare i soggetti, anche se gli individui hanno sub` dei cambiamenti limitati del volto: la forza del gruppo prevale sulle reti che sbagliano nell’identificare le nuove e mutate caratteristiche.
In base al soggetto identificato dal gruppo, si aggiorna la conoscenza per la rete (o le reti) che non lo hanno correttamente identificato. Se una caratteristica non viene riconosciuta per un tempo sufficientemente lungo si riaddestra la singola rete neurale associata a quella feature, per evitare che in futuro quella stessa rete continui a commettere errori nell’identificare quello specifico individuo. In questo modo si ha un sistema che evolve indipendentemente dal controllo umano e mantiene aggiornata la sua conoscenza. Grazie a questi accorgimenti si è, quindi, in grado di riconoscere soggetti che evolvono nel tempo, modificando le loro caratteristiche.
 

Corso di Laurea: 
Laurea Magistrale in Ingegneria Informatica e dell'Automazione
Anno Accademico: 
2010
Tesista
Tesista: 
Pasquale Sconciafurno
Relatore
Relatore: 
Prof. Aldo Franco Dragoni
Email: 
Correlatore
Correlatore: 
Germano Vallesi