Analisi e addestramento di Reti Profonde Convoluzionali utilizzando immagini sintetizzate

As Deep Learning methods became of wider use for the training of deep neural networks classifying images, a problem that arise in a greater form is the retrieval of a large amount of labeled images. In this thesis work a method is proposed for the generation of synthetic images using Computer Graphics. In a virtual environment where representations of real objects are made in the form of 3D models, it is possible to easily obtain an arbitrarily wide dataset of images taken from the virtual scene. The possibilities that can arise in this situation are many and allow first of all to have greater diversification between the sample images, by implementing appropriate transformations. The advantage of being in the presence of virtual objects is to have better control over these objects, without having to comply with the limitations imposed by a real environment. The ultimate goal of this work is to train a deep neural network and then analyze the robustness of learning by submitting a synthetic image dataset to replace or aid the actual image dataset.

Con la più ampia diffusione dell'utilizzo dei metodi di \textit{Deep Learning} per l'addestramento di reti neurali profonde alla classificazione di immagini, un problema che si presenta in forma sempre maggiore è il reperimento di una grande mole di immagini etichettate. In questo lavoro di tesi viene proposto un metodo per la generazione di immagini sintetiche utilizzando la \textit{Computer Grafica}. In un ambiente virtuale in cui sono presenti delle rappresentazioni di oggetti reali sottoforma di modelli 3D, è possibile ottenere facilmente un dataset arbitrariamente ampio di immagini riprese dalla scena virtuale. Le possibilità che si possono presentare in questa situazione sono molteplici e permettono innanzitutto di avere maggiore diversificazione tra le immagini di esempio, attuando delle opportune trasformazioni. Il vantaggio di essere in presenza di oggetti virtuali è di avere un miglior controllo su tali oggetti, senza dover sottostare alle limitazioni imposte da un ambiente reale. L'obiettivo ultimo di questo lavoro è quello di addestrare una rete neurale profonda e successivamente analizzare la robustezza dell'apprendimento sottoponendo un dataset di immagini sintetiche in sostituzione o in aiuto al dataset di immagini reali.