Classificazione di profili ad alta risoluzione tramite l'utilizzo di reti neurali convoluzionali

Più volte è stato dimostrato che una rete neurale a 3 livelli, ovvero composta da un livello di input, uno strato nascosto e un livello di output, può distinguere regioni arbitrariamente complesse; ciò significa che questo tipo di rete è un approssimatore universale. Perché, dunque, è stato necessario sviluppare l’apprendimento profondo? Nel recente passato l’asticella di difficoltà nei problemi di apprendimento automatico si è alzata moltissimo, rendendo inadeguate le tecniche di classificazione descritte in precedenza. In particolare il numero di dati a disposizione è cresciuto in maniera esponenziale: si parla oggi di Big Data. Con questo termine si indica un dataset talmente grande da richiedere strumenti non convenzionali per estrapolare, gestire e processare informazioni entro un tempo ragionevole. Non esiste una dimensione di riferimento, ma, anzi, questa è in continua evoluzione poiché i calcolatori sono sempre più veloci ed i dataset sono sempre più grandi.
Volendo risolvere un problema di classificazione di una mole enorme di dati tramite una rete neurale artificiale a 3 livelli si andrebbe incontro a diversi problemi: innanzitutto la complessità della regione da riconoscere è limitata dal numero di nodi per ciascun livello; quindi in questo tipo di problemi servirebbero un numero elevatissimo di neuroni nello strato nascosto per il raggiungimento della soluzione ottima. Inoltre si dovrebbe affrontare uno sforzo computazionale considerevole, oltre ad un ingente utilizzo della memoria.
Ogni giorno moltissime persone utilizzano il web per comunicare, per ottenere e scambiare informazioni e per accedere ad una grande quantità di servizi on-line, riversando, più o meno consapevolmente, un’enorme quantità di dati nel web. Inoltre la produzione di dati all’interno delle aziende è aumentata considerevolmente rispetto al passato. Questa crescita esponenziale dei dati disponibili in termini di volume, di varietà e di velocità è un patrimonio di inestimabile valore. Dai dati di partenza, infatti, possono essere estrapolati nuovi pattern e, quindi, nuove informazioni che non risultavano esplicite in un primo momento.
Per gestire questa enorme mole di informazioni è necessaria l’Intelligenza Artificiale, ovvero una branca dell’informatica che, grazie ad un incredibile progresso tecnologico, permette di sviluppare tecniche di apprendimento per calcolatori elettronici finalizzate a rendere le loro scelte autonome ed istantanee.
Tali tecniche di apprendimento permettono ai calcolatori di trovare caratteristiche comuni tra vari dati all’interno di un insieme di dati di partenza, cioè un dataset. In questo modo, in un secondo momento, lo stesso calcolatore sarà in grado di riconoscere le caratteristiche “imparate” precedentemente su un nuovo insieme di dati a lui inizialmente sconosciuto.
Sia in ambito civile che militare risulta di enorme interesse il riconoscimento automatico ed istantaneo di navi, aerei o veicoli in generale. In questo contesto nasce il seguente progetto, il quale si pone l’obiettivo di addestrare un calcolatore al fine di classificare in modo accurato quattro tipi di navi italiane tramite il riconoscimento di segnali radar o, meglio, di High Range Resolution Profiles. Percentuali di classificazioni corrette sono considerate buone se superiori all’80%, ottime se superiori al 90%. Il lavoro è stato svolto in collaborazione con la società MBDA Italia S.p.A., sotto la guida dell’Ing. Ferdinando Cicciù, dell’Ing. Luigi Ridolfi e la continua supervisione del Prof. Mario Sassano.
Lo svolgimento del lavoro è stato suddiviso in tre fasi principali:
• Generazione del dataset. Il dataset si compone di un insieme di coppie {campione-etichetta}, nelle quali ogni campione è un High Range Resolution Profile; questi profili saranno analizzati in dettaglio nel capitolo 1. Il dataset è costituito da un numero elevatissimo di campioni e la sua generazione è mostrata nel capitolo 2.
• Classificazione. Nel capitolo 3 vengono introdotte le nozioni di base sull’Intelligenza Artificiale. Queste sono applicate nella fase di addestramento per il quale saranno utilizzate sia tecniche “classiche” di Machine Learning, presentate nel capitolo 4, sia tecniche di ultima generazione basate sul Deep Learning, presentate nei capitoli 5 e 6.
• Analisi dei risultati. La migliore soluzione al problema è stata ottenuta grazie a numerosi test di post-processing, i quali hanno aiutato a migliorare le precedenti classificazioni sia dal punto di vista dell’accuratezza delle predizioni, sia dal punto di vista dell’affidabilità nei casi reali. Il riassunto dei risultati è presentato nel capitolo 7.