Applicazione di metodi multi-relazionali all'elaborazione delle immagini

Introduzione Negli ultimi anni l’utilizzo di contenuti digitali (in particolare immagini e video) e cresciuto fortemente tanto da originare un problema di Information Overload [123]. Per cui sono stati proposti diversi sistemi che organizzano l’informazione e rendono meglio fruibili i contenuti all’utente nale. Tra questi sistemi, i pi u popolari sono FlickR, Google Image Labeler [130] e ALIPR [129], che permettono agli utenti del Web 2.0 di annotare, tramite tecniche di tagging 1 [3], le proprie o le immagini altrui. Il tagging per o non e la soluzione denitiva, in quanto i tags, assegnati manualmente o automaticamente, spesso descrivono male e solo in parte l’oggetto digitale (immagine, video o audio). Per tale motivo diventa indispensabile descrivere, ad esempio, un’immagine tramite il suo stesso contenuto ed utilizzare le tecniche di tagging solo come supporto all’organizzazione. Partendo da questa idea e mettendo a disposizione i propri metodi, il Machine Learning, una branca dell’Articial Intelligence ha cominciato a studiare dei modelli e successivamente dei metodi detti Content Based [128], che cercano di riconoscere il signicato di un oggetto digitale a partire dal suo contenuto. Il ne e migliorare le applicazioni che si occupano di Classication [12], Retrieval [10, 11], Understanding [37] dell’immagine. In particolare saranno espansi gli ar- gomenti (o tasks) di Classication e Understanding. Nella letteratura del Machine Learning, sono state sviluppate moltissime tecniche sia per la Classication che per l’Understanding dell’immagine. Principalmente di- stinguiamo due tipi di approcci: classico e relazionale. Nel primo si utilizzano descrizioni dell’immagine che sono tipicamente matrici di dati, cio e descrizioni at, computazionalmente pi u veloci, ma che forniscono dei 1 Il tagging e una tecnica che permette di allegare alle immagini metadati testuali.