Sviluppo di una rete neurale convoluzionale per la ricostruzione Multi View Stereo 3D

Uno dei campi d’impiego di maggior successo delle tecniche percettive e delle reti neurali è quello della visione artificiale.
La visione artificiale ha come scopo principale quello di riprodurre il comportamento dell’occhio umano o animale. Oggi molti sistemi necessitano di avere meccanismi di visione artificiale, tra questi si possono citare: robot, pilota automatico, armi intelligenti etc.
L’area della visione artificiale sta avanzando rapidamente grazie ad deep learning, in quanto, sperimentalmente, è stato rilevato il buon funzionamento di tale tecnica. Tuttavia, le attuali conoscenze non permettono di spiegarne le procedure di funzionamento, quindi permangono problemi di computer vision ancora molto complessi da risolvere. Tra i più comuni si possono citare:
• la classificazione di un’immagine, ad esempio individuare quale animale è raffigurato nell’immagine;
• riconoscimento facciale, cioè estrarre dall’immagine delle informazioni che permettano di identificare l’individuo raffigurato nell’immagine stessa;
• stima della profondità dei pixel di un’immagine 2D;
Nella computer vision, in tanti casi, l’input può essere molto grande. Ad esempio, se abbiamo un’immagine catturata con una fotocamera ad 1 Megapixel, avremo una dimensione pari a 1000x1000x3, cioè 3 milioni di pixel.
Avere 3 milioni di parametri di input è purtroppo un problema per le prestazioni, poiché una rete neurale standard avrebbe, per gli strumenti hardware disponibili attualmente, troppi parametri da dover gestire e aggiornare durante l’allenamento, per questo motivo spesso vengono utilizzate le reti convoluzionali.

Convoluzione e riconoscimento dei contorni
L’operazione di convoluzione è uno dei blocchi fondamentali per creare una rete convoluzionale.
Una convoluzione si può riassumere come una semplice moltiplicazione matriciale in cui la prima matrice è rappresentata dall’immagine e la seconda è quella che viene chiamato filtro convoluzionale.
Durante l’allenamento di una rete convoluzionale avviene che, nei primi livelli, essa impara a riconoscere le caratteristiche di base di un’immagine, ad esempio il riconoscimento dei contorni, e che, ad allenamento inoltrato, riesce a riconoscere caratteristiche sempre più complesse dell’immagine.
In Figura 18 è riportato un esempio di immagine in scala di grigi con un contorno verticale centrale (cambio di colore). A questa immagine viene applicato un operatore filtro (kernel) convoluzionale, il quale assume la funzione di rilevare la posizione del contorno verticale.
Per eseguire la convoluzione e calcolare gli elementi della nuova matrice si moltiplicherà, elemento per elemento, il filtro per la parte superiore sinistra della matrice, poi si eseguirà la somma e successivamente il filtro verrà fatto scorrere di una posizione, quindi si eseguirà la convoluzione. Si continuerà in questo modo fino a quando non sarà scandita tutta l’immagine(matrice) di input.

Padding e Stride
Eseguita la convoluzione, come si può notare dalla Figura 18, succede che l’output diventa più piccolo dell’immagine originale. Questo potrebbe portare ad avere dei problemi se si vuole avere un output di dimensione uguale a quello originale.
Per evitare che questo accada, si può utilizzare il padding, cioè si può aggiungere un contorno all’immagine con il valore 0.
In questo modo si otterrà un’immagine di dimensione uguale a quella originale.
Un altro parametro della convoluzione si chiama stride (passo) e indica, invece, di quanto viene traslato il filtro ad ogni passo. In Figura 18, ad esempio, è stato utilizzato uno stride uguale ad 1.

Reti neurali residuali
Le reti neurali profonde sono difficili da allenare, a causa dei problemi di scomparsa ed esplosione del gradiente dunque vengono modificate spesso per risolvere gli inconvenienti riscontrati. Una delle tecniche cui si può ricorrere è quella che ne modifica l’architettura rendendo la rete residuale.
Con le reti neurali residuali si utilizzano i parametri di attivazione di un layer per alimentare un layer successivo. In Figura 19 è riportato un esempio di blocco residuale, dove l’output del layer “l-2” viene utilizzato come input del layer “l”.
Usando i blocchi residuali è possibile allenare delle reti neurali più profonde. Infatti, se si utilizzano reti neurali convoluzionali standard, aggiungendo sempre più livelli alla rete, aumenta gradatamente l’errore di training, invece con le reti neurali residuali simili errori non si generano.
L’idea che sta alla base di questa tipologia di reti è stata impiegata nel presente lavoro per sviluppare la rete MVS-PydNet.