Introduzione alle Reti Neurali Convoluzionali

Abstract

Negli ultimi anni, il deep learning ha rivoluzionato il campo dell'intelligenza artificiale, consentendo lo sviluppo di modelli capaci di apprendere autonomamente dai dati. Le reti neurali convoluzionali (CNN) rappresentano una delle tecnologie più avanzate in questo settore, particolarmente efficaci per l'elaborazione e la classificazione delle immagini. Questa tesi esplora il funzionamento delle CNN, partendo dai concetti fondamentali delle reti neurali artificiali e approfondendo le tecniche di addestramento, inclusi il gradiente stocastico e la backpropagation.

Vengono analizzate le architetture più rappresentative delle CNN, come LeNet, AlexNet e VGGNet, illustrandone i punti di forza e le differenze. Inoltre, attraverso un'implementazione pratica in MATLAB, viene mostrato il processo di configurazione, addestramento e ottimizzazione di una rete neurale per la classificazione delle immagini. I risultati evidenziano l'importanza della scelta dei parametri e delle tecniche di ottimizzazione per migliorare le prestazioni del modello.

In recent years, deep learning has revolutionized the field of artificial intelligence, enabling the development of models capable of autonomously learning from data. Convolutional Neural Networks (CNNs) represent one of the most advanced technologies in this domain, particularly effective for image processing and classification. This thesis explores the functioning of CNNs, starting from the fundamental concepts of artificial neural networks and delving into training techniques, including stochastic gradient descent and backpropagation.

The most representative CNN architectures, such as LeNet, AlexNet, and VGGNet, are analyzed, highlighting their strengths and differences. Furthermore, through a practical implementation in MATLAB, the process of configuring, training, and optimizing a neural network for image classification is demonstrated. The results emphasize the importance of parameter selection and optimization techniques to improve model performance.