Apprendimento efficiente e non supervisionato su Immagini di plankton attraverso la compressione di caratteristiche estratte da reti neurali profonde

Abstract

Gli organismi del plancton svolgono un ruolo chiave nell'ambiente acquatico: si trovano alla base della catena alimentare acquatica, con un coinvolgimento cruciale nella regolazione del clima e nella produzione di ossigeno. Inoltre, le loro caratteristiche biologiche uniche e la sensibilità a modifiche sottili nel loro ambiente, li rendono uno strumento fondamentale per valutare la salute degli ecosistemi acquatici e monitorare l'impatto dei cambiamenti climatici. Negli ultimi anni, lo sviluppo di sistemi automatici per l'acquisizione di immagini in situ ha generato una grande quantità di immagini di plancton, rendendo impraticabile la classificazione manuale da parte degli esperti. Per affrontare questa sfida, le tecniche di apprendimento automatico e apprendimento profondo sono state ampiamente impiegate per la classificazione delle immagini di plancton. Tuttavia, la maggior parte di questi approcci sono supervisionati, richiedendo ricchi set di dati annotati da umani. In questa tesi forniamo un'analisi approfondita delle tecniche sviluppate dalla comunità scientifica riguardo a questo problema e, soprattutto, proponiamo un metodo completamente non supervisionato che migliora il potere rappresentativo delle caratteristiche estratte dai grandi modelli di visione pre-addestrati su ImageNet, un dataset di grandi dimensioni e ad uso generale per la classificazione delle immagini. Sviluppando un metodo di compressione che riduce notevolmente la dimensionalità delle caratteristiche profonde estratte automaticamente, che chiamiamo Reconstruction-VAE, consentiamo l'applicazione di algoritmi non supervisionati efficienti, dimostrando che è possibile migliorare sostanzialmente le prestazioni di base dell'apprendimento non supervisionato applicato all'analisi delle immagini di plancton.

Plankton organisms play a key role in the aquatic environment: they are at the bot- tom of the aquatic food chain, with crucial involvement in climate regulation and oxygen production. In addition, their unique biological characteristics and sensitivity to subtle modifications in their environment, make them a fundamental tool for assessing the health of aquatic ecosystems and monitoring the impact of climate change. In the last few years, the development of automatic systems for in-situ image acquisition has been generating a massive amount of plankton images, making expert manual classification impractical. To address this challenge, machine learning and deep learning techniques have been widely employed for plankton image classification. However, most of these approaches are super- vised, necessitating rich datasets of human-annotated data. In this thesis we provide a rich analysis of the techniques developed from the scientific community with regard to this problem and, more importantly, we propose a fully unsupervised method that enhances the representational power of features extracted from large vision models pre-trained on ImageNet, a big-size and general-purpose dataset for image classification. By developing a compression method that significantly reduces the dimensionality of automatically ex- tracted deep features, which we call Reconstruction-VAE, we enable the application of efficient unsupervised algorithms, showing that is possible to substantially improve the baseline performance of unsupervised learning applied to plankton image analysis.