#AI #computerVision #CNN #VGG #VGG16 #VGG19 #deepLearning #classification #TateoBlog #TILLL
🎯Nel campo della visione artificiale, uno degli obiettivi fondamentali è permettere alle macchine di riconoscere e interpretare correttamente il contenuto di immagini e video. Nel 2014, la rete neurale VGG16 dimostrò che aumentando la profondità di una rete e organizzando l'elaborazione attraverso una sequenza di piccoli filtri convoluzionali (CNN) era possibile ottenere risultati molto accurati nel riconoscimento delle immagini.
Sviluppata presso l'Università di Oxford dal Visual Geometry Group, da cui deriva l'acronimo VGG, la rete proposta da Karen Simonyan e Andrew Zisserman ottenne risultati eccellenti nella competizione ImageNet 2014, contribuendo ad affermare un principio che avrebbe influenzato profondamente l'evoluzione delle reti neurali per la computer vision.
La semplicità concettuale della sua progettazione, unita all'affidabilità dei risultati ottenuti, ha reso VGG16 una delle architetture più note e studiate nella storia della disciplina.
🛠️L'idea alla base di VGG16 è costruire una rete profonda (Deep Learning) composta da numerosi livelli di elaborazione disposti in modo ordinato e regolare. Invece di utilizzare operazioni particolarmente complesse, l'architettura si basa sulla ripetizione sistematica di piccoli filtri convoluzionali (CNN) che permettono di estrarre progressivamente informazioni sempre più significative dalle immagini.
La profondità della rete rappresenta quindi l'elemento centrale della progettazione: ogni livello contribuisce ad affinare l'analisi eseguita dal livello precedente, consentendo alla rete di riconoscere con maggiore accuratezza caratteristiche, dettagli e schemi presenti nelle immagini.
Una metafora utile è quella di un tecnico esperto che osserva metodicamente un'immagine, esaminandola passo dopo passo per comprenderne il contenuto.
📦 Il nome VGG16 deriva dalla presenza di 16 livelli dotati di parametri addestrabili: 13 livelli convoluzionali e 3 livelli completamente connessi.
Da questa stessa filosofia progettuale nasce VGG19, considerata l'evoluzione naturale di VGG16. L'architettura mantiene la stessa impostazione semplice e ordinata, ma introduce ulteriori livelli di elaborazione per aumentare la capacità di riconoscere dettagli e schemi più complessi.
Per questo motivo VGG19 può essere vista come lo stesso tecnico descritto per VGG16 che esegue qualche controllo aggiuntivo prima di formulare la propria valutazione. Tale maggiore capacità di analisi comporta però un costo in termini di risorse computazionali, richiedendo più memoria e maggiore potenza di calcolo rispetto a modelli più recenti.
Nonostante l'evoluzione delle architetture moderne, sia VGG16 sia VGG19 continuano ancora oggi a essere largamente utilizzate come modelli di riferimento e come punto di partenza per numerose applicazioni di ricerca e di Intelligenza Artificiale.
TILLL / 🏠 HOME / 🎓 Learning / ...
1. 🧠 Intelligenza Artificiale (AI); Titolo: Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 🔗: https://tateoblog.blogspot.com/p/artificial-intelligence.html. Paragrafo: §8.4.1. VGG16/19: semplicità e robustezza.
2. 👁️ Visione Artificiale (VS); Titolo: La riproduzione della visione umana per mezzo di un sistema artificiale; 🔗:https://tateoblog.blogspot.com/p/vs-visione-artificiale.html.
2. 🌐Visual Geometry Group (VGG) University of Oxford, Link: https://www.robots.ox.ac.uk/~vgg/
3. 🌐 Very Deep Convolutional Networks for Large-Scale Image Recognition, Karen Simonyan, Andrew Zisserman (Oxford VGG), Link: https://arxiv.org/abs/1409.1556
4. 🌐 Documentazione Keras, VGG16 e VGG19 Applications. Questa è probabilmente la migliore fonte pratica per comprendere le differenze tra VGG16 e VGG19, quali la struttura generale; l’utilizzo nel transfer learning; esempi applicativi. Link: https://keras.io/api/applications/vgg/
