Nell'ambito della Visione Artificiale assume un'importanza centrale lo sviluppo di sistemi automatici affidabili e scalabili per il riconoscimento visuale di persone, oggetti, scene e singoli segni visivi in condizioni reali difficili o estreme, spesso caratterizzate da variazioni in termini di illuminazione, orientamento, deformazioni, occlusioni, espressioni o scarsa disponibilità e qualità dei dati. Lo studio dei problemi di riconoscimento automatico di persone e oggetti è inoltre motivato dalla crescente rilevanza delle tecnologie di cybersicurezza per la protezione di asset ed ecosistemi digitali strategici per un'organizzazione.

I sistemi AI moderni integrano modelli di Deep Learning predisposti su dataset massivi con metodi di Machine Learning tradizionali, come la rappresentazione e codifica sparsa con capacità discriminante, anche mediante tecniche di transfer learning, mirando a riconoscere oggetti e persone in presenza di pochi o un singolo campione per classe, ovvero in scenari di few-shot o one-shot learning. Un’estensione significativa riguarda la modellazione dello spazio motorio somatico per l’analisi delle espressioni facciali affettive, permettendo interazioni uomo-macchina più sensibili al contesto emozionale. Inoltre, sono stati introdotti meccanismi per la stima del grado di affidabilità per ogni riconoscimento prodotto, in modo da migliorare l’interpretabilità del sistema.

L’impatto di questa ricerca si estende a contesti cosiddetti phygital o cyberphysical quali le tecnologie assistive per la persona, le interfacce utente e le piattaforme social emotion-aware, il riconoscimento biometrico, dove sono richieste affidabilità e adattabilità del sistema in condizioni operative variegate difficili.

Parole chiave e temi trattati:

Image Recognition, Sparse Representation, Deep Learning Features, Few-shot and One-shot Learning, Discriminant Analysis, Affective Computing, Large-Scale Biometrics, Identity Confidence

Persone coinvolte:

Jianyi Lin