Application of Deep Learning and Machine Learning techniques. For the optimization part, AutoML was applied in order to obtain good models.
Ogni file è di seguito descritto:
-
DataAugmentationForObjectDetection-master: contiene script utili per la Data Augmentation per l'object Detection (fonte: https://blog.paperspace.com/data-augmentation-for-bounding-boxes/)
-
CNN - sliding window: implementazione convoluzionale dell'algoritmo di sliding window.
-
Multi-task model & SigOpt opt: creazione del modello CNN multi-task con implementazione di tecniche di ottimizzazione tramite la libreria SigOpt.
-
Cluster Analysis: Feature extraction sul dataset handcrafted e analisi dei cluster per l'interpretazione dell'apprendimento della rete. Vi sono anche le visualizzazioni delle feature map della rete per i vari layer.
-
Collegamento tra le reti: Script che permette di collegare l'output della rete CNN - sliding window all'input della rete multi-task. Vi sono anche funzioni utili per la demo live.
-
Import dei dati: codice che permette di importare le immagini dalle cartelle per poi esportare i dati in formato numpy array.
-
Progetto_audio_segnali_automl: Sviluppo dei modelli (MLP per il riconoscimento dell'identità e del contenuto dei file audio) e ottimizzazione degli stessi con AutoML.
-
rec_voci: registrazione dei comandi vocali.
-
Audio_recognition: Feature Extraction e Feature Selection per i file audio.
-
Demo_Riconoscimento_Vocale: script che implementa funzioni utili per il processing di file audio per la demo live.
-
Demo Live - Immagini: script che implementa funzioni utili per la demo live nel processing di immagini.
-
Scraping_Segnali: script che permette di effettuare lo scraping dal sito http://quizscuolaguida.altervista.org/.
-
Transfer_learning_segnali_stradali: è stato utilizzato per poter applicare il Transfer Learning per il task di classificazione di presenza o non presenza del segnale stradale all'interno di un immagine.
-
Classificazione_multiclasse_transfer_learning: è stato usato per risolvere il task di classificazione del segnale e di bounding box, mediante l'utilizzo del transfer learning.
I dataset utilizzati sono disponibili on-line ai seguenti link: