Machine Learning and Perception

Cluster di dipartimento

  • Intelligenza artificiale

Descrizione

Il gruppo si colloca all'interno della disciplina del Machine Learning (apprendimento automatico). La missione del gruppo è quella esplorare lo studio e la costruzione di algoritmi che possano apprendere da un insieme di dati e fare delle predizioni su questi, costruendo di fatto un modello induttivo basato su campioni. Il fine ultimo è quello di analizzare ed interpretare dati eterogenei (p.e., video, audio, misure, ecc.) al fine costruire sistemi avanzati in grado di emulare il comportamento umano per semplificare e rendere possibile lo svolgimento di compiti altrimenti eccessivamente onerosi o difficili da parte degli operatori umani (guida autonoma, identificazione di anomalie, valutazioni esami clinici, etc.). Particolare attenzione viene rivolta ai sistemi applicabili in ambito reale. Le soluzioni ideate dal gruppo vengono applicate a diversi domini, con uno speciale interesse verso la robotica. Le ricerche svolte hanno carattere multidisciplinare ed approfondiscono relazioni fra Informatica, Ingegneria, Statistica e Matematica.

Linee di ricerca

  • Studio e sviluppo di modelli matematici che possono essere utilizzati sia per ottenere una comprensione delle reti neurali biologiche, ma ancor di più per risolvere problemi ingegneristici di intelligenza artificiale come quelli che si pongono in diversi ambiti tecnologici.
  • Sviluppo di nuove tecniche di pattern recognition basate su subspace methods, incremental learning, representation learning e deep learning per l’estrazione automatica delle caratteristiche descrittive e salienti di un elemento d’immagine senza alcuna informazione a priori.
  • Sviluppo di algoritmi che permettono il trasferimento della conoscenza acquisita mediante l’utilizzo di approaci supervisionati applicati ad uno specifico problema e ne consentono l’applicazione in un nuovo dominio
  • Sviluppo di tecniche e sistemi di apprendimento automatico che puntano ad attuare sistemi in grado di apprendere ed adattarsi alle mutazioni dell'ambiente in cui sono immersi attraverso la distribuzione di una "ricompensa" (detta rinforzo )che consiste nella valutazione delle loro prestazioni.
  • Realizzazione di sistemi di intelligenza artificiale atti a simulare il comportamento umano in ambienti specifici (p.e., ambienti industriali, videogiochi, guida veicoli,ecc.).
  • Studio di algoritmi di apprendimento non supervizionato. Particolare enfasi è posta alla realizzazione di reti nerurali “contraddittorie” in cui il sistema è composto da due reti neurali che si contendono l'una contro l'altra in un framework del tipo zero-sum.
  • Sviluppo di nuove tecniche e di algoritmi avanzati per l’analisi di immagini atti ad rilevare, identificare e fornire informazioni dettagliate riguardo al piatto rappresentato.
  • Sviluppo di algoritmi di machine Learning, basati su dati biometrici estratti da sensori indossabili, per l’analisi dei movimenti degli arti di una persona nell'ambito della riabilitazione fisioterapica.

Settori ERC

  • PE6_11 Machine learning, statistical data processing and applications using signal processing (e.g. speech, image, video)
  • PE6_7 Artificial intelligence, intelligent systems, natural language processing
  • PE6_8 Computer graphics, computer vision, multimedia, computer games
  • PE7_8 Networks: communication networks and nodes, Internet of Things, sensor networks, networks of robots
  • PE7_10 Robotics

Etichette libere

  • Machine Learning, Riconoscimento di pattern, Alberi e reti neurali artificiali, Deep Learning
  • Reinforcement Learning, Transfer learning, Food understanding, Artificial Intelligence
  • Robotics, Sensor Networks

Componenti

Christian MICHELONI
Gian Luca FORESTI
Niki MARTINEL
Claudio PICIARELLI