Hybrid Random Forests: un nuovo approccio alla classificazione delle immagini

In recent years, the number of digital images has grown enormously, introducing new challenges in Image Classification that had not emerged for smaller datasets. In particular, the management of ever-increasing datasets, in which not only the amount of training images but also the number of classes grows over time, is a hitherto under-explored situation. In this thesis, the variant of the standard Random Forest proposed combines generative and discriminative nodes in order to overcome this problem. This new approach allows the integration of data from new classes in a way that extends the previously constructed forest, rather than training it again from scratch. The experiments conducted show that this classifier achieves encouraging results compared to the state of the art, offering, in addition, the possibility of incremental learning.

Negli ultimi anni il numero di immagini digitali è cresciuto in modo estremamente rapido, introducendo nuove sfide nell'ambito dell'Image Classification che non erano emerse per dataset più ridotti. In particolare, la gestione di insiemi di dati in continuo aumento, in cui non solo la quantità di immagini di training, ma anche il numero di classi cresce nel tempo, costituisce un problema finora poco esplorato. In questa tesi si propone una variante della Random Forest standard, che combina nodi generativi e nodi discriminanti al fine di ovviare a tale problema. Questo nuovo approccio consente di integrare i dati di nuove classi in modo da estendere la foresta precedentemente costruita, piuttosto che addestrarla nuovamente da zero. Gli esperimenti svolti dimostrano che questo classificatore raggiunge risultati incoraggianti rispetto allo stato dell'arte, offrendo, in aggiunta, la possibilità di apprendere in modo incrementale.