{"id":57,"date":"2021-12-21T12:46:27","date_gmt":"2021-12-21T11:46:27","guid":{"rendered":"https:\/\/nit.it\/?p=57"},"modified":"2021-12-21T12:46:29","modified_gmt":"2021-12-21T11:46:29","slug":"applicazioni-di-pattern-recognition-scopriamo-cosa-accomuna-il-riconoscimento-dei-caratteri-il-riconoscimento-facciale-la-diagnosi-medica-e-le-traduzioni","status":"publish","type":"post","link":"https:\/\/nit.it\/index.php\/2021\/12\/21\/applicazioni-di-pattern-recognition-scopriamo-cosa-accomuna-il-riconoscimento-dei-caratteri-il-riconoscimento-facciale-la-diagnosi-medica-e-le-traduzioni\/","title":{"rendered":"Applicazioni di Pattern Recognition: scopriamo cosa accomuna il riconoscimento dei caratteri, il riconoscimento facciale, la diagnosi medica e le traduzioni."},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

L\u2019 applicazione<\/em><\/strong> pi\u00f9 semplice di Pattern Recognition<\/em><\/strong> consiste nel riconoscimento ottico dei caratteri<\/strong> partendo dalle loro immagini.<\/p>\n\n\n\n

In questo esempio vi sono pi\u00f9 classi, e precisamente tanti quanti sono i caratteri che vorremmo riconoscere.<\/p>\n\n\n\n

Particolarmente interessante \u00e8 il caso in cui i caratteri sono scritti a mano, in quanto le persone hanno stili di scrittura diversi: i caratteri possono essere scritti piccoli o grandi, inclinati, con una penna o una matita, e ci sono molte possibili immagini corrispondenti allo stesso carattere.<\/p>\n\n\n\n

Sebbene la scrittura sia un’invenzione umana, non disponiamo di alcun sistema affidabile quanto un lettore umano, e non abbiamo una descrizione formale, ad esempio, di “A” che copra tutte le lettere “A” e nessuna delle non “A”.<\/p>\n\n\n\n

In questo scenario, prendiamo campioni dagli scrittori (set di addestramento)<\/strong> e impariamo una definizione (regola)<\/strong> di \u201cA\u201d e delle \u201cnon A\u201d da questi esempi. Anche se non sappiamo cosa rende un’immagine una “A”, siamo certi che tutte quelle “A” distinte hanno qualcosa in comune, che \u00e8 ci\u00f2 che vogliamo estrarre dagli esempi. Sappiamo che l’immagine di un carattere non \u00e8 solo una raccolta di punti casuali, \u00e8 una raccolta di tratti con una regolarit\u00e0 che possiamo catturare con un programma di Machine Learning.<\/p>\n\n\n\n

Se stiamo leggendo un testo, un fattore di cui possiamo avvalerci \u00e8 la ridondanza nei linguaggi umani<\/strong>. Una parola \u00e8 una sequenza di caratteri e i caratteri successivi non sono indipendenti ma sono vincolati dalle parole della lingua. Questo ha il vantaggio che anche se non siamo in grado di riconoscere un carattere, possiamo comunque leggere la parola. Tali dipendenze contestuali possono verificarsi anche a livelli superiori, tra parole e frasi, attraverso la sintassi e la semantica della lingua. Esistono algoritmi di apprendimento automatico per apprendere sequenze e modellare tali dipendenze.<\/p>\n\n\n\n

Riconoscimento Facciale<\/strong><\/p>\n\n\n\n

Il riconoscimento facciale \u00e8 un problema pi\u00f9 complesso rispetto al riconoscimento dei caratteri, in questo caso l’input \u00e8 un’immagine e le classi sono persone da riconoscere, e il programma di apprendimento dovrebbe imparare ad associare le immagini dei volti alle identit\u00e0.<\/p>\n\n\n\n

Ma perch\u00e9 il riconoscimento facciale \u00e8 pi\u00f9 difficile rispetto al riconoscimento dei caratteri?<\/em><\/p>\n\n\n\n