Go Deep Into Deloitte - Image Recognition

Il 28 Maggio si è tenuto il secondo incontro virtuale di Go Deep Into Deloitte, il tech lab organizzato in collaborazione con il Career Service del Politecnico di Milano per conoscere la nostra realtà e sfidarsi su temi legati al mondo della tecnologia.

Il tema di questa challenge virtuale è stato l’Image Recognition, l’obiettivo degli studenti era infatti quello di progettare un software in grado di effettuare il conteggio di elementi all’interno di un’immagine utilizzando un modello di Machine Learning.

In 3 ore i ragazzi hanno proposto le loro soluzioni, al termine è stata svelata la classifica finale che ha visto vincitore Lorenzo Rossi che ha avuto la possibilità di confrontarsi con i professionisti Deloitte rispetto al suo progetto vincente.

Conosciamolo insieme…

Ciao! Raccontaci qualcosa di te:

Ciao! Mi chiamo Lorenzo Rossi, ho 19 anni e sono uno studente del corso triennale in ingegneria informatica del Politecnico di Milano. Provengo da esperienze di competive programming e seguendo i miei interessi nel campo informatico, mi sono appassionato al mondo del Machine Learning venendone a conoscenza per caso. Ho iniziato realizzando piccoli progetti per gioco e solo negli ultimi tempi mi sono interessato al mondo delle competizioni di M.L. e degli Hackathon.

Come mai hai deciso di partecipare al Go Deep Into Deloitte e cosa hai imparato?

Ho voluto sperimentare le mie conoscenze teoriche con la sfida proposta, interessante nella simulazione di una situazione reale che permetteva di toccare con mano le effettive problematiche e le potenzialità del Machine Learning e dei Big Data.

Altro punto stimolante in questa sfida, per me, era il fattore tempo, infatti non era solo sufficiente trovare una buona soluzione al problema, ma era molto importante anche la rapidità nell’implementare la propria soluzione.

Complimenti per la vittoria! Descrivici la tua soluzione:

Grazie! Ho utilizzato un modello di M.L. già addestrato per estrapolare le informazioni dalle immagini, ricercando i valori utili con i dati ottenuti.

Nel corso della competizione ho provato diversi modelli di M.L. e alla fine sono riuscito ad ottenere i risultati migliori con ResNet. Successivamente ho cercato di aumentare la precisione del modello provando a variare i parametri fino ad ottenere il punteggio più alto.