| KEYWORD |
Image Processing Lab (IPL)
ADVERSARIAL ARTIFICIAL INTELLIGENCE PER CAMUFFAMENTO DI OGGETTI
Parole chiave COMPRESSIONE, COMPUTER VISION, DEEP LEARNING
Riferimenti TIZIANO BIANCHI, ENRICO MAGLI
Gruppi di ricerca ICT4SS - ICT FOR SMART SOCIETIES, Image Processing Lab (IPL)
Tipo tesi RESEARCH
Descrizione MBDA ITALIA
MBDA Italia S.p.A è un’azienda di rilievo nell’ambito della cooperazione europea in materia di difesa. MBDA Italia ha un importante background nello sviluppo di sistemi complessi, che comprende l’hardware e il software ad alta affidabilità per la realizzazione di sistemi missilistici, applicazioni spaziali e sistemi subacquei. MBDA Italia si avvale del proprio reparto Sparkworks, situato a La Spezia, dotato dei LAMBDA Laboratories, dove l’azienda conduce attività di ricerca tecnologica in numerosi ambiti, tra cui: sistemi di monitoraggio, material science, data science, intelligenza artificiale e image processing ecc.
PROGETTO
Nell’ambito dell’identificazione e della classificazione degli oggetti tramite immagini e video è nata una nuova tecnica chiamata Adversarial AI. Questa strategia ha il compito di camuffare gli oggetti (ad esempio usando dei pattern digitali) al fine di renderli non riconoscibili dai classici sistemi di rilevamento basati su Computer Vision. In particolare, gli oggetti individuati vengono classificati in maniera erronea e pertanto il sistema di rilevamento o non li identifica oppure li identifica come oggetti di natura sbagliata. L’obiettivo della tesi è quindi lo studio e lo sviluppo di questa tecnologia da due punti di vista: da un lato si vogliono creare codici capaci di riconoscere gli oggetti e classificarli in maniera corretta anche in presenza di camuffamenti basati su tecniche di Adversarial AI; dall’altro si vogliono sfruttare le tecniche di Adversarial AI per camuffare i propri sistemi e renderli non riconoscibili ai sistemi di rilevamento. L’attenzione dovrà essere rivolta non solo agli attacchi che possono essere condotti sui dataset attraverso le diverse tecniche esistenti (L-BGFS, GAN, C&W, etc) ma anche sulla realizzazione di camuffamenti reali (es pattern) per prove in laboratorio e sulle tecniche di contrasto e mitigazione (es. adversarial training)
La tesi si potrà svolgere in smart working con meeting periodici presso la società. E' previsto un rimborso spese complessivo di 500 euro.
Conoscenze richieste Basic deep learning skills, including Python and usage of Pytorch or Tensorflow.
Scadenza validita proposta 10/06/2025
PROPONI LA TUA CANDIDATURA