Enhancing Deep Learning Methodologies under Limited Labelled Data [Migliorare le metodologie di deep learning con pochi dati annotati]

Deep learning has achieved remarkable success across a wide range of tasks, yet its dependence on large-scale, fully annotated datasets remains a critical bottleneck, especially in scenarios where annotations are expensive, ambiguous, or hard to obtain. This thesis investigates strategies to mitigate annotation scarcity by developing methods that learn effectively from limited supervision, with a particular focus on unsupervised domain adaptation, open-set recognition, and weak supervision. Firstly, this thesis addresses the challenge of source-free open-set unsupervised domain adaptation, where no access to source data is available and the target domain contains previously unseen classes. This research proposes a methodology that takes advantage of the granularity of unknown categories by segregating their samples into multiple unknown classes, enabling robust adaptation with new semantics. Moreover, this thesis explores the role of textual information for guiding the adaptation of visual models under complex domain shifts. We show that integrating textual data provides robustness to complex shifts, improving the unsupervised adaptation on target domains. Finally, this thesis explores the possibility to perform density estimation requiring in the absence of location-level annotations. We introduce a novel approach that leverages global image-level information to predict spatially meaningful density maps, achieving competitive results with significantly reduced annotation cost. Overall, this thesis contributes to improving deep learning training in scenarios where annotated data is scarce or only partially available, enabling broader real-world applications in resource-limited domains, such as healthcare, agriculture or autonomous systems.

Deep learning ha raggiunto un successo notevole in una vasta gamma di applicazioni, tuttavia la sua dipendenza da grandi dataset annotati rimane un problema critico, specialmente in scenari dove le annotazioni sono costose e difficili da ottenere. Questa tesi ricerca strategie per mitigare la scarsità di annotazioni sviluppando metodi in grado di apprendere efficacemente con supervisione limitata, con un focus particolare su unsupervised domain adaptation, open-set recognition e weak supervision. Dapprima, questa tesi affronta le sfide poste dal setting di source-free open-set unsupervised domain adaptation, dove i dati del source domain non sono disponibili durante l'adattamento del modello e il target domain contiene classi non viste precedentemente. In questo scenario, questa tesi propone una metodologia che sfrutta la granularità delle classi sconosciute e racchiude i loro sample in multiple classi sconosciute, migliorando cosi l'adattamento del modello in presenza di nuove semantiche. Inoltre, la tesi investiga il ruolo del testo come guida di modelli visuali in condizioni di shift complessi. La ricerca proposta mostra che integrando il testo nella metodologia il modello visuale diventa più robusto agli shift migliorando, di conseguenza, l'adattamento al target domain. Infine, questa tesi esplora la possibilità di effettuare stime di densità in assenza di annotazioni precise. Introduciamo un approccio innovativo che sfrutta informazioni globali per predire mappe di densità spazialmente significative, ottenendo risultati competitivi con costi di annotazione significativamente ridotti. Complessivamente, questa tesi contribuisce a migliorare l'addestramento di modelli di deep learning in scenari con limitata quantità di dati annotati, aprendo la possibilità di applicare queste tecnologie più ampiamente in contesti reali e domini a risorse limitate come la sanità, l'agricoltura o i sistemi autonomi.