/// Ricerca

Paper e brevetti

Le ricerche che faccio per conto mio, fuori dall'orario di lavoro, e i brevetti nati dal lavoro in azienda. In tutti e due i casi cerco il punto in cui le cose smettono di funzionare, e racconto quello.

Ricerca indipendente · dicembre 2025

The Illusion of Robustness: How Generator Imbalance Undermines AI-Image Detection

I rilevatori di immagini generate dall'AI vengono di solito presentati con un'unica accuratezza aggregata. Quel numero nasconde un bias: come è bilanciato il training set tra i diversi generatori.

Risultati principali

  • Tenendo fissi feature, modello, preprocessing e test set, e cambiando solo la distribuzione dei generatori, l'accuratezza su SDXL passa dal 35,7% all'82,9%: una variazione del 132%.
  • Le feature spettrali generalizzano in modo disomogeneo: con una cross-validation leave-one-generator-out i generatori moderni (ChatGPT, Gemini, SDXL) arrivano a circa l'80% di accuratezza su dati mai visti, quelli più vecchi (DALL·E 2, MidJourney) scendono a circa il 32%.
  • L'effetto non dipende dalle feature: una baseline ResNet50 mostra la stessa sensibilità, quindi riguarda i rilevatori in generale e non una singola architettura.
  • Individua una categoria di bias a sé, lo sbilanciamento di dominio a livello di generatore, distinta dai bias di compressione, risoluzione e contenuto.

Ricerca indipendente · novembre 2025

StoryHash: Lightweight Multi-Modal Fusion for Robust Video Retrieval

Il video retrieval deve resistere a ritagli, compressione e cambi di velocità senza perdere precisione semantica. StoryHash fonde segnali visivi, temporali e strutturali in un unico vettore compatto.

Risultati principali

  • Combina embedding visivi (CLIP), temporali (azioni) e strutturali (scene graph) in un unico vettore a 527 dimensioni.
  • Raggiunge il 98,6% di Recall@1 e una similarità media di 0,9748 su 89 video DAVIS, 14 tipi di trasformazione e 1.242 test.
  • L'ablation mostra una dicotomia: le feature di azione aggiungono il 28% di similarità ma solo lo 0,4% di Recall@1. Alzano la confidenza molto più del tasso di riconoscimento.
  • Feature temporali leggere (15 dimensioni, 2,8% di overhead) catturano gran parte di quel guadagno: un argomento a favore dei design efficienti rispetto ai modelli temporali costosi.
  • Individua un bias di CLIP sul ribaltamento verticale (84,3% di riconoscimento) e mostra che la rotazione è l'unica trasformazione in cui le feature di azione aiutano il riconoscimento.

brevetti

Sono inventore o co-inventore in quattro domande di brevetto su controllo macchina, sicurezza e AI industriale. Una è stata concessa, due sono in esame e una non è ancora pubblicata. Qui sotto trovi le tre pubbliche.

Method for optimising the movement of a machine for working panels

Due reti neurali ottimizzano in tempo reale una macchina che lavora pannelli. La prima, con un clustering semi-supervisionato, ricava dai sensori un modello del comportamento della macchina. La seconda, con il deep reinforcement learning, modifica le istruzioni di movimento per distribuire usura e consumi in modo uniforme tra le unità di lavoro. Co-inventore.

Cercalo su Espacenet →

Plant and method for machining a semiproduct

Un impianto per la lavorazione di semilavorati in legno in cui, oltre ai dispositivi di sicurezza, una telecamera con visione artificiale controlla l'operatore e riconosce le azioni pericolose che i dispositivi non hanno fermato.

Cercalo su Espacenet →

Collision detection method for a machine tool

Rilevamento delle collisioni per l'unità di controllo di una macchina utensile, confrontando le proiezioni ortogonali dell'utensile e della cuffia della macchina su un piano di proiezione comune.

Cercalo su Espacenet →

Vuoi commentare, citare o contestare?

> Scrivimi, va bene tutto_