Pixel e significato: sfida irrisolta dal 2003, il relevance feedback torna soluzione chiave nel 2023.
Nel 2003, la revisione di Zhou e Huang aveva già sistematizzato il relevance feedback nel recupero di immagini basato sul contenuto: un filone maturo, fatto di tecniche note e domande chiare. Vent’anni dopo, una survey completa sui sistemi Content-Based Image Retrieval — presentata a dicembre 2023 e rivista l’ultima volta lo scorso 26 agosto — riparte dallo stesso punto: il semantic gap non è chiuso. Non un passo avanti, un déjà vu.
Per capire il cortocircuito serve una definizione minima. I sistemi CBIR — Content-Based Image Retrieval, recupero di immagini in base al contenuto — cercano di identificare e recuperare immagini visivamente simili a partire dalle caratteristiche del contenuto: colori, forme, texture. Non si affidano a parole chiave. Hanno anche un ruolo nel riconoscimento di oggetti. Ma qui si annida il problema: il semantic gap, la distanza tra ciò che l’algoritmo misura — numeri e pixel — e ciò che un essere umano intende quando guarda la stessa immagine. È un problema di significato, non di potenza di calcolo.
Per un editore o un marketplace, la promessa è concreta: trovare immagini simili senza dipendere da didascalie o tag compilati a mano. In teoria, un sistema del genere riconosce una foto di un prodotto, di un luogo o di una scena e ne propone altre visivamente vicine. In pratica, la distanza tra pixel e significato resta il nodo.
Vent’anni di déjà vu
Il déjà vu si misura nei titoli e nei temi. La survey non si limita a descrivere i sistemi CBIR: elenca le sfide, e tra queste mette il semantic gap e la scalabilità. Poi propone la soluzione più nota. È il relevance feedback: l’utente indica quali immagini sono pertinenti e il sistema affina i risultati in modo iterativo. La stessa logica era già stata sistematizzata nel 2003. Allora sembrava una frontiera; ritrovarla al centro della discussione dice che le fondamenta del problema non sono cambiate.
Negli ultimi vent’anni sono entrati in campo strumenti nuovi. Eppure la ricetta indicata dalla survey resta interattiva: l’utente corregge, il sistema riprova. È un approccio sensato, ma anche un segnale. Se il deep learning ha alzato l’asticella in molti campi, qui il nodo non è stato sciolto. La domanda che resta aperta è semplice: perché? La risposta va cercata nel compito stesso, non negli strumenti.
Deep learning, sì. Ma per fare cosa?
La survey non si ferma alla fotografia del problema. Passa in rassegna le armi tecniche: machine learning, deep learning, reti neurali convoluzionali. Le reti convoluzionali, in termini pratici, sono modelli progettati per analizzare immagini e imparare caratteristiche visive senza descrizioni manuali. Sulla carta sono lo strumento giusto per ridurre il semantic gap: invece di dire all’algoritmo cosa cercare, lo si lascia imparare da grandi quantità di esempi.
Ma c’è un contrasto che pesa. La survey indaga questi strumenti per migliorare le prestazioni dei sistemi CBIR, eppure il progresso reale resta difficile da misurare. Il motivo è strutturale: senza un compito definito in modo condiviso, ogni modello viene valutato con criteri propri. Non si sa se un sistema è migliore di un altro, né rispetto a cosa. Il deep learning entra in campo, ma il campo non ha regole.
C’è anche la scalabilità. Una cosa è cercare tra poche migliaia di immagini, un’altra è farlo su archivi da milioni di elementi. La survey la elenca come sfida. Ma senza parametri comuni, anche la scalabilità rischia di restare una dichiarazione di principio: non sappiamo quanto un sistema regga quando il numero di immagini cresce.
Il buco vero: nessun benchmark, nessuna definizione
Ed è qui che la survey tocca il punto più scomodo. Il problema chiave per il progresso del recupero semantico delle immagini, come rilevava già un’analisi dedicata, è la mancanza di una definizione standardizzata del compito e di un dataset di benchmark appropriato. Non è un limite algoritmico: è un vuoto di definizione. Se non sappiamo che cosa significa «immagine semanticamente simile», come possiamo stabilire se un sistema la trova davvero?
La survey del dicembre 2023 non chiude il semantic gap: lo riapre. Per chi pubblica immagini online — editori, marketplace, archivi — il problema non è se il deep learning funziona. È se sapremo mai valutarlo.
