Visione artificiale
A.A. 2024/2025
Obiettivi formativi
Obiettivo dell'insegnamento è fornire elementi che consentano di inferire uno stato del mondo reale da immagini digitali o video. Queste competenze vertono in particolare sulla capacità di ricostruire tridimensionalmente oggetti e di elaborare e riconoscere elementi o azioni di una scena.
Risultati apprendimento attesi
- Conoscere i principi alla base della formazione delle immagini
- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali
- Conoscere le tecniche di apprendipento legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali
- Conoscere le tecniche di apprendipento legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
Il corso propone allo studente l'apprendimento delle tematiche fondamentali della visione artificiale, con particolare attenzione ai seguenti argomenti:
* Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
* "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
* Machine learning
- Linear Neural Networks
- Multilayer perceptrons
- Deep Learning Computation
- Convolutional Neural Networks
- Transformers
- Recurrent Neural networks
- Graph Neural Networks
- Generative models
* Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
* "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
* Machine learning
- Linear Neural Networks
- Multilayer perceptrons
- Deep Learning Computation
- Convolutional Neural Networks
- Transformers
- Recurrent Neural networks
- Graph Neural Networks
- Generative models
Prerequisiti
E' consigliabile la conoscenza delle nozioni fondamentali di:
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
Metodi didattici
Lezioni frontali e demo in python
Materiale di riferimento
Web site:
https://github.com/lanzarotti/
Class material:
- Lecture slides
- Software code for exercises
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer
- A. Zhang, Z.C. Lipton, M. Li, A.J. Smola - Dive into Deep Learning
https://github.com/lanzarotti/
Class material:
- Lecture slides
- Software code for exercises
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer
- A. Zhang, Z.C. Lipton, M. Li, A.J. Smola - Dive into Deep Learning
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in una prova scritta con domande aperte o di un progetto di approfondimento concordato col docente che prevede la consegna di una relazione e del codice prodotto, nonché la presentazione del progetto stesso.
La valutazione è espressa in trentesimi.
La valutazione è espressa in trentesimi.
INF/01 - INFORMATICA - CFU: 6
Lezioni: 48 ore
Docente:
Lanzarotti Raffaella
Turni:
Turno
Docente:
Lanzarotti RaffaellaDocente/i