Visione artificiale
A.A. 2026/2027
Obiettivi formativi
L'obiettivo dell'insegnamento è fornire le competenze necessarie per analizzare immagini, video o ricostruzioni tridimensionali, al fine di attribuire loro un significato semantico, interpretando il mondo reale attraverso il riconoscimento di oggetti, soggetti, azioni o situazioni rappresentati nella scena. Le competenze verteranno su fondamenti di visione e tecniche di Deep Learning
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 apprendimento (in particolare tecniche di Deep Learning) 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 apprendimento (in particolare tecniche di Deep Learning) legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
Periodo: Secondo quadrimestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo quadrimestre
Programma
L'insegnamento propone allo studente l'apprendimento delle tematiche fondamentali della visione artificiale, organizzate nei seguenti moduli:
1) Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
2) "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
3) Machine learning
- Deep Learning Computation
- Convolutional Neural Networks
- Transformers
- Recurrent Neural networks
- Graph Neural Networks
- Generative models
- Self-Supervised Learning
1) Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
2) "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
3) Machine learning
- Deep Learning Computation
- Convolutional Neural Networks
- Transformers
- Recurrent Neural networks
- Graph Neural Networks
- Generative models
- Self-Supervised Learning
Prerequisiti
È consigliabile possedere conoscenze di base nei seguenti ambiti:
- Probabilità e statistica
- Elaborazione di immagini e segnali
- Fondamenti di apprendimento automatico e reti neurali (regressione, classificazione, MLP e backpropagation)
- Probabilità e statistica
- Elaborazione di immagini e segnali
- Fondamenti di apprendimento automatico e reti neurali (regressione, classificazione, MLP e backpropagation)
Metodi didattici
Lezioni frontali e demo in Python
Materiale di riferimento
Web site:
https://github.com/lanzarotti/
Materiale dell'insegnamento:
- Presentazioni utilizzate durante le lezioni
- Codice software fornito per le esercitazioni
Testi di riferimento:
- [Moduli 1 e 2] D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition (Capitoli 1, 3, 4, 5, 7, 11)
- [Modulo 3] C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer (Capitoli: 10, 12, 13, 17, 19)
https://github.com/lanzarotti/
Materiale dell'insegnamento:
- Presentazioni utilizzate durante le lezioni
- Codice software fornito per le esercitazioni
Testi di riferimento:
- [Moduli 1 e 2] D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition (Capitoli 1, 3, 4, 5, 7, 11)
- [Modulo 3] C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer (Capitoli: 10, 12, 13, 17, 19)
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in una prova scritta con domande aperte. Ha la durata di 1 ora e 30 minuti e prevede la risposta a 4 domande che coprono gli argomenti trattati nel corso. Non sono previsti esercizi.
La valutazione è espressa in trentesimi.
La valutazione è espressa in trentesimi.
INFO-01/A - Informatica - CFU: 6
Lezioni: 48 ore
Docente:
Lanzarotti Raffaella
Turni:
Turno
Docente:
Lanzarotti RaffaellaDocente/i