Salta al contenuto principale della pagina

COMPUTATIONAL VISION

CODICE 90539
ANNO ACCADEMICO 2018/2019
CFU 6 cfu al 1° anno di 10852 COMPUTER SCIENCE (LM-18) GENOVA

6 cfu al 1° anno di 8733 INGEGNERIA INFORMATICA (LM-32) GENOVA

SETTORE SCIENTIFICO DISCIPLINARE INF/01
SEDE GENOVA (COMPUTER SCIENCE )
PERIODO 1° Semestre
MATERIALE DIDATTICO AULAWEB

PRESENTAZIONE

Il corso offre un'introduzione all'analisi di dati visuali. In particolare affronta i problemi della comprensione automatica del contenuto di immagini e video.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Students will be provided with an an overview of state-of-the-art methods for modeling and understanding the semantics of a scene. Students will get acquainted with the problem of representing the image content adaptively by means of shallow or deep computational models, then it focuses in particular on biologically-inspired hierarchical models for representing visual cues, such as discontinuity, disparity and motion. Students will also be exposed to image classification and categorization problems. Students will be involved in project activities.

PREREQUISITI

Analisi e algebra lineare

Elaborazione di immagini e machine learning

MODALITA' DIDATTICHE

 Modalità mista: lezioni, attività pratiche, progetto

PROGRAMMA/CONTENUTO

  • Lezioni introduttive
    • Ripasso di elementi di elaborazione di immagini (filtri, feature, istogrammi, rappresentazioni di colore, ...) e di apprendimento automatico (algoritmi di clustering e di classificazione)
    • Formulazione di problemi: confronto tra immagini, retrieval di immagini, classificazione di immagini 
  • Rappresentare immagini in modo adattivo
    • I primi approcci: istogrammi, insiemi di punti e bag-of-keypoints
    • Codifiche sparse su dizionari overcompleti predefiniti
    • Apprendimento di dizionari da esempi (dictionary learning)
    • Approcci coding-pooling 
    • Architetture profonde
  • Argomenti aggiuntivi: usare il contesto, gestire ed utilizzare informazione temporale e di profondità, affrontare il problema della visualizzazione dei risultati 
  • Progetti e casi di studio

TESTI/BIBLIOGRAFIA

Materiale fornito dai docenti (slide e articoli scientifici)

Libro online di riferimento http://szeliski.org/Book/

DOCENTI E COMMISSIONI

Commissione d'esame

FRANCESCA ODONE (Presidente)

LORENZO ROSASCO (Presidente)

ANNALISA BARLA

NICOLETTA NOCETI

ALESSANDRO VERRI

LEZIONI

MODALITA' DIDATTICHE

 Modalità mista: lezioni, attività pratiche, progetto

Orari delle lezioni

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

ESAMI

MODALITA' D'ESAME

  • 50% teoria (esame orale)
  • 50% pratica (progetto individuale +seminario)

MODALITA' DI ACCERTAMENTO

  • consegna puntuale degli elaborati
  • partecipazione attiva in classe e sul forum del corso (aulaweb)
  • progetto finale su un caso di studio (datathon-like) e presentazione dei risultati ottenuti 
  • esame orale

Calendario appelli

Data Ora Luogo Tipologia Note
14/02/2019 09:00 GENOVA Esame su appuntamento
15/02/2019 09:00 GENOVA Esame su appuntamento
05/07/2019 09:00 GENOVA Scritto
25/07/2019 09:00 GENOVA Esame su appuntamento
26/07/2019 09:00 GENOVA Esame su appuntamento
19/09/2019 09:00 GENOVA Esame su appuntamento
20/09/2019 09:00 GENOVA Esame su appuntamento
14/02/2020 09:00 GENOVA Esame su appuntamento