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/