OBIETTIVI FORMATIVI

Learning how to represent image content adaptively by means of shallow or deep computational models and biologically-inspired hierarchical models, and how to tackle image classification and categorization problems.

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/