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

• Elementi di Computational Vision classica
  • Ripasso di elementi di elaborazione di immagini (filtri, feature, istogrammi, rappresentazioni di colore, ...)
  • Similarità tra immagini basata su feature: rilevare, rappresentare e confrontare elementi caratteristici anche a scale diverse
  • Rappresentazioni multi-scala e multi-risoluzione
  • Analisi del movimento e flusso ottico
• Computational Vision e applicazioni del Machine Learning
  • Rappresentazioni basate su bag-of-words e classificazione di immagini
  • Codifiche sparse su dizionari overcompleti predefiniti: applicazione alla face detection
  • Segmentazione non supervisionata di immagini e calcolo dei super-pixel
• ​Computational Vision e Deep Learning:
  • Principi di Deep Learning e Reti Neurali Convoluzionali 
  • Algoritmi convoluzionali per object detection
  • GAN: principi e applicazioni
• Progetti e casi di studio

TESTI/BIBLIOGRAFIA

Materiale fornito dai docenti (slide, puntatori a testi e articoli scientifici) reperibili su Aulaweb

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