PRESENTAZIONE

L'insegnamento 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

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.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Conoscenza dei principali metodi di computational vision, compresi i metodi classici e quelli basati su deep learning. Capacità di progettare e realizzare un algoritmo di CV di media difficoltà e di analizzare/modificare algoritmi realizzati da altri. Capacità di analizzare i risultati ottenuti in modo critico ed esaustivo. Capacità di presentare i metodi studiati con un uso adeguato dei termini tecnici e degli strumenti. 

PREREQUISITI

Analisi e algebra lineare

Elaborazione di immagini e machine learning

MODALITA' DIDATTICHE

Lezioni teoriche (22 ore), laboratori guidati (18 ore) + progetto (individuale o a coppie) da 1 CFU 

PROGRAMMA/CONTENUTO

• filtri e caratteristiche locali, punti di interesse invarianti di scala, descrittori e corrispondenze tra punti. Analisi del movimento e flusso ottico. Visione 3D. Rappresentazioni di immagini. Rilevamento di oggetti. Segmentazione delle immagini Stima della posa e riconoscimento di azioni

TESTI/BIBLIOGRAFIA

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

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

DOCENTI E COMMISSIONI

Commissione d'esame

FRANCESCA ODONE (Presidente)

NICOLETTA NOCETI

LORENZO ROSASCO (Presidente Supplente)

ANNALISA BARLA (Supplente)

ALESSANDRO VERRI (Supplente)

LEZIONI

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

• Gli studenti che partecipano attivamente al corso (partecipazione testimoniata dalla consegna puntuale dei compiti): 50% progetto e 50% orale. Altrimenti 30% (progetto individuale) e 70% orale

MODALITA' DI ACCERTAMENTO

• La conoscenza dei principali metodi di visione computazionale è valutata con la prova orale. La capacità di progettare e implementare un algoritmo CV di media difficoltà è valutata con il progetto finale; la capacità di analizzare/modificare algoritmi creati da altri è valutata con attività pratiche. La capacità di analizzare i risultati ottenuti in modo critico ed esaustivo è valutata durante l'orale, con domande sul progetto. La capacità di presentare i metodi studiati con un uso adeguato di termini e strumenti tecnici è valutata attraverso relazione di progetto e prova orale.

Calendario appelli