PRESENTAZIONE

In molte applicazioni reali, moduli basati su paradigmi neurali già costituiscono i motori computazionali degli algoritmi di Intelligenza Artificiale, (v. ad es., le deep/convolutional neural networks). L’insegnamento si propone di superare l'ambito formale delle reti neurali artificiali e di riferirsi più decisamente a modelli derivati dagli studi delle Neuroscienze.  L’ impostazione si pone in relazione bidirezionale con le scienze del cervello, favorendo da un lato il trasferimento di conoscenze derivate dallo studio di sistemi biologici verso sistemi artificiali (modelli realizzati in hardware, software e, in prospettiva, in wetware che ne incorporano in forma essenziale principi, architetture e funzionalità), e dall'altro dimostrando l'utilità dell'approccio artificiale come metodo di indagine del sistema nervoso.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento ha l'obiettivo di fornire una linea guida per la progettazione di modelli neuromorfici per la rappresentazione e l'elaborazione distribuita di segnali multidimensionali. L'enfasi è posta sia sulle primitive computazionali che sugli schemi architetturali. Le applicazioni allo sviluppo di motori percettivi per abilitare comportamenti autonomi in sistemi complessi e ambienti naturali sono presentate come casi di studio.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Attraverso un approccio di reverse engineering, l’insegnamento presenta metodi, tecniche e strumenti per l’analisi, la simulazione e la sintesi di perceptual engines ad architettura neuromorfa. Specifica attenzione è dedicata a come le informazioni provenienti dal mondo esterno sono codificate, rappresentate e, infine, trasformate nella corteccia cerebrale a livello di rete. Le soluzioni neuromorfe a problemi percettivi, a supporto del comportamento guidato dalla visione, sono prese come esempi del dominio applicativo e come casi di studio.

L'insegnamento si propone, in particolare, di:

• approfondire modelli funzionali dell’elaborazione sensoriale, prendendo come riferimento il sistema visivo;
• mostrare come principi e tecniche dell’elaborazione del segnale, della visione computazionale, e dell’inferenza bayesiana possano essere utilizzati per analizzare e sintetizzare una gran varietà di circuiti e reti neurali per applicazioni percettive.

Al termine dell’insegnamento, lo studente avrà gli strumenti per comprendere, decrivere e progettare le funzionalità di sistemi percettivi ad architettura neuromorfa.

PREREQUISITI

Fondamenti di algebra: spazi vettoriali, basi, prodotti scalari, autovettori. Problemi LMS. Fondamenti di elaborazione del segnale: campionamento, convoluzioni, trasformata di Fourier, trasformate wavelet. Conoscenze di base di MATLAB.

 

MODALITA' DIDATTICHE

Lezioni in aula. Seminari di approfondimento. Journal club. Esercitazioni.

Si consigliano gli studenti lavoratori e gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare il
docente all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

PROGRAMMA/CONTENUTO

I contenuti seguono un’esposizione dialettica tra Intelligenza Artificiale, Computer Vision e Theoretical Neuroscience, toccando i seguenti argomenti:

• Primitive circuitali e modelli di rete
• Trasformazioni retinocorticali e modelli di campi recettivi spaziali e spaziotemporali
• Rappresentazioni armoniche multicanale per l'early vision
• Filtri steerable
• Teoria computazionale dell’early vision e tecniche di regolarizzazione
• Codifica di popolazione
• Architetture corticali: modelli discreti e modelli di campo
• Inibizione laterale diretta e codifica predittiva
• Inibizione laterale ricorsiva
• Normalizzazione divisiva
• Percezione del moto
• Percezione della profondità da immagini stereo
• Soluzioni neuromorfe: rilevatori di movimento e di disparità binoculare

TESTI/BIBLIOGRAFIA

Materiale disponibile su aulaweb o distribuito a lezione (copia dei lucidi e note).

Ulteriori riferimenti, esclusivamente a titolo di consultazione:

• P. Dayan and L.F. Abbott. Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. The MIT Press, 2001.
• H.A. Mallot. Computational Vision: Information Processing in Perception and Visual Behavior. The MIT Press, 2000.

DOCENTI E COMMISSIONI

Commissione d'esame

SILVIO PAOLO SABATINI (Presidente)

FABIO SOLARI

ANDREA CANESSA (Presidente Supplente)

FRANCESCA PEVERI (Supplente)

LEZIONI

INIZIO LEZIONI

https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=corso

Orari delle lezioni

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

ESAMI

MODALITA' D'ESAME

Discussione su un esempio/applicazione/approfondimento di un argomento visto a lezione proposto nei Journal Club (peso 30%).

Esame orale. La prova consiste nell’inquadrare in modo appropriato e discutere due argomenti assegnati (tipicamente, un “modello teorico” e una “soluzione computazionale di un problema percettivo”). La prova orale è volta a verificare l’acquisizione delle nozioni presentate nell’insegnamento, e valutare la capacità di analisi e di progettazione su un problema specifico (peso 70%).

MODALITA' DI ACCERTAMENTO

Al termine dell’insegnamento lo studente dovrà dimostrare capacità di analisi e di sintesi di paradigmi di elaborazione neuromorfa a livello cellulare, circuitale e di sistema.

In generale, oltre alla correttezza e alla completezza della risposta, saranno criteri di valutazione anche la aderenza alla domanda, la chiarezza espositiva, e la capacità di sintesi.