118352 - COMPUTER VISION

insegnamento

ID:

118352

Tipo Insegnamento:

Obbligatorio

Opzionale

Durata (ore):

48

CFU:

SSD:

SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Url:

Dettaglio Insegnamento:

INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/BIG DATA 1 Anno: 2

Dettaglio Insegnamento:

INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/DATA SCIENCE 1 Anno: 2

Dettaglio Insegnamento:

INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/DATA SCIENCE 2 Anno: 2

Anno:

2024

Periodo di attività

Primo Semestre (19/09/2024 - 17/12/2024)

Obiettivi Formativi

L'obiettivo del corso è illustrare le metodologie e le tecniche per la gestione
computerizzata delle immagini, sia statiche sia in movimento, e rendere gli studenti in grado di applicare tali tecniche per risolvere problemi complessi.
Le principali conoscenze acquisite saranno:
- rappresentazione e acquisizione delle immagini
- tecniche di Computer Vision classica e basata su intelligenza artificiale.
Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) saranno:
- capacità di analizzare problemi riguardanti dati in forma di immagini per trovare la
soluzione più efficace alla risoluzione del problema
- capacità di sviluppare un'applicazione che applica le tecniche apprese per risolvere
compiti tipici dei sistemi di Intelligenza Artificiale, quali riconoscimento e
classificazione di oggetti, rilevamento e inseguimento di oggetti in video, etc.

Prerequisiti

E’ necessario avere acquisito e assimilato le seguenti conoscenze fornite dai corsi
"Deep Learning” e “Machine learning e data mining”:
- basi di machine learning
- addestramento di reti neurali
- reti convoluzionali

Metodi didattici

L'attività didattica è svolta con lezioni teoriche ed esercitazioni pratiche di tipo
laboratoriali, durante le quali verranno affrontati gli argomenti visti a lezione
applicandoli nella pratica.

Verifica Apprendimento

La verifica dell’apprendimento avverrà tramite valutazione di una prova teorica scritta
a fine corso mirato a verificare la comprensione degli argomenti trattati durante il corso. Il compito non prevederà ne esercizi ne scrittura di codice. Il tempo a disposizione per l’esame è di 1 ore e 30.

Testi

R. Szeliski, Computer Vision: Algorithms and Applications, Springer, 2022
R.C. Gonzales, R. E. Woods, Digital Image Processing, 4th Edition, Pearson, 2019.

Contenuti

1. Introduzione ai concetti specifici dell’immagine: geometria, piani colore, istogrammi e operazioni
2. Trasformazione dell’immagine: trasformazioni puntuali, filtraggi, interpolazioni e trasformazioni geometriche.
3. Introduzione all'acquisizione delle immagini: videocamere, sensori, ottiche e loro
influenza sulla formazione delle immagini, nozioni di base di colorimetria.
4. Machine learning e Computer Vision: Introduzione, definizioni, reti neurali stato dell’arte nella computer vision (Reti convoluzionali (CNN) e Vision Transformers), introduzione al framework Pytorch.
5. Paradigmi di apprendimento alternativi - Knowledge Distillation, Self-Supervised Learning, Contrastive learning
6. Classificazione: definizioni, scopi, principali metodi e architetture. Classificazione binaria, multiclasse e multilabel.
7. Object Detection: definizione, scopi e utilizzi. Principali metodi, principali modelli usati.
8. Keypoint detection: definizione, scopi e utilizzi. Principali metodi, principali modelli usati.
9. Image Segmentation: definizione, scopi e utilizzi. Principali metodi, principali modelli usati.
10. Analisi video: definizione, scopi e utilizzi. Rilevamento, tracking e riconoscimento di oggetti nei video.
11. Anomaly Detection - reti, concetto di embedding, features e come sfruttarle
12. Modelli generativi: Variational Autoencoders (VAE), Generative Adversarial Network (GAN) e varianti, applicazioni.
13. Panoramica sullo stato dell’arte dei modelli generativi: DALL-E (OpenAI), Stable Diffusion, Diffusion Models.