118352 - COMPUTER VISION

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, Pre-training. 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: Diffusion Models, Video Diffusion Models.