Visione artificiale
A.A. 2022/2023
Learning objectives
Obiettivo dell'insegnamento è fornire elementi che consentano di inferire uno stato del mondo reale da immagini digitali o video. Queste competenze vertono in particolare sulla capacità di ricostruire tridimensionalmente oggetti e di elaborare e riconoscere elementi o azioni di una scena.
Expected learning outcomes
- Conoscere i principi alla base della formazione delle immagini
- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali
- Conoscere le tecniche di apprendipento legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali
- Conoscere le tecniche di apprendipento legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Course syllabus and organization
Edizione unica
Responsabile
Periodo
Secondo semestre
L'insegnamento verrà erogato sia in presenza sia in streaming usando la piattaforma Zoom.
Materiali di riferimento:
Il programma e il materiale di riferimento non subiranno variazioni.
Materiali di riferimento:
Il programma e il materiale di riferimento non subiranno variazioni.
Programma
Il corso propone allo studente l'apprendimento delle tematiche fondamentali della visione artificiale, con particolare attenzione ai seguenti argomenti:
* Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
* "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
* Machine learning
- Linear Neural Networks
- Multilayer perceptrons
- Deep Learning Computation
- Convolutional Neural Networks
- Recurrent Neural networks
- Generative models
* Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
* "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
* Machine learning
- Linear Neural Networks
- Multilayer perceptrons
- Deep Learning Computation
- Convolutional Neural Networks
- Recurrent Neural networks
- Generative models
Prerequisiti
E' consigliabile la conoscenza delle nozioni fondamentali di:
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
presentate in corsi di laurea triennale di carattere scientifico.
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
presentate in corsi di laurea triennale di carattere scientifico.
Metodi didattici
Lezioni frontali ed esercitazioni in laboratorio informatico.
Materiale di riferimento
Sito Web:
https://github.com/lanzarotti/
Materiale didattico:
- Slide del corso
- Software utilizzato nelle esercitazioni
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- "Dive into Deep Learning" (https://d2l.ai)
https://github.com/lanzarotti/
Materiale didattico:
- Slide del corso
- Software utilizzato nelle esercitazioni
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- "Dive into Deep Learning" (https://d2l.ai)
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in una prova orale.
A scelta, gli studenti possono affrontare un progetto di approfondimento concordato col docente.
La valutazione è espressa in trentesimi.
A scelta, gli studenti possono affrontare un progetto di approfondimento concordato col docente.
La valutazione è espressa in trentesimi.
Educational website(s)
Professor(s)