Visione artificiale
A.A. 2024/2025
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 può essere seguito come corso singolo.
Course syllabus and organization
Edizione unica
Responsabile
Periodo
Secondo semestre
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
- Transformers
- Recurrent Neural networks
- Graph 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
- Transformers
- Recurrent Neural networks
- Graph Neural Networks
- Generative models
Prerequisiti
E' consigliabile la conoscenza delle nozioni fondamentali di:
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
Metodi didattici
Lezioni frontali e demo in python
Materiale di riferimento
Web site:
https://github.com/lanzarotti/
Class material:
- Lecture slides
- Software code for exercises
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer
- A. Zhang, Z.C. Lipton, M. Li, A.J. Smola - Dive into Deep Learning
https://github.com/lanzarotti/
Class material:
- Lecture slides
- Software code for exercises
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer
- A. Zhang, Z.C. Lipton, M. Li, A.J. Smola - Dive into Deep Learning
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in una prova scritta con domande aperte o di un progetto di approfondimento concordato col docente che prevede la consegna di una relazione e del codice prodotto, nonché la presentazione del progetto stesso.
La valutazione è espressa in trentesimi.
La valutazione è espressa in trentesimi.
Educational website(s)
Professor(s)