COMPUTATIONAL VISION

COMPUTATIONAL VISION

_
iten
Codice
90539
ANNO ACCADEMICO
2020/2021
CFU
6 cfu al 1° anno di 10852 COMPUTER SCIENCE (LM-18) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
INF/01
LINGUA
Inglese
SEDE
GENOVA (COMPUTER SCIENCE )
periodo
2° Semestre
materiale didattico

PRESENTAZIONE

Il corso offre un'introduzione all'analisi di dati visuali. In particolare affronta i problemi della comprensione automatica del contenuto di immagini e video.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Learning how to represent image content adaptively by means of shallow or deep computational models and biologically-inspired hierarchical models, and how to tackle image classification and categorization problems.

PREREQUISITI

Analisi e algebra lineare

Elaborazione di immagini e machine learning

Modalità didattiche

 Modalità mista: lezioni, attività pratiche, progetto

PROGRAMMA/CONTENUTO

  • Elementi di Computational Vision classica
    • Ripasso di elementi di elaborazione di immagini (filtri, feature, istogrammi, rappresentazioni di colore, ...)
    • Similarità tra immagini basata su feature: rilevare, rappresentare e confrontare elementi caratteristici anche a scale diverse
    • Rappresentazioni multi-scala e multi-risoluzione
    • Analisi del movimento e flusso ottico
  • Computational Vision e applicazioni del Machine Learning
    • Rappresentazioni basate su bag-of-words e classificazione di immagini
    • Codifiche sparse su dizionari overcompleti predefiniti: applicazione alla face detection
    • Segmentazione non supervisionata di immagini e calcolo dei super-pixel
  • ​Computational Vision e Deep Learning:
    • Principi di Deep Learning e Reti Neurali Convoluzionali 
    • Algoritmi convoluzionali per object detection
    • GAN: principi e applicazioni
  • Progetti e casi di studio

TESTI/BIBLIOGRAFIA

Materiale fornito dai docenti (slide, puntatori a testi e articoli scientifici) reperibili su Aulaweb

Libro online di riferimento http://szeliski.org/Book/

DOCENTI E COMMISSIONI

Ricevimento: Su appuntamento: inviare un'email a francesca.odone@unige.it (specificare Cognome Nome e corso di studi)  

Commissione d'esame

LORENZO ROSASCO (Presidente)

FRANCESCA ODONE (Presidente)

ALESSANDRO VERRI

NICOLETTA NOCETI

ANNALISA BARLA

LEZIONI

Modalità didattiche

 Modalità mista: lezioni, attività pratiche, progetto

ESAMI

Modalità d'esame

  • 30% homework and live participation 
  • 50% project (in groups)
  • 20% theory oral  

Modalità di accertamento

  • consegna puntuale degli elaborati
  • partecipazione attiva in classe e sul forum del corso (aulaweb)
  • progetto finale su un caso di studio (datathon-like) e presentazione dei risultati ottenuti 
  • esame orale