Italiano
Italian
Sistemi digitali programmabili, elettronica di base,elaborazione digitale dei segnali.
Programmable digital systems,basic electronics,digital signal processing.
Il corso comprende :
60 h di lezioni teoriche
12 h di laboratorio
The course includes:
60 h of theoretical lessons;
12 h of laboratory
Il corso intende dare agli studenti le conoscenzehardware e software necessarie per il progetto disistemi embedded in generale e di sistemi di computer vision più in particolare. A tal fine vengono studiate le fondamentali architetture ARM, i linguaggi di programmazione di processori embedded, gli algoritmi di elaborazione delle immagini.
Il corso intende formare la capacità di applicare le conoscenze all’analisi delle specifiche di progetto di un sistema embedded, alla selezione e alla programmazione di dispositivi per il raggiungimento delle prestazioni desiderate, alla definizione e all’implementazione di algoritmi in applicazioni di computer vision e machine learning.
Il corso fornisce competenze trasversali di programmazione di microcontrollori e microprocessori embedded, tecniche di computer-vision e machine learning, utilizzabili in diversi settori dell’ingegneria biomedica, delle telecomunicazioni, dei controlli automatici e dell’information technology in generale.
The course aims to provide the necessary hardwareand software knowledge for designing embeddedsystem in general and computer vision systems inparticular. To this end the fundamental ARMarchitectures, the programming languages forembedded systems will be studied.
The course is intended to train the students so that they acquire the capability of applying the knowledge to the design specifications of an embedded system, to the selection of devices to obtain the desired performance, to the definition and implementation of algorithms for computer vision and machine learning.
The course provides a multidisciplinary backgroundon emebedded microcontrollers and microprocessors, computer vision techniques and machine learning, which can be spent in the fields of biomedical engineering, telecommunications, automatic control and information technology in general.
Lezioni di teoria: Architettura ARM il bus ARM ; il protocollo AMBA; Registri; Exceptions; Introduzione al set di istruzioni ARM e Thumb; Introduzione all’assembler ARM; Processori STM32F4(Cortex-M4/ARMv7_M); Raspberry PI(ARM1176JzF-S/ArMv6); MC1322x (ARM7TDMI-S, ARMv4T); Programmazione in C per processori ARM.
Sistemi di visione per il movimento dei Robot. Elaborazione delle Immagini: Trasformazioni di Immagini; Decomposizione ai valori singolari (SVD); Filtraggio recursivo: Filtro di Kalman; Tracking Bayesiano nonlineare; Particle Filters; Visual navigation: motion field; Simultaneous Localization e Mapping (SLAM); Feature extraction e matching; Triangolazione; Monocular visual odometry.
Machine Learning per Sistemi Embedded. Introduzione al learning statistico; Learning supervisionato: Support Vector Machine (SVM); Reti Neurali: Deep Neural Network; Extreme Learning Machine (ELM); Elementi di algebra tensoriale; Tensor-Lab; Convolutional Neural Network(CNN); CNN compression; Learning non-supervisionato; Autoencoder. Architetture per la visione nei sistemi autonomi e per applicazioni di intelligenza artificiale.
Laboratorio:
Programmazione di dispositivi con architettura ARM; Image processing for embedded systems; Machine Learning for embedded systems.
Appunti:https://learn.univpm.it
Theoretical lessons:
ARM Architecture ARM Bus; AMBA Protocol; Registers; Exceptions, Introduction to the ARM and Thumb Instruction Set; ARM Assembler; Processors STM32F4(Cortex-M4/ARMv7_M); Raspberry PI(ARM1176JzF-S/ArMv6); MC1322x (ARM7TDMI-S, ARMv4T); Introduction to C programming of ARM processors.
Vision Systems for Robot navigation. Image Processing; Image Transforms; Singular Value Decomposition (SVD) Recursive filtering; -Kalman Filter; Non-linear Bayesian tracking; Particle Filters; Visual Navigation: motion field; Simultaneous Localization and Mapping (SLAM): Feature extraction and matching; Triangulation; Monocular visual odometry.
Machine Learning for Embedded Systems. Introduction to statistical learning; Supervised Learning: Support Vector Machine (SVM); Neural Networks: Deep Neural Network; Extreme Learning Machine (ELM); Elements of tensor algebra; Tensor-Lab; Convolutional Neural Network (CNN); CNN compression; Unsupervised Learning; Autoencoder; Architectures for vision in autonomous systems and for artificial intelligence applications.
Laboratory:
Programming devices with ARM architecture; Image processing for embedded systems; Machine Learning for embedded systems.
Notes:https://learn.univpm.it
prova orale
Per superare l'esame con esito positivo, lo studente dovrà mostrare di avere acquisito le metodologie e le tecniche di progettazione di sistemi embedded
Attribuzione del voto finale in trentesimi, con eventuale lode. Il voto minimo per il superamento dell'esame è 18/30:
La prova orale sarà articolata su domande relative agli argomenti del programma e sulla discussione di un progetto, con riferimento all'approccio utilizzato e ai risultati ottenuti.i.
oral examination
To pass the exam the student will show to know all the metodologies and techniques for designing an embedded system
A score in the range 18-30 will be given as a final grade, possibly with laude.
The oral examination will be focused on questions concerning the course topics and the discussion of a specific design with refernece to the approach used and the results obtained
A.N.Sloss,D.Symes,C.Wright, “ ARM System Developer’s Guide”, Elsevier, 2004.K.Jain, “Fundamentals of Digital Image Processing”, Prentice Hall; 1989. C. Solomon,T.Breckon,”Fundamentals of Digital Image Processing”,Wiley-Blackwell,2011.P.Corke,"Robotics, Vision and Control", Springer,2013. E.Maggio,A.Cavallaro,"Video Tracking",Wiley,2011.T.Hastie,R.Tibshirani,J.Friedman,”The elements of Statistical Learning”,Springer,2013.C. M. Bishop, “Pattern Recognition and Machine Learning”,Springer,2006.Appunti del docente.
https://learn.univpm.it
A.N.Sloss,D.Symes,C.Wright, “ ARM System Developer’s Guide”, Elsevier, 2004.K.Jain, “Fundamentals of Digital Image Processing”, Prentice Hall; 1989. C. Solomon,T.Breckon,”Fundamentals of Digital Image Processing”,Wiley-Blackwell,2011.P.Corke,"Robotics, Vision and Control", Springer,2013. E.Maggio,A.Cavallaro,"Video Tracking",Wiley,2011.T.Hastie,R.Tibshirani,J.Friedman,”The elements of Statistical Learning”,Springer,2013.C. M. Bishop, “Pattern Recognition and Machine Learning”,Springer,2006.Teacher’s notes.
https://learn.univpm.it/course/view.php?id=7825
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427