UNIVPM: Guida insegnamenti

[W001232] - COMPUTER VISION E DEEP LEARNINGCOMPUTER VISION AND DEEP LEARNING
LUCIA MIGLIORELLI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM12] INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE Master Degree (2 years) - [IM12] COMPUTER AND AUTOMATION ENGINEERING
Dipartimento: [040040] Dipartimento Ingegneria dell'InformazioneDepartment: [040040] Dipartimento Ingegneria dell'Informazione
Anno di corsoDegree programme year : 1 - Secondo Semestre
Anno offertaAcademic year: 2024-2025
Anno regolamentoAnno regolamento: 2024-2025
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

LINGUA INSEGNAMENTO LANGUAGE

Italiano

Italian

PREREQUISITI PREREQUISITES

Fondamenti di Informatica

Fundamentals of Computer Science

MODALITÀ DI SVOLGIMENTO DEL CORSO DEVELOPMENT OF THE COURSE

L'insegnamento è attivo sulla piattaforma Moodle di Ateneo

Lezioni frontali sugli argomenti in programma ed esercitazioni di Computer Vision e Deep Learning. Le studentesse e gli studenti dovranno possedere un computer personale per eseguire gli esercizi pratici di programmazione nell'ambito della computer vision classica e del deep learning.
Il corso sarà suddiviso in lezioni (60%) ed esercitazioni (40%).

The teaching is active on the University's Moodle platform

Lectures on the syllabus topics and exercises in Computer Vision and Deep Learning. Students will be required to have a personal computer to perform hands-on programming exercises in the area of classical computer vision and deep learning. The course will be divided into lectures (60%) and exercises (40%).

RISULTATI DI APPRENDIMENTO ATTESI LEARNING OUTCOMES

Conoscenze e comprensione.

Acquisire una solida base teorica e sviluppare competenze metodologiche e tecnologiche specifiche nel campo della Computer Vision. Questo include un focus mirato su processi quali l'acquisizione, l’elaborazione, e la comprensione dei dati multimediali, come immagini e video. Parallelamente, si punta a sviluppare una profonda comprensione e conoscenza avanzata dei metodi di Deep Learning per la Computer Vision.

Capacità di applicare conoscenze e comprensione.

Attraverso l'apprendimento teorico e l'analisi di numerosi casi pratici, studentesse e studenti saranno in grado di ideare e sviluppare sistemi di visione artificiale per una varietà di settori. Questi includono, ad esempio, l’industria 4.0, la sicurezza e la sorveglianza, il riconoscimento biometrico e lo studio del movimento umano.

Competenze trasversali.

Lo svolgimento di un progetto su un tema stabilito in accordo con la docente, realizzato in gruppi di 2-3 studentesse/studenti, favorirà lo sviluppo di diverse competenze. Infatti, questa esperienza contribuirà a rafforzare l'autonomia nel processo decisionale, a migliorare le abilità comunicative, e a incrementare la capacità di apprendere in modo autonomo e di formulare conclusioni efficaci a partire dalle basi teoriche.

Knowledge and Understanding.

To acquire theoretical basis and develop specific methodological and technological skills in the field of Computer Vision. This includes a targeted focus on processes such as the acquisition, analysis and understanding of multimedia data, namely images and videos. In parallel, students will develop a deep understanding and advanced knowledge of Deep Learning methods for Computer Vision.

Capacity to apply Knowledge and Understanding.

Through theoretical learning and the analysis of numerous practical cases, students will be able to design and develop machine vision systems for a variety of sectors. These include, for example, Industry 4.0, security and surveillance, biometric recognition and human motion assessment.

Transversal Skills.

Carrying out a project on a theme agreed on with the professor, in groups of 2-3 students, will encourage the development of various skills. Indeed, this experience will contribute to strengthening autonomy in decision-making, improving communication skills, and increasing the ability to learn independently and to formulate effective conclusions from theoretical foundations.

PROGRAMMA PROGRAM

Gli argomenti del corso saranno trattati attraverso lezioni teoriche (L) ed esercitazioni (E):

- Pixel, Features e Camere
- Pixel e Filtri (L)
- Edge detection (L+E)
- Feature detectors, Harris (L)
- Difference of Gaussians, SIFT (L+E)
- Addestramento di reti neurali (L)
- Reti neurali convoluzionali (L)
- Reti neurali per la classificazione di immagini (L+E)
- Reti neurali per la segmentazione di immagini (L+E)
- Reti neurali per la detection di oggetti nelle immagini (L+E)
-Autoencoder (L)
- Reti neurali per la generazione di immagini (L+E)
- Ethics guidelines for trustworthy AI (L)

Le esercitazioni saranno svolte per i vari argomenti attraverso esempi applicativi di elaborazioni di immagini, utilizzando le librerie OpenCV, Keras, PyTorch ed il linguaggio Python.

Course topics will be covered through theoretical lectures (L) and exercises (E):

- Pixels, Features and Cameras
- Pixels and Filters (L)
- Edge detection (L+E)
- Feature detectors, Harris (L)
- Difference of Gaussians, SIFT (L+E)
- Training of neural network (L)
- Convolutional neural networks (L)
- Neural networks for image classification (L+E)
- Neural networks for image segmentation (L+E)
- Neural networks for object detection in images (L+E)
-Autoencoders (L)
- Neural networks for image generation (L+E)
- Ethics guidelines for trustworthy AI (L)

Exercises will be conducted for the different topics through application examples of image processing and analysis, using the OpenCV, Keras, PyTorch libraries and the Python language.

MODALITÀ DI SVOLGIMENTO DELL'ESAME DEVELOPMENT OF THE EXAMINATION

Modalità di valutazione dell'apprendimento.

La valutazione del livello di apprendimento di studentesse e studenti consiste in due prove:
- uno scritto teorico sugli argomenti del programma
- un progetto pratico e la presentazione e discussione del progetto

Per gli studenti e le studentesse con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano presentato debita richiesta di supporto per affrontare lo specifico esame di profitto all’Info Point Disabilità/DSA dell’Ateneo, le modalità di esame saranno adattate alla luce di quanto previsto dalle linee guida di Ateneo

Criteri di valutazione dell'apprendimento.

Per superare con esito positivo la valutazione dell'apprendimento, studentesse e studenti, dovranno dare prova di aver ben compreso i concetti esposti nel corso, possedendo quindi una conoscenza di base delle metodologie trattate nel corso, nonché avendo sviluppato un'adeguata familiarità con metodi e librerie di computer vision e deep learning al fine di completare in autonomia una prova pratica nell'ambito della visione artificiale.

Criteri di misurazione dell'apprendimento.

Ad ognuna delle prove precedentemente indicate è assegnato un punteggio compreso tra zero e trenta. Il voto complessivo, in trentesimi, è dato dalla media dei voti ottenuti nelle due prove, con arrotondamento all'intero per eccesso.

Criteri di attribuzione del voto finale.

Affinché l'esito complessivo della valutazione sia positivo, studentesse e studenti devono conseguire almeno la sufficienza (18/30) in ognuna delle prove prima descritte. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti del corso nell'ambito delle prove. La lode è riservata a studentesse e studenti che, avendo svolto tutte le prove in modo corretto e completo, hanno dimostrato una particolare brillantezza nell’esposizione orale e/o nello svolgimento e discussione del progetto.

Learning Evaluation Methods.

The assessment of the students consists of two tests:
- a theoretical written test on the topics of the programme
- a practical project and the presentation and discussion of the project outcomes

For students with disabilities/invalidities or specific learning disorders (DSA), who have submitted a request for support to take the specific exam at the Disability/DSA Info Point of the University, the exam methods will be adapted in light of what is recommended by the University guidelines

Learning Evaluation Criteria.

to successfully pass the examination, students, will have to prove that they have well understood the concepts laid out in the course, thus possessing a basic knowledge of the methodologies covered in the course, as well as having developed adequate familiarity with computer vision and deep learning methods and libraries in order to independently complete a practical test in the field of computer vision.

Learning Measurement Criteria.

Each of the above tests is assigned a mark between zero and thirty. The overall mark is in thirtieths and it is the average of the marks obtained in the two tests, rounded up to the nearest whole number.

Final Mark Allocation Criteria.

For the overall assessment to be positive, students must achieve at least a sufficiency (18/30) in each of the tests described above. The maximum mark is achieved by proving an in-depth knowledge of the course contents in the tests. Honours are reserved for students who have demonstrated particular brilliance in oral presentation and/or in the development and discussion of the project.

TESTI CONSIGLIATI RECOMMENDED READING

Digital Image Processing, Global Edition, 4/E
Rafael C. Gonzalez, University of Tennessee
Richard E. Woods, MedData Interactive
ISBN-10: 1292223049 • ISBN-13: 9781292223049
©2018 • Pearson • Paper, 1024 pp
Published 08 Nov 2017

https://learn.univpm.it

E-LEARNING E-LEARNING

No

Scheda insegnamento erogato nell’A.A. 2024-2025
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2024-2025

Guida degli insegnamenti

Syllabus

Partially translatedTradotto parzialmente