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: 2023-2024
Anno regolamentoAnno regolamento: 2023-2024
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

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%).

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 basi teoriche, conoscenze metodologiche e tecnologiche nonché esperienze pratiche riguardanti l'area della Computer Vision con particolare riferimento all'acquisizione, l'elaborazione, l'analisi e la comprensione del contenuto di immagini e video. Conoscenze avanzate di metodi di Deep Learning per la Computer Vision, sia per l’estrazione di feature che per la loro classificazione.

Capacità di applicare conoscenze e comprensione.

Tramite queste conoscenze e numerosi esempi applicativi, lo studente verrà messo in grado di progettare un sistema di visione artificiale in vari ambiti applicativi: l'ispezione industriale, la sorveglianza, l'identificazione biometrica (impronte digitali, retiniche, immagini del viso, ecc.), l'analisi del movimento umano, l'analisi del territorio da immagini aeree o da satellite, la scansione 3D, la navigazione robotica.

Competenze trasversali.

L’esecuzione di un progetto su un argomento concordato con il docente e che verrà svolto in un gruppo di 3-4 studenti, contribuirà a migliorare sia il grado di autonomia di giudizio in generale, sia la capacità comunicativa che deriva anche dal lavoro in gruppo, sia la capacità di apprendimento in autonomia e di trarre conclusioni.

Knowledge and Understanding.

The course enables students to acquire the fundamental notions and advanced knowledge of Object-Oriented Programming, also through the study of a reference programming languages. This knowledge, by integrating the knowledge gained during the previous programming courses will form the insights that will enrich the understanding of the theory of languages and of the advantages of different programming paradigms. Advanced knowledge of Deep Learning methods for Computer Vision, both for the extraction of features and for their classification.

Capacity to apply Knowledge and Understanding.

At the end of the course students will be able to use properly the principles of object-oriented programming and the syntax of the language used in the course to develop software of medium complexity, characterized by flexibility, compliance with the requirements and efficiency, choosing the most appropriate data structures and algorithms for the particular problem at hand

Transversal Skills.

The execution of a project, which will be played in groups or independently and that will lead to the drafting of a report, will help improve both the communication skills that also stems from teamwork, and autonomous learning and problem-solving skills.

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

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

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. 2023-2024
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2023-2024

Guida degli insegnamenti

Syllabus

Partially translatedTradotto parzialmente