2. Docenti
  3. Didattica

MODELLI E SISTEMI PER LA VISIONE ARTIFICIALE

Gennaro PERCANNELLA MODELLI E SISTEMI PER LA VISIONE ARTIFICIALE

0622700025
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2016/2017

ANNO CORSO 2
ANNO ORDINAMENTO 2015
SECONDO SEMESTRE
CFUOREATTIVITÀ
660LEZIONE
MARIO VENTO T Curriculum
GENNARO PERCANNELLA Curriculum
Obiettivi
L’insegnamento mira all’acquisizione di competenze sulle principali metodologie e tecniche impiegate per realizzare un sistema di visione artificiale.

Conoscenze e capacità di comprensione
Conoscenza delle diverse funzioni svolte da un sistema di visione artificiale, con particolare riferimento alle fasi di low level processing (acquisizione, filtraggi), intermediate level processing (estrazione di regioni e contorni) e high level processing (riconoscimento di forme, tracking), e comprensione delle tecniche di base di implementazione di tali funzioni.

Conoscenza e capacità di comprensione applicate
Utilizzare le funzioni di una libreria per la visione artificiale (OpenCV) per la realizzazione di applicativi basati sull’analisi e sull’interpretazione di immagini e video.
Prerequisiti
PER IL PROFICUO RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI È RICHIESTA LA CONOSCENZA DEL LINGUAGGIO C.
Contenuti
INTRODUZIONE AL CORSO:
INTRODUZIONE STORICA AI SISTEMI DI VISIONE ARTIFICIALE. LE FASI DI ELABORAZIONE DI UN SISTEMA DI VISIONE. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)

LOW LEVEL PROCESSING: RAPPRESENTAZIONE DELLE IMMAGINI. RAPPRESENTAZIONE DEI COLORI. ACQUISIZIONE DI IMMAGINI, OTTICHE E SENSORI. IMAGE FILTERING E PROCESSING. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/2/3)

INTERMEDIATE LEVEL PROCESSING: COMPONENTI CONNESSE E SEGMENTAZIONE. EDGE DETECTION E CONTOUR EXTRACTION. INDIVIDUAZIONE DI FORME GEOMETRICHE SEMPLICI: LA TRASFORMATA DI HOUGH. INDIVIDUAZIONE DI PUNTI SALIENTI. CALCOLO DI DESCRITTORI VISUALI: LBP, HOG (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 7/2/3)

HIGH LEVEL PROCESSING: INTRODUZIONE AL MACHINE LEARNING, CLASSIFICATORI NEAREST NEIGHBOUR (NN), RETI NEURALI LEARNING VECTOR QUANTIZATION (LVQ) E BACK PROPAGATION (BP), SUPPORT VECTOR MACHINE (SVM) (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 5/2/0)

APPLICAZIONI
RILEVAMENTO E RICONOSCIMENTO DI VOLTI: ALGORITMO DI VIOLA JONES, FEATURES PER LA DESCRIZIONE DEL VOLTO (LBP E PUNTI SALIENTI) (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 3/0/4)

INTERPRETAZIONE AUTOMATICA DI VIDEO: ALGORITMI DI OBJECT DETECTION, SOTTRAZIONE E AGGIORNAMENTO DEL BACKGROUND, CLASSIFICAZIONE E TRACKING DI OGGETTI, ANALISI DI COMPORTAMENTI ANOMALI; PRESENTAZIONE DEGLI SCENARI DELLA VIDEO-SORVEGLIANZA INTELLIGENTE. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 3/2/2)

ACTION E GESTURE RECOGNITION: ALGORITMI PER IL RICONOSCIMENTO DI GESTURE E AZIONI. PRESENTAZIONE DEGLI AMBITI APPLICATIVI. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/4)

ROBOT VISION: OBIETTIVI DELLA VISIONE ROBOTICA, ALGORITMI DI STEREO VISION. AMBITI APPLICATIVI. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)

DRONE VISION: ALGORITMI DI RILEVAMENTO E CLASSIFICAZIONE DI OGGETTI E SU PIATTAFORME VOLANTI. AMBITI APPLICATIVI. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)

EMBEDDED VISION: ALGORITMI DI VISIONE ARTIFICIALE SU WEARABLE COMPUTERS E SISTEMI EMBEDDED. PROBLEMATICHE E APPLICAZIONI. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)
Metodi Didattici
L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE, ESERCITAZIONI IN AULA ED ESERCITAZIONI PRATICHE DI LABORATORIO. NELLE ESERCITAZIONI IN AULA VENGONO ASSEGNATI AGLI STUDENTI, SIA INDIVIDUALMENTE CHE DIVISI PER GRUPPI DI LAVORO, DEI PROGETTO DA SVILUPPARE UTILIZZANDO I CONTENUTI DELL’INSEGNAMENTO. I PROGETTI SONO STRUMENTALI, OLTRE ALL’ACQUISIZIONE DELLE COMPETENZE E ABILITÀ SUI CONTENUTI DELL’INSEGNAMENTO, ANCHE A SVILUPPARE E RAFFORZARE LE CAPACITÀ DI LAVORARE IN TEAM. NELLE ESERCITAZIONI IN LABORATORIO GLI STUDENTI IMPLEMENTANO I PROGETTI ASSEGNATO UTILIZZANDO LA LIBRERIA OPENCV.

PER POTER SOSTENERE LA VERIFICA FINALE DEL PROFITTO E CONSEGUIRE I CFU
RELATIVI ALL’ATTIVITÀ FORMATIVA, LO STUDENTE DOVRÀ AVERE FREQUENTATO
ALMENO IL 70% DELLE ORE PREVISTE DI ATTIVITÀ DIDATTICA ASSISTITA.
Verifica dell'apprendimento
LA PROVA DI ESAME È FINALIZZATA A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI APPLICARE TALI CONOSCENZE PER LA RISOLUZIONE DI PROBLEMI DI PROGRAMMAZIONE CHE RICHIEDONO L’USO DI TECNICHE DI VISIONE ARTIFICIALE; L’AUTONOMIA DI GIUDIZIO, LE ABILITÀ COMUNICATIVE E LA CAPACITÀ DI APPRENDERE.

LA PROVA SI ARTICOLA IN DUE FASI: UNA PRIMA CONSISTE IN UN COLLOQUIO ORALE E NELLA DISCUSSIONE DEI MID TERM PROJECTS SVOLTI INDIVIDUALMENTE DURANTE IL CORSO.
UNA SECONDA FASE PREVEDE LA REALIZZAZIONE DI UN FINAL TERM PROJECT: GLI STUDENTI, DIVISI IN TEAM, DEVONO REALIZZARE UN SISTEMA FINALIZZATO AD UNA COMPETIZIONE TRA I VARI TEAM. SONO OGGETTO DI VALUTAZIONE LE SCELTE PROGETTUALI E METODOLOGICHE EFFETTUATE, INSIEME CON IL RISULTATO OTTENUTO DAL TEAM DURANTE LA COMPETIZIONE.
LO SCOPO E’ QUELLO DI VALUTARE LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE ACQUISITE, LA CAPACITÀ DI APPLICARE LE CONOSCENZE, L’AUTONOMIA DI GIUDIZIO E LA CAPACITÀ DI LAVORARE IN GRUPPO.


NELLA VALUTAZIONE FINALE, ESPRESSA IN TRENTESIMI, LA VALUTAZIONE DEI MID TERM PROJECTS E DEL COLLOQUIO ORALE PESERÀ PER IL 35%, MENTRE IL FINAL TERM PROJECT PESERÀ PER IL 60%. LA LODE POTRÀ ESSERE ATTRIBUITA AGLI STUDENTI CHE DIMOSTRINO DI SAPER APPLICARE LE CONOSCENZE ACQUISITE CON AUTONOMIA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI NEL CORSO
Testi
DISPENSE FORNITE DAL DOCENTE.
SZELISKI. “COMPUTER VISION: ALGORITHMS AND APPLICATIONS”, SPRINGER
M. SONKA, V. HLAVAC, R. BOYLE: "IMAGE PROCESSING, ANALYSIS AND MACHINE VISION", CHAPMAN & HALL.
Altre Informazioni
IL CORSO E' TENUTO IN LINGUA INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2019-03-11]