2. Docenti
  3. Didattica

ARTIFICIAL VISION

Gennaro PERCANNELLA ARTIFICIAL VISION

0622700045
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2021/2022



ANNO CORSO 2
ANNO ORDINAMENTO 2017
PRIMO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324LABORATORIO
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
ARCHITETTURA DI UN SISTEMA DI VISIONE ARTIFICIALE. ACQUISIZIONE DI IMMAGINI, OTTICHE E SENSORI. SISTEMI DI ACQUISIZIONE 2D E VISIONE BINOCULARE. CENNI ALLE TECNICHE DI LOW LEVEL PROCESSING (FILTRI LINEARI, OPERATORI MORFOLOGICI) E INTERMEDIATE LEVEL PROCESSING (SEGMENTAZIONE, EDGE DETECTION). APPROCCI TRADIZIONALI O BASATI SU DEEP LEARNING PER RICONOSCIMENTO DI OGGETTI E PER ANALISI DEI VOLTI. ANALISI DI VIDEO: TECNICHE DI INSEGUIMENTO DI SINGOLI OGGETTI DA TELECAMERA MOBILE, TECNICHE DI INSEGUIMENTO DI PIÙ OGGETTI DA TELECAMERA FISSA.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
DIMENSIONARE IL SISTEMA DI ACQUISIZIONE DELLE IMMAGINI E/O DEI VIDEO RISPETTO ALLE SPECIFICHE DEL PROBLEMA. PROGETTARE ED IMPLEMENTARE UN SISTEMA DI VISIONE ARTIFICIALE PER L’INTERPRETAZIONE DI IMMAGINI E/O VIDEO USANDO FUNZIONI DI LIBRERIA PER LA VISIONE ARTIFICIALE (OPENCV) INTEGRANDOLE CON TECNICHE DI MACHINE LEARNING.
Prerequisiti
PER IL PROFICUO RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI È RICHIESTA LA CONOSCENZA DEL LINGUAGGIO PYTHON E DEI PRINCIPALI FRAMEWORK PER IL MACHINE LEARNING ED IL DEEP LEARNING QUALI KERAS E TENSORFLOW.
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 4/2/2)

INTERMEDIATE LEVEL PROCESSING: COMPONENTI CONNESSE E SEGMENTAZIONE. EDGE DETECTION E CONTOUR EXTRACTION. INDIVIDUAZIONE DI PUNTI SALIENTI. CALCOLO DI DESCRITTORI VISUALI: SURF, HOG (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/2)

CAMERA GEOMETRY: TRASFORMAZIONI AFFINI E PROSPETTICHE, CAMERA CALIBRATION, STEREO VISION (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/0)

APPLICAZIONI
RILEVAMENTO E RICONOSCIMENTO DI OGGETTI CON APPROCCI TRADIZIONALI: ALGORITMO DI VIOLA JONES; IMPLEMENTAZIONE DI UN OBJECT DETECTION MEDIANTE ALGORITMI DI VIOLA JONES (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/2)

RILEVAMENTO E RICONOSCIMENTO DI OGGETTI CON APPROCCI BASATI SU DEEP LEARNING; IMPLEMENTAZIONE DI UN OBJECT DETECTION BASATO SU TECNICHE DI DEEP LEARNING (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/2)

ALGORITMI DI ANALISI DEI VOLTI: ESTRAZIONE DEI PUNTI FIDUCIALI PER NORMALIZZAZIONE DEI VOLTI; RILEVAMENTO, VERIFICA E RICONOSCIMENTO DI VOLTI; SOFT BIOMETRICS (CARATTERIZZAZIONE ETA', SESSO, ETNIA, STATO EMOTIVO) (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/2)

INTERPRETAZIONE AUTOMATICA DI VIDEO: TECNICHE PER L'INSEGUIMENTO DI SINGOLI OGGETTI IN MOVIMENTO DA TELECAMERA FISSA O MOBILE; TECNICHE PER L'INSEGUIMENTO DI PIU' OGGETTI IN MOVIMENTO DA TELECAMERA FISSA MEDIANTE SOTTRAZIONE E AGGIORNAMENTO DEL BACKGROUND; PRESENTAZIONE DEGLI SCENARI DELLA VIDEO-SORVEGLIANZA INTELLIGENTE. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/2)

TREND DI SVILUPPO DELLE TECNICHE DI VISIONE ARTIFICIALE NEL MONDO DELLA RICERCA SCIENTIFICA E DELLO SFRUTTAMENTO NEI CONTESTI INDUSTRIALI (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)

PRESENTAZIONE DEL PROGETTO FINALE E CHIUSURA DEL CORSO (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 30/6/12
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 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 40%, 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 DAI DOCENTI.

SZELISKI. “COMPUTER VISION: ALGORITHMS AND APPLICATIONS”, SPRINGER
M. SONKA, V. HLAVAC, R. BOYLE: "IMAGE PROCESSING, ANALYSIS AND MACHINE VISION", CHAPMAN & HALL.

IL MATERIALE DIDATTICO SARà DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO
Altre Informazioni
IL CORSO E' TENUTO IN INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2022-11-21]