Insegnamenti

SM/0169 - COMPUTER VISION

Anno Accademico ​2019/2020

Conoscenza e comprensione: Il corso si propone di approfondire teorie e tecniche rivolte all’acquisizione, l’elaborazione, l’analisi di immagini/video e all’interpretazione del loro contenuto.

Capacità di applicare conoscenza e comprensione: lo studente acquisirà le competenze necessarie per la realizzazione di specifici moduli di un sistema di visione artificiale. A tal fine durante il corso verranno utilizzate le librerie software maggiormente diffuse.

Autonomia di giudizio: Attraverso esempi concreti e casi di studio, lo studente sarà in grado di decidere in maniera autonoma quali siano gli algoritmi da utilizzare per la risoluzione di un problema di computer vision ed effettuare il tuning dei parametri coinvolti.

Abilità comunicative: lo studente acquisirà le necessarie abilità comunicative nell'impiego del linguaggio tecnico nell’ambito della computer vision.

Capacità di apprendimento: Lo studente sarà in grado di apprendere tecniche avanzate di visione artificiale applicando i concetti forniti durante le lezioni.

Analisi matematica
Algebra lineare
Basi del Calcolo delle Probabilità
Buone capacità di programmazione in Matlab.

Image Formation and Camera Calibration
Stereopsis
Edge Detection, Lines, Hough transform
Interest Point Detection
Scale Invariant Feature Transform (SIFT)
Bag of Visual Words
Local Binary Pattern (LBP)
Face Recognition
Motion
Deep Learning for Computer Vision

Lezioni frontali ed esercitazioni al calcolatore

-Esame orale riguardante gli argomenti trattati durante il corso (teorie e tecniche rivolte all’acquisizione, l’elaborazione, l’analisi di immagini/video e all’interpretazione del loro contenuto).

-Progetto da concordare con il docente riguardante l’implementazione di algoritmi di visione artificiale.

Il voto finale viene calcolato come media pesata dei voti ottenuti nel colloquio orale (2/3) e nel progetto (1/3).

E. Trucco, A. Verri, “Introductory Techniques for 3-D Computer Vision”, Prentice Hall, 1998;

Richard Szeliski, "Computer Vision: Algorithms and Application", Springer 2010

Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning", MIT Press, 2016.

Adrian Kaehler, Gary Bradski, "Learning OpenCV 3", O'Reilly Media, 2016.

Richard Hartley, Andrew Zisserman, "Multiple View Geometry in Computer Vision 2nd Edition", Cambridge University Press, 2004.

Slides delle lezioni.