COMPUTER VISION
Anno accademico 2017/2018 - 1° anno - Curriculum Data ScienceCrediti: 6
Organizzazione didattica: 150 ore d'impegno totale, 102 di studio individuale, 24 di lezione frontale, 24 di esercitazione
Semestre: 2°
Obiettivi formativi
Obiettivi formativi generali dell'insegnamento in termini di risultati di apprendimento attesi.
- Conoscenza e capacità di comprensione (knowledge and understanding): l'obiettivo del corso è quello di far acquisire conoscenze che consentano allo studente di comprendere i meccanismi teorici e fisici che stanno alla base di un sistema di visione artificiale
- Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente acquisirà le competenze necessarie per configurare interamente un sistema, scegliendo la configurazione hw/sw ottimale A tale riguardo una parte del corso consisterà in lezioni di laboratorio, con esempi pratici di configurazione e utilizzo di librerie ad-hoc anche in ambiente mobile
- Autonomia di giudizio (making judgements): Attraverso delle vere e proprie sessioen di simulaizoni sul campo, lo studente sarà in grado di elaborare autonomamente soluzioni in grado di risolvere i principali problemi di carattere pratico e di design di un sistema di visione (setting di parametri, realtime processing, ecc.)
- Abilità comunicative (communication skills): lo studente acquisirà le necessarie abilità comunicative e di appropriatezza espressiva nell'impiego del linguaggio tecnico nell'ambito generale dei sistemi informativi e della comuter vision in particolare.
- Capacità di apprendimento (learning skills): il corso si propone, come obiettivo, di fornire allo studente le necessarie metodologie teoriche e pratiche per poter affrontare e risolvere autonomamente nuove problematiche che dovessero sorgere durante una attività lavorativa. A tale scopo diversi argomenti saranno trattati a lezione coinvolgendo lo studente nella ricerca di possibili soluzioni a problemi reali.
Prerequisiti richiesti
corsi di base dedicati al trattamento e alla rappresentazione e classificazione e di dati.
Frequenza lezioni
Fortemente consigliata
Contenuti del corso
Il corso si propone di approfondire teorie e tecniche specificatamente rivolte alla visione artificiale con una serie di applicazioni.
La prima parte del corso verterà su: Modelli di Formazione dell’Immagine, Filters and Features: Edges, Texture, Laplacian Pyramid,Corner Detection (Harris, …), SIFT(Teoria e Applicazioni), Tecniche di Segmentazione (Thresholding, Seeded Region Growing, Statistical Region Merging, ..)
La seconda parte del corso è dedicata allo studio di modelli probabilistici applicati alla Visione.Verranno infine presentate una serie di applicazioni: CBIR Retrieval, Video Stabilization, Face detection and Recognition
L'ultima parte del corso è dedicata ad un tema "specialistico" d'approfondimento
Testi di riferimento
E. Trucco, A. Verri, “Introductory Techniques for 3-D Computer Vision”, Prentice Hall, 1998
G. Bradski, A. Kaehler, “Learning OpenCV Computer Vision with the OpenCV Library” O'Reilly Media, 2008;
Mubarak Shah, "Fundamentals of Computer Vision" (pdf), 1997
R. Hartley and A. Zisserman, “Multiple View Geometry in Computer Vision”, 2004;
D. A. Forsyth, J. Ponce, “Computer Vision a Modern Approach”, Prentice Hall PTR, 2002;
Richard Szeliski, Computer Vision: Algorithms and Application, Springer 2010
Fondamenti di Image Processing - Guida teorico/pratica per l’elaborazione e la codifica di immagini digitali – ISBN: 88-88659-49-8 - EdiArgo 2006;
Elaborazione delle Immagini Digitali - R.C. Gonzales, R.E. Woods – Pearson Italia 2008;
Programmazione del corso
Argomenti | Riferimenti testi | |
---|---|---|
1 | Fundamental Matrix; Estrinsic and Intrinsic Paramters; Camera Calibration; | |
2 | Low Level vision | |
3 | Mid Level vision | |
4 | Face Recognition and Detection | |
5 | SIFT and related issues |
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
Colloquio Orale
Progetto individuale da concordare con il docente
Esempi di domande e/o esercizi frequenti
Dettagli sulle SIFT
Autocalibrazione
Parametri Intrinseci/Estrinseci della Camera
Algoritmo Viola/Jones per il Face Detection
Image Generation Pipeline
Interest point detectors
Interest point descriptors