COMPUTER VISION

Anno accademico 2017/2018 - 1° anno - Curriculum Data Science
Docente: Sebastiano BATTIATO
Crediti: 6
Organizzazione didattica: 150 ore d'impegno totale, 102 di studio individuale, 24 di lezione frontale, 24 di esercitazione
Semestre:

Obiettivi formativi

Obiettivi formativi generali dell'insegnamento in termini di risultati di apprendimento attesi.

  1. 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
  2. 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
  3. 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.)
  4. 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.
  5. 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

 ArgomentiRiferimenti testi
1Fundamental Matrix; Estrinsic and Intrinsic Paramters; Camera Calibration; 
2Low Level vision 
3Mid Level vision 
4Face Recognition and Detection 
5SIFT 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