Panoramica

Annunci

• [02/03/2022] Questo è il sito web dell’edizione 2021-2022 del corso. Le edizioni precedenti sono disponibili al ai link 2020 e 2021.
  

Breve descrizione del corso

Il corso è finalizzato ad acquisire e sperimentare le tecniche di base per l’analisi di immagini e video. Verranno illustrati i concetti fondamentali per l’analisi delle immagini e verranno illustrate le principali tecniche di object detection, object tracking e action detection. Durante il corso saranno presentati modelli di reti neurali CNN e RNN, tecniche di transfer learning, Residual and Attention network ed una introduzione ai modelli generativi e alle Adversarial networks. Gli esempi applicativi faranno uso del linguaggio Python e dei framework di Deep Learning Pytorch/Tensorflow.

Competenze specifiche:

• comprensione dei concetti legati all’image e al video processing
• conoscenza degli aspetti caratterizzanti di machine learning e deep learning
• comprensione delle principali tecniche per l’analisi di immagini e video
• abilità di utilizzare algoritmi di image analysis per la risoluzione di problemi specifici

Docenti

• Giuseppe Manco. Ricevimento: mercoledì’ 14:30-16:30.
• Francesco Pisani. Rivevimento lunedì 15-17.

Programma

1. Introduzione alla computer vision
   • Concetti fondamentali su Image processing e analysis: Image Basics, Python per Image Processing, Manipolazione di immagini.
   • Trasformazioni: Normalizzazione, filtri, Edge detection, morfologia, thresholding e segmentazione.
2. Classificazione di immagini e video
   • Introduzione alla classificazione: applicazioni; approcci classici; scikit-Learn per la classificazione; limitazioni.
   • Deep Learning: Review su Neural Networks per l’analisi di immagini e video. Convolutional Neural Networks. Reti ricorrenti. Gestione dell’overfitting.
   • Concetti avanzati. Principali architetture di rete e loro caratteristiche: VGG, AlexNet, Inception and Residual Networks, Attention Networks. Transfer Learning.
3. Concetti avanzati
   • Object Detection: Sliding windows, boundary boxes e anchors. Region Proposal Networks. Yolo e Darknet. Applicazioni.
   • Object tracking e action recognition. Optical flow; Single/multiple objects tracking; Action classification and localization.
   • Image segmentation e synthesis. UNet. Neural style transfer.
   • Modelli Generativi: Probabilistic Modeling, Autoencoders. Generative Adversarial Networks. Applicazioni: Colorization, Reconstruction, Super-Resolution, Synthesis, Text-to-image.
   • Adversarial Machine Learning. Principali attacchi e contromisure. Adversarial-free deep networks.

Materiale didattico

• Lucidi delle lezioni
• Notebooks e lucidi delle esercitazioni
• Libri di consultazione:
  • E.R. Davies, Computer Vision: Principles, Algorithms, Applications, Learning. Fifth edition. Elsevier/Academic Press, 2018 [Davies18]
  • Jan Erik Solem, Programming Computer Vision with Python. O’Reilly Media, 2012. [Solem12]
  • Mohamed Elgendy, Deep Learning for Vision Systems. Manning, 2020. [Elg20]
  • Rafael C. Gonzalez, Richard E. Woods, Digital image processing. 4th edition. Pearson, 2018. [Gon18]
  • Richard Szeliski, Computer Vision: Algorithms and Applications. Springer, 2022. [Sze22]
  • Jason M.Kinser, Image operators: image processing in Python. CRC Press, 2019. [Kin19]
    

Sillabo delle lezioni