Università degli Studi di Napoli "Parthenope"

Scheda dell'insegnamento

Anno accademico: 
2020/2021
Tipologia di insegnamento: 
A scelta dello studente
Tipo di attività: 
Opzionale
Corso di afferenza: 
Corso di Corso di Laurea Magistrale in INFORMATICA APPLICATA (MACHINE LEARNING E BIG DATA)
Settore disciplinare: 
INFORMATICA (INF/01)
Lingua: 
Inglese
Crediti: 
6
Anno di corso: 
2
Docenti: 
Ciclo: 
Primo Semestre
Ore di attivita' frontale: 
48

Obiettivi

L'obiettivo è di fornire strumenti concettuali e algoritmi di per l’elaborazione di metodi sofisticati per l'estrazione di informazione da immagini e per lo sviluppo di tecniche per applicazioni di visione artificiale.

Conoscenza e capacità di comprensione: Lo studente deve dimostrare di conoscere e saper comprendere i fondamenti della gestione delle immagini digitali e delle implementazioni delle soluzioni algoritmiche efficienti la classificazione, l’identificazione e la segmentazione semantica di oggetti.

Capacità di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper utilizzare la propria conoscenza acquisita per risolvere problemi reali su immagini reali. Inoltre, deve dimostrare di possedere competenze adeguate a formulare ed argomentare soluzioni originali a casi di studio reali.

Autonomia di giudizio: Lo studente deve essere in grado di valutare in maniera autonoma i risultati della letteratura scientifica e delle soluzioni commerciali proposte nel campo dell’elaborazione delle immagini digitali.

Abilità comunicative: Lo studente deve essere in grado di argomentare con rigore scientifico e terminologia appropriata gli approcci e gli algoritmi noti nel settore. Deve essere in grado di interpretare gli aspetti chiave delle soluzioni proposte in letteratura e saperne illustrare sinteticamente il funzionamento.

Capacità di apprendimento: Lo studente deve essere in grado di aggiornarsi e approfondire in modo autonomo argomenti e applicazioni specifiche nel campo dell’elaborazione delle immagini digitali in contesti di studio vari e diversificati.

Prerequisiti

E' richiesta una conoscenza dei concetti e delle tecniche di Machine e Deep Learning.
E' richiesta una conoscenza delle operazioni fondamentali nell'ambito dell'Elaborazione delle Immagini.
E’ altresì richiesta una conoscenza basilare dell’algebra lineare, con riferimento specifico ai vettori e alle matrici e alle operazioni algebriche impiegate per la loro manipolazione. Tali concetti si ritengono già possedute dallo studente e nessuna lezione del corso verrà dedicata a tali concetti.

Contenuti

Il corso fornisce una introduzione alle attività di visione artificiale di "alto livello" prevalentemente basata sulle moderne tecniche di deep learning. Dopo aver rivisto alcuni concetti di attività di visione a basso e medio livello, componenti essenziali per operazioni di livello più avanzato, sono riviste alcune tecniche per l'estrazione di caratteristiche manuale basate su key-point. Successivamente, sono introdotte le principali architetture di Reti Convoluzionali per la classificazione delle immagini, l'object detection e la segmentazione semantica. Sono introdotto applicazioni avanzate come il trasferimento di stile neurale. Infine, per la valutazione del moto di oggetti da immagini statiche o video è introdotto il concetto di campo di moto ed è studiato il flusso ottico.

Metodi didattici

L’insegnamento è strutturato in 48 ore di didattica frontale, organizzate in lezioni da 2 ore scandite dal calendario accademico. La didattica frontale consiste in lezioni teoriche tenute dal docente sugli argomenti previsti dal corso. Le lezioni teoriche hanno l’obiettivo di trasmettere allo studente la conoscenza degli algoritmi per compiti avanzati di visione artificiale nonché delle nozioni tecniche e scientifiche utili alla comprensione e all’implementazione di questi ultimi. Durante l’insegnamento sono proposti agli studenti degli articoli scientifici che, a scelta, saranno discussi in forma di seminari in modo collettivo in aula, volti a verificare la comprensione degli argomenti trattati. Lo svolgimento dei seminari sui temi proposti dal docente permette di verificare l’applicazione pratica degli argomenti visti a livello teorico e la capacità degli studenti di proporre soluzioni alternative. E’ consigliata la frequenza costante del corso che è tuttavia facoltativa. Le prove di esame saranno uguali per tutti gli studenti, frequentanti e non.

Verifica dell'apprendimento

L’esame consiste di due parti: (a) nello svolgimento di un seminario, alla fine del corso, su un articolo scientifico il cui tema è proposto dal docente; (b) in una prova orale su tutti i temi affrontati durante le lezioni.
La prova si intende superata se si consegue un punteggio complessivo pari a 18.

Testi

R. Szeleski, Computer Vision: Algorithms and Applications, 2nd ed. (2022)

R.C. Gonzalez, R.E. Woods, Digital Image Processing, 4th Eds, Pearson

Altre informazioni

Il materiale didattico, in lingua inglese, è accessibile in modalità e-learning al link http://e-scienzeetecnologie.uniparthenope.it. Per fruire dei contenuti pubblicati sulla piattaforma, lo studente deve essere regolarmente registrato ed iscritto al corso.
I ricevimenti sono da concordare con il docente tramite email.