Obiettivi formativi

Il corso è pensato come naturale prosecuzione di Teorie e Tecniche del Riconoscimento, e approccia problemi di classificazione notevolmente più difficili. Gli obiettivi del corso sono di rendere lo studente in grado di capire e modificare codice professionale per il riconoscimento (OpenCV, VLFeat, Tensorflow), unitamente a capire la teoria sottostante. Al termine dell’insegnamento lo studente dovrà essere in grado di affrontare un problema reale di riconoscimento (derivante da una applicazione industriale), attraverso gli strumenti visti a lezione. I linguaggi utilizzati saranno principalmente MATLAB e Python, con alcuni rimandi di C.

Programma

Il corso affornta una serie di argomenti allo stato dell’arte nel campo del riconoscimento. Pertanto, ogni argomento verrà spiegato attraverso articoli e dispense aggiornate allegate alle slide delle lezioni. In ogni caso, è consigliabile avere a disposizione questi testi come base di studio:
- Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016.
Argomenti:
- Strumenti di validazione dei classificatori: Matrice di confusione e misure derivate, curve ROC e CMC, average precision, errore quadratico medio, correlazione di etichetta, misure per classificatori e regressori
- Kernel machines, Support Vector Machines
- VLFeat per il riconoscimento di oggetti: riconoscimento denso di oggetti attraverso modelli discriminativi multiclasse
- Caratteristiche di classificazione dense in modalità bag of words
- Descrittori di forma per il tracking di oggetti: B-spline e Condensation
- Deep learning in Tensorflow: Multinomial Logistic Classifier, Neural Networks, C0nvolutional Neural Network

Modalità d'esame

L’esame prevede la discussione con il docente di un elaborato scritto, che propone una soluzione ad un problema industriale di classificazione. Il voto dipenderà dalle capacità di classificazione ottenute dal classificatore (con misure di bontà di classificazione diverse da problema a problema), dai margini di confidenza statistici offerti e dalla motivazione teorica che ha spinto lo studente a scegliere una particolare tecnica di programmazione.

Materiale e documenti

•   Lab 1 - Valutazione dei classificatori supervisionati   (zip, it, 400 KB, 10/6/16)
•   Lab 2 - Funzioni discriminanti lineari ed SVM   (zip, it, 1925 KB, 10/20/16)
•   Lab 3 - Riconoscimento di oggetti con BoW   (zip, it, 14 KB, 11/17/16)
•   Lab 4 - Riconoscimento di oggetti con PLSA   (zip, it, 1 KB, 11/24/16)
•   Lab 6 - Shape descriptors   (zip, it, 1877 KB, 12/19/16)
•   Lezione 0 - Introduzione al corso   (pdf, it, 719 KB, 10/2/16)
•   Lezione 1 - Valutazione dei classificatori supervisionati   (zip, it, 2874 KB, 10/2/16)
•   Lezione 2 - Classificatori discriminativi   (zip, it, 5315 KB, 10/10/16)
•   Lezione 4 - Riconoscimento di Oggetti - Classificatori generativi (PLSA)   (zip, it, 17248 KB, 11/24/16)
•   Lezione 5 - Motion Detection   (zip, it, 7103 KB, 11/30/16)
•   Lezione 7 - Deep Networks   (zip, it, 8017 KB, 1/12/17)
•   Lezione 8 - Deep Networks - Going Deep   (zip, it, 1344 KB, 1/11/17)
•   Lezione 9 - Deep Networks - CNNs   (zip, it, 8047 KB, 1/23/17)