Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Ingegneria e scienze informatiche - Immatricolazione dal 2025/2026

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

CURRICULUM TIPO:

1° Anno 

2° Anno   Attivato nell'A.A. 2022/2023

InsegnamentiCreditiTAFSSD
Prova finale
24
E
-
Attivato nell'A.A. 2022/2023
InsegnamentiCreditiTAFSSD
Prova finale
24
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
Tra gli anni: 1°- 2°
Altre attività
3
F
-
Tra gli anni: 1°- 2°

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.




S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S008907

Crediti

6

Coordinatore

Gloria Menegaz

Lingua di erogazione

Italiano

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

L'insegnamento è organizzato come segue:

Teoria

Crediti

5

Periodo

Primo semestre

Laboratorio

Crediti

1

Periodo

Primo semestre

Obiettivi di apprendimento

Il corso si propone di fornire le competenze relative all'analisi, alla modellazione e all'interpretazione di immagini e segnali multidimensionali con enfasi sugli aspetti relativi alla visione artificiale e ai fini sia dell'applicazione di tecniche di intelligenza artificiale a problemi tipici in ambito multimediale sia dell'interpretazione dei relativi risultati. Al termine dell'insegnamento lo/la studente sarà in grado analizzare e di risolvere in autonomia problemi tipici relativi alla modellazione di diverse tipologie di segnali (oltre alle immagini, sequenze video, dati volumetrici, etc.), all'estrazione di feature, alla comprensione e all'analisi della performance di algoritmi di apprendimento automatico orientati alla visione artificiale in ambito multimediale.

Prerequisiti e nozioni di base

Fondamenti di analisi di segnali e immagini.

Programma

Il corso si compone di tre blocchi: modellazione del sistema visivo umano (HVS), rappresentazione dei segnali mediante analisi multirisoluzione e analisi degli algoritmi di deep learning implementati mediante reti convoluzionali (CNN).

Parte 1: Sistema Visivo Umano (HVS) – 10 ore
Introduzione all’Intelligenza visuale
Fondamenti di visione, codifica, rappresentazione e interpretazione dello stimolo visivo, modellazione del sistema visivo (elaborazione multiscala del segnale visivo, funzione di sensibilità al contrasto (CSF), codifica, rappresentazione e percezione del colore (CMF)
Modellazione ad alto livello del HVS: connettività strutturale e funzionale e relativa modellazione mediante grafi

Parte 2: Analisi multirisoluzione – 20 ore
Background
Richiami e acquisizione di strumenti matematici
Rivisitazione della trasformata di Fourier in 1D e in 2D
Trasformata di Fourier a finestra (Windowed Fourier Transform)
Wavelets e rappresentazioni multirisoluzione
Basi wavelet
Famiglie di trasformate multiscala e loro proprietà
Implementazione veloce della trasformata wavelet discreta (DWT)
Trasformata wavelet discreta in 2D
Scattering transform

Parte 3: Applicazione all’interpretazione del comportamento delle reti convoluzionali profonde (CNN) – 10 ore
Richiami di CNN
Il problema dell'interpretabilità, principali soluzioni proposte
Reti convoluzionali, HVS e analisi multirisoluzione: verso l'integrazione
Interpretazione delle reti CNN alla luce della teoria della multirisoluzione e del modello del HVS

Esempi di applicazione nel contesto dell’interpretable deep learning

LABORATORIO
Le sessioni di laboratorio consisteranno in esercitazioni da svolgere in Matlab e Python relative agli argomenti trattati nel corso.

Bibliografia

Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità didattiche

Le lezioni verranno erogate in presenza e in streaming e verranno registrate e rese disponibili su moodle.

Modalità di verifica dell'apprendimento

L'esame consisterà in un progetto e in un colloquio sui temi trattati nel corso.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Criteri di valutazione

Per superare l'esame lo studente dovrà dimostrare di:
- Aver compreso gli aspetti teorici fondamentali relativi alle tre parti in cui si articola l’insegnamento
- Aver compreso le relazioni tra gli argomenti trattati e le differenze e analogie a livello modellistico
- Aver acquisito competenze teoriche e pratiche relative alla teoria della multirisoluzione e alle sue implicazioni in ambito di interpretabilità dei modelli di apprendimento automatico profondo
- Essere in grado di trasporre le competenze acquisite in soluzioni di problemi concreti in ambito multidisciplinare.

Criteri di composizione del voto finale

Il voto finale sarà dato dalla media dei voti della prova di teoria e del progetto.

Lingua dell'esame

Italiano