Codice insegnamento

4S010679

Docente

Vittorio Murino

Coordinatore

Vittorio Murino

Crediti

6

Offerto anche nei corsi:

• Computer Vision & Deep Learning del corso Laurea magistrale in Artificial Intelligence [LM-18]

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Periodo

II semestre dal 2 mar 2026 al 12 giu 2026.

Corsi Singoli

Autorizzato

Orario Lezioni Moodle Seminari 0

Obiettivi di apprendimento

I problemi di Visione Artificiale (Computer Vision, CV) vengono affrontati, ora più di allora, adottando metodi di apprendimento automatico (Machine Learning). Recentemente, gli approcci di apprendimento automatico profondo (Deep Learning, DL) hanno dimostrato di saper affrontare le applicazioni di visione (es. rilevamento, classificazione, segmentazione, tracciamento, etc.) in modo più efficace ed efficiente, raggiungendo prestazioni mai raggiunte prima, consentendo anche di affrontare nuovi problemi, come ad esempio, la generazione di immagini, il trasferimento di stile, e molti altri, solo per citarne alcuni. Questo corso mira a descrivere come i principali problemi di visione vengono affrontati, e talvolta risolti, dagli approcci di DL. Il corso affronterà argomenti classici di CV, ma significativi e con ampia applicabilità in scenari reali, che sono ancora questioni aperte, e che coinvolgono l'analisi e riconoscimento di immagini e video, così come di altri dati multimodali (3D, audio, etc.). Le tematiche di CV comprendono la rilevazione di oggetti (detection), la classificazione di immagini, la segmentazione, il tracciamento (tracking), la generazione di immagini, riconoscimento di azioni e attività, la visione 3D e i sistemi multimodali. Gli approcci di DL più significativi ed efficaci saranno dettagliati includendo le reti neurali convoluzionali, autoencoder, modelli generativi, transformer, NERF, e apprendimento multimodale e multisensoriale, adatti per affrontare problemi pratici relativi ad applicazioni reali, come la scarsità di dati annotati (e quindi apprendimento non supervisionato e semi- o auto-supervisionato), aumento e generazione di dati, robustezza agli attacchi “avversi” e apprendimento continuo.

Prerequisiti e nozioni di base

I prerequisiti per seguire il corso consistono nell'aver acquisito competenze di Apprendimento Automatico, Riconoscimento di Pattern e Intelligenza Artificiale in generale.
La conoscenza di tematiche relative all'elaborazione delle immagini è anche fondamentale per la comprensione del corso in oggetto.

Programma

Il corso intende spiegare i metodi moderni per affrontare e risolvere i problemi di Visione Computazionale. Tali metodi consistono fondamentalmente in approcci di Apprendimento Profondo (Deep Learning) applicati all'elaborazione di immagini e video.
In particolare, il corso si svilupperà su argomenti monolitici relativi a specifici problemi aperti in Visione quali:
- Segmentazione
- Rivelazione (di oggetti)
- Riconoscimento (di oggetti)
- Stima della posa
- Tracciamento (tracking)
- Riconoscimento e segmentazione di azioni/attività
- Elaborazione di dati 3D
- Modelli generativi
- Recupero di immagini
- Analisi di dati multimodali
- Visione e Linguaggio
- Adattamento al dominio e generalizzazione
- Trasferibilità
- Addestramento con dati scarsi, rumorosi, sbilanciati

Modalità didattiche

Le lezioni teoriche si svolgeranno in aula con proiezione di diapositive, mentre le lezioni di laboratorio si svolgeranno al computer in aula informatica e consisteranno nello sviluppo di alcuni degli algoritmi sviluppati in classe.
Le lezioni di laboratorio saranno finalizzate allo sviluppo di esempi pratici di alcuni degli argomenti trattati nella parte teorica del corso. Le lezioni si svolgeranno in un laboratorio informatico in linguaggio Python.

Modalità di verifica dell'apprendimento

L'esame consisterà nello sviluppo di un progetto (massimo 2 partecipanti, 3 partecipanti in casi eccezionali, da concordare con i docenti), seguito dalla stesura di una relazione tecnica e da una presentazione orale.
Durante la presentazione orale del progetto, verranno poste domande sulla parte teorica del corso descritta in aula, volte a valutare la conoscenza dei contenuti del corso.

Criteri di valutazione

Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi teorici e gli algoritmi alla base delle tecniche di Computer Vision & Deep Learning descritti a lezione;
- essere in grado di esporre le proprie argomentazioni in modo preciso, organico e strutturato, senza divagazioni;
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande oppure progetti.

Criteri di composizione del voto finale

Il voto finale sarà una combinazione delle valutazioni relative al progetto e alle risposte alle domande di teoria.

Lingua dell'esame

Inglese