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.
Ulteriori Attività formativa D e F
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 2025/2026Nella scelta delle attività di tipo D, gli studenti dovranno tener presente che in sede di approvazione si terrà conto della coerenza delle loro scelte con il progetto formativo del loro piano di studio e dell'adeguatezza delle motivazioni eventualmente fornite.
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Linguaggio Programmazione Matlab-Simulink | D |
Bogdan Mihai Maris
(Coordinatore)
|
| 1° 2° | Sfide di programmazione | D |
Romeo Rizzi
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Introduzione alla stampa 3D | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Linguaggio programmazione Python | D |
Vittoria Cozza
(Coordinatore)
|
| 1° 2° | Progettazione di componenti hardware su FPGA | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Prototipizzazione con Arduino | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Tutela dei beni immateriali (SW e invenzione) tra diritto industriale e diritto d’autore | D |
Roberto Giacobazzi
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Lab.: The fashion lab (1 cfu) | D |
Maria Caterina Baruffi
(Coordinatore)
|
| 1° 2° | Minicorso Blockchain | D |
Nicola Fausto Spoto
(Coordinatore)
|
Intelligenza visuale (2020/2021)
Codice insegnamento
4S008907
Crediti
6
Coordinatore
Non ancora assegnato
Lingua di erogazione
Italiano
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
L'insegnamento è organizzato come segue:
Teoria
Crediti
5
Periodo
I semestre
Docenti
Gloria Menegaz
Laboratorio
Crediti
1
Periodo
I semestre
Docenti
Gloria Menegaz
Obiettivi formativi
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.
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
| Attività | Autore | Titolo | Casa editrice | Anno | ISBN | Note |
|---|---|---|---|---|---|---|
| Teoria | Stephane Mallat | A Wavelet Tour of Signal Processing (Edizione 2) | Academic Press | 1999 | 9780124666061 | |
| Teoria | Brian A. Wandell | Foundations of Vision | Sinauer Associates Inc | 1995 | 0878938532 |
Modalità d'esame
L'esame consisterà in un progetto e in un colloquio sui temi trattati nel corso.
