Didattica - Università degli Studi di Padova

Syllabus

Prerequisiti:	Il corso prevede conoscenze preliminari di: analisi matematica, algebra lineare, analisi in frequenza dei segnali, elementi di base di programmazione orientata agli oggetti. Richiede inoltre capacità di base di programmazione.
Conoscenze e abilita' da acquisire:	L'obiettivo formativo del corso prevede l'acquisizione delle seguenti conoscenze e abilità: - Conoscere i principi fondamentali del modello di formazione delle immagini e su come sia possibile modellare il processo di acquisizione dei sensori. - Essere in grado di elaborare le immagini e analizzarle nel dominio della frequenza. - Conoscere i principali strumenti di comprensione delle immagini ad alto livello, sviluppando un senso critico sull'utilizzo delle varie tecniche introdotte nel corso. - Essere in grado di sviluppare software sfruttando programmazione orientata agli oggetti, con particolare riferimento alla produzione di software per l'analisi automatizzata di immagini. - Essere in grado di progettare sistemi di visione artificiale componendo i vari strumenti di elaborazione delle immagini. - Essere in grado di sviluppare sistemi di visione artificiale sfruttando il linguaggio di programmazione C++ e librerie open source per la visione artificiale, e di valutare le prestazioni dei sistemi progettati.
Modalita' di esame:	La valutazione delle conoscenze e delle abilità acquisite è effettuata secondo il seguente schema: 1. Lo studente deve presentare 2 brevi report sulle esperienze di laboratorio e sul relativo software sviluppato; tali esperienze sono sviluppate durante le lezioni di laboratorio, guidate dal docente. I report contribuiscono al voto finale per il 10% con una valutazione di tipo on/off. 2. Una prova scritta a libro chiuso in cui lo studente deve risolvere dei semplici problemi e rispondere a domande sulla teoria vista durante il corso, al fine di verificare l'acquisizione dei principali ingredienti e strumenti della computer vision, la capacità analitica nel loro utilizzo e la capacita di interpretare i risultati tipici in un problema pratico di computer vision. Questa parte concorre per il 65% alla determinazione del voto. 3. Una valutazione delle abilità progettuali acquisite, basata sulla consegna di un progetto software. Lo studente deve produrre una breve relazione che descriva le metodologie utilizzate per risolvere il progetto assegnato assieme ai risultati ottenuti. Il progetto consente di verificare la capacità di mettere in pratica i concetti teorici acquisiti. Questa parte concorre per il 25% alla determinazione del voto.
Criteri di valutazione:	I criteri di valutazione sono i seguenti: 1. La completezza delle conoscenze acquisite per quanto riguarda gli strumenti per la computer vision. 2. La capacità di risolvere un problema di computer vision attraverso le tecniche proposte. 3. La proprietà nella terminologia tecnica usata. 4. L’originalità e indipendenza nella identificazione delle metodologie più adatte a risolvere uno specifico problema di computer vision. 5. La capacità di interpretare i risultati in un problema pratico di computer vision. 6. Abilità nell'utilizzo degli strumenti informatici per la computer vision, in particolare la libreria OpenCV. 7. L’abilità analitica e pratica nell'uso di questi strumenti per la soluzione di semplici problemi. Inoltre, nello specifico per le 3 componenti della valutazione: - per la valutazione dei report: la capacità di passare dal contesto teorico a quello implementativo, applicando a semplici casi concreti i concetti fondamentali presentati nel corso. - Per la prova scritta: il livello di conoscenza degli strumenti e delle tecniche presentate a lezione. - Per il progetto software individuale: la capacità di risoluzione di problemi nuovi componendo in maniera consapevole le conoscenze viste a lezione.
Contenuti:	1. La telecamera: sensori, ottiche e loro influenza sulla formazione delle immagini, nozioni di base di colorimetria. 2. Geometria proiettiva, formazione delle immagini e pinhole camera model. 3. Algoritmi per l'elaborazione delle immagini, basso livello: filtri lineari, filtro bilaterale, filtro mediano, istogrammi, trasformata di Fourier. 4. Elaborazione di medio livello: edge detection, corner detection, trasformata di Hough, segmentazione. 5. Image features: keypoint e descrittori. 6. Algoritmi di alto livello: template matching, object recognition, tecniche di deep learning per image understanding.
Attivita' di apprendimento previste e metodologie di insegnamento:	Lezioni teoriche con utilizzo sia della lavagna (perché permette di mantenere un ritmo adeguato e facilita l’interazione con gli studenti durante le lezioni) che di slides o altro materiale al computer quando questo aiuta ad ottenere una migliore comprensione degli argomenti spiegati (ad esempio figure complesse, animazioni che mostrano l’esecuzione degli algoritmi, etc). Saranno inoltre svolte lezioni in laboratorio, in cui gli studenti sono guidati nei primi passi verso l'applicazione e l'approfondimento dei concetti visti a lezione. Si fa frequentemente uso di strumenti interattivi, quali il think-pair-share e le discussioni interattive di alcuni minuti su domande aperte, al fine di stimolare l'apprendimento attivo e il senso critico sui concetti esposti a lezione.
Eventuali indicazioni sui materiali di studio:	Tutti gli argomenti del programma sono trattati a lezione; le slide presentate sono rese disponibili su elearning. Gli appunti presi a lezione possono essere integrati con il libro di testo e da ulteriore materiale proposto dal docente e messo a disposizione su elearning.
Testi di riferimento:	Gonzalez, Rafael C.; Woods, Richard Eugene, Digital image processing. Upper Saddle River: NJ, Pearson Prentice-Hall, --. Szeliski, Richard, Computer vision algorithms and applications. New York: Springer 2, --. Kaehler, Adrian; Bradski, Gary Rost, Learning OpenCV 3computer vision IN C++ with the OpenCV library. Sebastopol: CA, O'Reilly, 2017. Forsyth, David; Ponce, Jean, Computer VisionA Modern Approach. Boston: Pearson, 2012.