IMAGE AND VIDEO UNDERSTANDING

Il corso si propone di fornire una introduzione ai principi, alle tecniche e alle principali applicazioni nell'ambito dell'analisi e comprensione automatica di immagini e video.

1. Conoscenza e comprensione
1.1. acquisire i modelli principali e gli algoritmi di analisi di immagini e video

2. Capacità di applicare conoscenza e comprensione
2.1. saper applicare i modelli studiati a problemi reali
2.2. sapere valutare criticamente le prestazioni ed il comportamento di un modello applicato ad un problema concreto

3. Capacità di giudizio
3.1. sapere comprendere quali caratteristiche dei vari modelli studiati meglio si adattano ad un problema dato
3.2. saper valutare criticamente le caratteristiche teoriche dei modelli proposti;

Familiarità con i concetti fondamentali dell'analisi matematica, dell'algebra lineare e della statistica. La conoscenza del linguaggio Python e della libreria PyTorch sono consigliate.

Neural Network Models for Images and Video:
- Artificial Neural Networks (training, tricks, optimizers)
- Convolutional Neural Networks
- Transformer Architectures
- Graph Neural Networks

Image Analysis:
- Classification
- Segmentation
- Object Detection

Video Understanding:
- Video Classification
- Video Object Segmentation
- Object Tracking

Human-Centered Computer Vision:
- Person detection
- Face detection
- Pose Estimation
- Person Re-Identification
- Trajectory Forecasting
- Action Recognition
- Group Detection

Generative AI:
- Auto Encoders & Variational Autoencoders
- GANS
- Diffusion Models

Advanced Topics (tentative):
- Active Learning
- Anomaly Detection
- Multimodal Deep Learning
- Implicit Representation
- Scene Understanding

- R. Szeliski, Computer Vision: Algorithms and Applications. Springer.

- D. Forsyth and J. Ponce. Computer Vision: A modern Approach. Pearson.

- I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. MIT Press

L'esame consiste in una prova orale (60%) e nella discussione di un progetto (40%) concordato preventivamente con il docente.

orale

Excellent (30 e lode) – Outstanding performance
Very Good (28-29) – Above-average knowledge and application
Good (25-27) – Solid understanding with minor errors
Satisfactory (21-24) – Acceptable but with notable gaps
Pass (18-20) – Minimum required competence
Fail (<18) – Insufficient performance

Presentazione powerpoint e lavagna.

Per favorire uno studio "attivo" degli argomenti trattati, lo studente sviluppera un semplice progetto, concordato con il docente, che sara poi oggetto di discussione in sede di esame.