Insegnamento DEEP LEARNING AND ROBOT PERCEPTION
- Corso
- Ingegneria informatica e robotica
- Codice insegnamento
- A003170
- Curriculum
- Data science
- Docente
- Gabriele Costante
- Docenti
-
- Gabriele Costante
- Ore
- 48 ore - Gabriele Costante
- CFU
- 6
- Regolamento
- Coorte 2022
- Erogato
- 2023/24
- Attività
- Caratterizzante
- Ambito
- Ingegneria informatica
- Settore
- ING-INF/04
- Tipo insegnamento
- Opzionale (Optional)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- ITALIANO
- Contenuti
- Operazioni di filtraggio, estrazione di punti di interesse e di descrittori di immagine. Matching e Trasformazioni di immagine. Geometria epipolare e ricostruzione stereo. Visual odometry e visual SLAM. Deep learning e reti neurali convoluzionali. Esercitazioni guidate su Pytorch per la progettazione di reti neurali per applicazioni.
- Testi di riferimento
- Richard Szeliski. “Computer Vision: Algorithms and Applications”, Springer -
Ian Goodfellow, Yoshua Bengio, Aaron Courville. “Deep Learning”, MIT Press - Christopher Bishop. “Pattern Recognition and Machine Learning”, Springer; Richard Hartley, Andrew Zisserman. “Multiple view geometry”, Cambridge University Press – Ramesh Jain, Rangachar Kasturi, Brian G. Schunk. “Machine Vision”, McGraw-Hill
Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA (https://www.unistudium.unipg.it/unistudium/ ) - Obiettivi formativi
- - Conoscenza di base di: problematiche connesse all’estrazione di informazioni di vario livello semantico da immagini; tecniche di estrazione di features e di descrittori di immagine; tecniche per la stima della trasformazione tra coppie di immagini; strategie per la ricostruzione 3D a partire da immagini in configurazione stereo; principi alla base della Visual odometry e del Visual SLAM; caratteristiche, vantaggi e soluzioni basate su reti neurali convoluzionali
- Abilità: nella scelta di tecnologie e blocchi funzionali di sistemi di analisi di immagine per varie applicazioni; nell’utilizzo di reti neurali convoluzionali e nella progettazione di architetture di deep learning (in particolare con il framework Pytorch)
- L'insegnamento, inoltre, contribuisce al conseguimento dei seguenti risultati di apprendimento: elaborare e/o applicare idee originali in applicazioni diverse; risolvere problemi in ambienti nuovi e/o interdisciplinari; motivare le scelte progettuali compiute evidenziando possibili criticità; integrare le conoscenze e gestire la complessità. - Prerequisiti
- Al fine di comprendere i contenuti presentati e conseguire gli obiettivi di apprendimento è utile possedere una conoscenza di base di Algebra Lineare e una buona conoscenza di Machine Learning e di programmazione. Insegnamento suggerito: “Machine Learning and Data Mining”.
- Metodi didattici
- L’insegnamento è organizzato come segue:- lezioni frontali in aula;- lezioni frontali a carattere seminariale- esercitazioni guidate presso il Laboratorio di Informatica sulla progettazione di soluzioni per problem di deep learning e deep reinforcement learning con framework Pytorch. Strumenti di supporto alla didattica: lavagna e PC+proiettore, PC.
- Altre informazioni
- I Semestre (maggiori dettagli vengono riportati al link http: //www.ing.unipg.it/it/didattica/studiare-nei-nostri-corsi/orario-delle-lezioni ).
- Modalità di verifica dell'apprendimento
- Le conoscenze relative all’insegnamento vengono accertate attraverso una Prova orale e una Prova pratica (tesina).
La prova orale prevede la discussione del progetto presentato e due domande su argomenti scelti dal docente, e dura circa 45 minuti.
La prova è volta ad accertare la compresione, da parte dello studente, degli strumenti teorici fondamentali forniti dall'insegnamento, nonchè le relazioni tra tali strumenti e le tematiche generali dell'ingegneria informatica.
Il progetto presentato viene utilizzato per verificare le capacità di progettazione di soluzioni basate su deep learning per applilcazioni di computer vision e robotica attraverso il framework Pytorch.
La tesina deve essere inviata al docente il giorno prima della prova di esame.
Le prenotazioni alle prove di esame avvengono tramite il portale SOL: https://www.segreterie.unipg.it/
Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa - Programma esteso
- Introduzione alla Computer Vision
Filtraggio di immagine.
Image Features. Descrittori di Immagine e matching tra descrittori.
Trasformazioni di immagine
Geometria Stereo. Visual odometry.
Machine learning e Computer Vision: Introduzione.
Reti neurali e Deep Learning.
Reti neurali convoluzionali (CNN).
Architetture per le CNN .
Reti neurali ricorrenti: RNN –LSTM –GRU.
CNN applicazioni di computer vision (Detection, segmentation, recognition).
Modelli generativi (Generative adversarial network (GAN)) e applicazioni non supervisionate delle CNN.
Esercitazioni di laboratorio: Framework per il deep learning, Design di architetture per le CNN, Esempi di applicazioni delle CNN. - Obiettivi Agenda 2030 per lo sviluppo sostenibile