Course Syllabus
Obiettivi
Conoscenza e comprensione
Lo studente acquisirà conoscenze fondamentali sui principi teorici e metodologici relativi alla conversione analogico-digitale, all’elaborazione, all’analisi, all’interpretazione e alla gestione di segnali e immagini digitali. Verranno inoltre approfonditi sia i paradigmi tradizionali sia le tecniche più recenti basate su deep learning e apprendimento automatico.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di progettare ed implementare soluzioni per l’elaborazione e l’analisi di segnali e immagini in ambito digitale, utilizzando strumenti e librerie software consolidati. Sarà inoltre in grado di applicare tali soluzioni a casi pratici in diversi contesti applicativi.
Autonomia di giudizio
Lo studente svilupperà la capacità di analizzare criticamente le scelte metodologiche e progettuali (es. algoritmi, architetture, tecniche di preprocessing e di interpretazione) e di valutare le prestazioni delle soluzioni adottate in termini di correttezza, efficienza ed efficacia rispetto agli obiettivi del problema.
Abilità comunicative
Lo studente sarà in grado di presentare in modo chiaro, rigoroso e strutturato le tecniche e i modelli utilizzati, i risultati ottenuti e le implicazioni delle scelte progettuali, anche tramite visualizzazioni e report tecnici, utilizzando un linguaggio appropriato al contesto accademico e professionale.
Capacità di apprendimento
Il corso fornirà le basi necessarie per permettere allo studente di approfondire in autonomia tecniche avanzate di elaborazione e interpretazione di segnali e immagini, inclusi gli sviluppi più recenti in ambito deep learning, favorendo il continuo aggiornamento delle proprie competenze in un settore in rapida evoluzione.
Contenuti sintetici
Lo studente acquisirà competenze specifiche che lo porranno in grado di comprendere il processo di digitalizzazione dei segnali e delle immagini; di progettare ed implementare algoritmi di elaborazione, analisi e classificazione di segnali ed immagini (basati sia su tecniche tradizionali che sulle recenti tecniche di deep learning e apprendimento automatico), e di valutarne l'efficacia.
Programma esteso
1 Conversione analogico-digitale, elaborazione ed estrazione di caratteristiche descrittive da segnali ed immagini
2 Riconoscimento e classificazione di segnali
3 Riconoscimento e classificazione di immagini/video
4 Metodi per l’indicizzazione ed il reperimento di segnali/immagini/video in archivi di grandi dimensioni
5 Analisi di casi studio
Prerequisiti
Nessuno
Modalità didattica
L’insegnamento prevede una parte di lezioni teoriche che si terranno in aula, e una parte di laboratorio che si terranno in laboratorio e/o in aula e che richiederanno l’uso del proprio PC. Entrambe le parti saranno basate sia su didattica erogativa (DE) che interattiva (DI).
Materiale didattico
Slides, articoli e dispense fornite dal docente
Libro di testo:
- Digital Image Processing, 4th Edition, Rafael C. Gonzalez, Richard E. Woods
- Digital Image Processing: Part I, Huiyu Zhou , Jiahua Wu , Jianguo Zhang (scaricabile https://bookboon.com/en/digital-image-processing-part-one-ebook)
- Digital Image Processing: Part II, Huiyu Zhou , Jiahua Wu , Jianguo Zhang (scaricabile https://bookboon.com/en/digital-image-processing-part-two-ebook)
- Y. Goodfellow, Y. Bengio, A. Courville, Deep Learning, 2015. MIT Press
Periodo di erogazione dell'insegnamento
Primo semestre
Modalità di verifica del profitto e valutazione
Progetto e discussione del progetto.
Il progetto consiste nella realizzazione di una applicazione per il riconoscimento di oggetti in scene reali. La successiva discussione consente di verificare l'apprendimento dei concetti spiegati a lezione e la loro corretta applicazione all'interno del progetto sviluppato.
Orario di ricevimento
Dopo le lezioni o su appuntamento
Aims
Knowledge and Understanding
The student will acquire fundamental knowledge of theoretical and methodological principles related to analog-to-digital conversion, processing, analysis, understanding, and management of digital signals and images. Both traditional paradigms and newer techniques based on deep learning and machine learning will also be explored.
Applying knowledge and understanding
The student will be able to design and implement solutions for signal and image processing and analysis in the digital domain, using established software tools and libraries. He/she will also be able to apply these solutions to practical cases in different application contexts.
Making judgments
The student will develop the ability to critically analyze methodological and design choices (e.g., algorithms, architectures, preprocessing and understanding techniques) and to evaluate the performance of the adopted solutions in terms of correctness, efficiency and effectiveness with respect to the objectives of the problem.
Communication skills
The student will be able to present in a clear, rigorous and structured manner the techniques and models used, the results obtained and the implications of design choices, including through visualizations and technical reports, using language appropriate to the academic and professional context.
Learning skills
The course will provide the necessary notions to enable the student to independently explore advanced signal and image processing and interpretation techniques, including the latest developments in deep learning, while fostering continuous updating of their skills in a rapidly evolving field.
Contents
The student will acquire specific skills that will put him in a position to understand the process of digitization of the signals and images; to design and implement algorithms for the processing, analysis and classification of digital signals and images (based on both traditional techniques and on the recent deep learning and machine learning techniques), and to assess their effectiveness.
Detailed program
1 Analog-to-digital conversion, processing and descriptive feature extraction in signals and images
2 Signals classification and recognition
3 Images/videos classification and recognition
4 Indexing and retrieval methods for signals/images/videos in large archives
5 Analysis of case studies
Prerequisites
None
Teaching form
The teaching includes a part of theoretical lectures that will be held in the classroom, and a part of laboratory that will be held in the laboratory and/or classroom and will require the use of one's own PC. The two parts will be based both on delivery mode and interactive mode.
Textbook and teaching resource
Slides, articles and notes given by the professor.
Textbooks:
- Digital Image Processing, 4th Edition, Rafael C. Gonzalez, Richard E. Woods
- Digital Image Processing: Part I, Huiyu Zhou , Jiahua Wu , Jianguo Zhang (freely available at https://bookboon.com/en/digital-image-processing-part-one-ebook)
- Digital Image Processing: Part II, Huiyu Zhou , Jiahua Wu , Jianguo Zhang (freely available at https://bookboon.com/en/digital-image-processing-part-two-ebook)
- Y. Goodfellow, Y. Bengio, A. Courville, Deep Learning, 2015. MIT Press
Semester
First semester
Assessment method
Discussion of a project that can be done in a group of up to two people, with individual evaluation. The project concerns the realization of an application for the recognition of objects placed in real scenes. The project discussion will allow to verify the learning of the concepts explained in class and their correct application within the developed project.
Office hours
Just after the lessons or by request