Sistemi avanzati per il riconoscimento (2016/2017)

Codice insegnamento
4S02792
Docente
Marco Cristani
Coordinatore
Marco Cristani
crediti
6
Settore disciplinare
INF/01 - INFORMATICA
Lingua di erogazione
Italiano
Periodo
I sem. dal 3-ott-2016 al 31-gen-2017.

Orario lezioni

I sem.
Giorno Ora Tipo Luogo Note
lunedì 9.30 - 11.30 lezione Aula C  
mercoledì 12.30 - 13.30 lezione Aula C  
giovedì 8.30 - 11.30 laboratorio Laboratorio didattico Alfa  

Obiettivi formativi

Il corso è pensato come naturale prosecuzione di Teorie e Tecniche del Riconoscimento, e approccia problemi di classificazione notevolmente più difficili. Gli obiettivi del corso sono di rendere lo studente in grado di capire e modificare codice professionale per il riconoscimento (OpenCV, VLFeat, Tensorflow), unitamente a capire la teoria sottostante. Al termine dell’insegnamento lo studente dovrà essere in grado di affrontare un problema reale di riconoscimento (derivante da una applicazione industriale), attraverso gli strumenti visti a lezione. I linguaggi utilizzati saranno principalmente MATLAB e Python, con alcuni rimandi di C.

Programma

Il corso affornta una serie di argomenti allo stato dell’arte nel campo del riconoscimento. Pertanto, ogni argomento verrà spiegato attraverso articoli e dispense aggiornate allegate alle slide delle lezioni. In ogni caso, è consigliabile avere a disposizione questi testi come base di studio:
- Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016.
Argomenti:
- Strumenti di validazione dei classificatori: Matrice di confusione e misure derivate, curve ROC e CMC, average precision, errore quadratico medio, correlazione di etichetta, misure per classificatori e regressori
- Kernel machines, Support Vector Machines
- VLFeat per il riconoscimento di oggetti: riconoscimento denso di oggetti attraverso modelli discriminativi multiclasse
- Caratteristiche di classificazione dense in modalità bag of words
- Descrittori di forma per il tracking di oggetti: B-spline e Condensation
- Deep learning in Tensorflow: Multinomial Logistic Classifier, Neural Networks, C0nvolutional Neural Network

Modalità d'esame

L’esame prevede la discussione con il docente di un elaborato scritto, che propone una soluzione ad un problema industriale di classificazione. Il voto dipenderà dalle capacità di classificazione ottenute dal classificatore (con misure di bontà di classificazione diverse da problema a problema), dai margini di confidenza statistici offerti e dalla motivazione teorica che ha spinto lo studente a scegliere una particolare tecnica di programmazione.

Materiale didattico

Documenti

Opinione studenti frequentanti - 2015/2016


Statistiche per i requisiti di trasparenza (Attuazione Art. 2 del D.M. 31/10/2007, n. 544)

I dati relativi all'AA 2016/2017 non sono ancora disponibili