murino
univrit
lunedì,
Ore 17.00
- 18.30,
Ca' Vignal 2, piano 1, stanza 1.60
Si consiglia comunque di concordare sempre l'orario col docente via email.
It is suggested to always agree the date & time with the teacher via email.
Curriculum Vitae
(pdf, en, 248 KB, 17/10/24)
I principali interessi di ricerca e competenze del Prof. Murino riguardano la visione artificiale e l'apprendimento automatico e profondo (deep learning), il riconoscimento e classificazione, l'elaborazione di immagini e segnali e neuroscienze (dal punto di vista computazionale).
In particulare:
Le attività di ricerca sono svolte nell'ambito di progetti comunitari, nazionali e industriali in diretta collaborazione con altre Università, centri di ricerca e aziende.
Insegnamenti attivi nel periodo selezionato: 58.
Clicca sull'insegnamento per vedere orari e dettagli del corso.
| Nome | Online |
|---|---|
| Mini-course on Deep Learning Methods for Medical Image Analysis (40° Ciclo - Dottorato in Informatica) | |
| Mini-course on Deep Learning Methods for Medical Image Analysis (39° ciclo - Dottorato in Informatica) | |
| Mini-course on Deep Learning Methods for Medical Image Analysis (38° ciclo - Dottorato in Informatica) |
Di seguito sono elencati gli eventi e gli insegnamenti di Terza Missione collegati al docente:
| Argomento | Descrizione | Area di ricerca |
|---|---|---|
| Adattamento/generalizzazione del dominio | Si riferisce a tecniche di apprendimento automatico che mirano a migliorare le prestazioni dei modelli quando applicati a nuovi domini o ambienti non visti. L'adattamento del dominio si concentra sul trasferimento delle conoscenze apprese da un dominio di origine (con abbondanti dati etichettati) a un dominio di destinazione (con dati etichettati limitati o assenti), superando le differenze distributive tra i due. D'altra parte, la generalizzazione del dominio mira a sviluppare modelli che possano generalizzare attraverso più domini, rendendoli robusti alle variazioni senza la necessità di riaddestrarli su ciascun dominio specifico. Questi approcci sono particolarmente importanti nelle applicazioni del mondo reale, dove i modelli devono funzionare in modo affidabile su set di dati diversificati e in evoluzione. |
Intelligenza Artificiale
Machine learning |
| Apprendimento multimodale | Mira a integrare e analizzare dati provenienti da più fonti o modalità, come immagini, testo, audio e video, per migliorare le prestazioni e la comprensione dei modelli di apprendimento automatico. Combinando informazioni provenienti da diversi tipi di dati, l'apprendimento multimodale consente ai sistemi di catturare meglio la ricchezza e la complessità delle informazioni del mondo reale. Questo campo include sfide come la traduzione tra modalità, l'allineamento, la fusione, la rappresentazione efficace e altro. In questa area rientrano anche i modelli multimodali/visivi come CLIP, che collega testo e immagini, DALL-E, che genera immagini a partire da testo, BLIP, progettato per la didascalia delle immagini e per rispondere a domande visive, e modelli di linguaggio di grandi dimensioni come GPT-4 e LLaMA, che si estendono a funzioni multimodali per compiti come la generazione di immagini a partire dal testo. |
Intelligenza Artificiale
Machine learning |
| Apprendimento multi-task | Un paradigma in cui un modello viene addestrato per risolvere simultaneamente più compiti correlati, condividendo conoscenze e rappresentazioni tra i compiti per migliorare le prestazioni complessive. Invece di addestrare modelli separati per ciascun compito, l'apprendimento multi-task sfrutta caratteristiche e parametri condivisi, permettendo al modello di apprendere rappresentazioni generalizzate che avvantaggiano tutti i compiti coinvolti. La ricerca in questo campo si concentra sul miglioramento della priorizzazione dei compiti, sull'equilibrio dell'importanza dei compiti, sulla progettazione di architetture più efficienti e sulla gestione del trasferimento negativo di conoscenza, in cui l'apprendimento di un compito danneggia le prestazioni degli altri. Inoltre, l'esplorazione di metodi per il peso dei compiti, per strati condivisi e specifici per il compito, e per tecniche di transfer learning è attivamente indagata per migliorare la versatilità e la scalabilità dei modelli multi-task. |
Intelligenza Artificiale
Machine learning |
| Apprendimento non supervisionato | È un approccio in cui i modelli vengono addestrati su dati non etichettati, con l'obiettivo di identificare schemi o strutture nascoste all'interno dei dati senza etichette predefinite. Viene comunemente utilizzato per compiti come il clustering, la riduzione della dimensionalità dei dati e il rilevamento delle anomalie. La ricerca aperta nell'apprendimento non supervisionato si concentra sul miglioramento della capacità di scoprire strutture significative in insiemi di dati complessi e ad alta dimensione, spesso con conoscenze preliminari limitate. Le sfide principali includono lo sviluppo di algoritmi di clustering più efficaci, il miglioramento dell'interpretabilità dei modelli che scoprono strutture latenti e la gestione di alti livelli di rumore o scarsità nei dati. Inoltre, sono in corso lavori per colmare il divario tra l'apprendimento non supervisionato e altri paradigmi, come l'apprendimento semi-supervisionato, auto-supervisionato e per contrasto, e per migliorare la robustezza dei modelli non supervisionati nelle applicazioni reali. |
Intelligenza Artificiale
Machine learning |
| Apprendimento semi-supervisionato | Combina una piccola quantità di dati etichettati con una grande quantità di dati non etichettati durante l'addestramento. L'obiettivo è sfruttare l'abbondante disponibilità di dati non etichettati per migliorare il processo di apprendimento, utilizzando i dati etichettati limitati per guidare la comprensione del modello del compito. Questo approccio è particolarmente utile in scenari in cui etichettare i dati è costoso o richiede molto tempo, ma è disponibile un ampio insieme di dati non etichettati. |
Intelligenza Artificiale
Machine learning |
| Apprendimento supervisionato | È un approccio in cui i modelli vengono addestrati su dati etichettati per apprendere una mappatura dagli input agli output, consentendo loro di prevedere etichette corrette per nuovi dati non visti. Sebbene sia ampiamente utilizzato per compiti come classificazione, regressione e predizione di serie temporali, la ricerca attuale in questo campo affronta diverse sfide. Tra le questioni principali, si annoverano come rendere i modelli più robusti al rumore e alle incongruenze delle etichette, migliorare l’efficienza dei campioni per ridurre la necessità di grandi set di dati etichettati e abilitare un "trasferimento" di conoscenza (transfer learning) efficace tra compiti e domini diversi con dati etichettati limitati. Inoltre, affrontare problematiche di equità e bias nei modelli supervisionati, così come migliorare la scalabilità per gestire grandi set di dati senza compromettere le prestazioni, oltre che approcci basati su attenzione/transformer restano aree di ricerca attive. |
Intelligenza Artificiale
Machine learning |
| Biometria | Avanzamento del riconoscimento facciale, delle impronte digitali e dell'iride, nonché dell'analisi della camminata, della biometria vocale e dei sistemi biometrici multimodali. Si occupa anche delle questioni relative alla privacy e all'etica nelle applicazioni biometriche. |
Intelligenza Artificiale
Computer vision |
| Deep learning | Si focalizza sull'addestramento di reti neurali profonde, ovvero con numerosi strati, per apprendere automaticamente pattern e rappresentazioni da grandi quantità di dati. Utilizzando architetture come le reti neurali convoluzionali (CNN) per le immagini, le reti neurali ricorrenti (RNN) per i dati sequenziali e i transformer per compiti diversi, l'apprendimento profondo eccelle in compiti complessi come il riconoscimento delle immagini, l'elaborazione del linguaggio naturale, il riconoscimento vocale, il reinforcement learning, la predizione di serie temporali e la guida autonoma. |
Intelligenza Artificiale
Machine learning |
| Elaborazione delle immagini mediche | Sviluppare tecniche per elaborare e interpretare immagini mediche, inclusi quelle provenienti da modalità come raggi X, TAC, risonanze magnetiche e campioni di istopatologia. Le applicazioni includono la diagnosi di malattie, la segmentazione dei tessuti, il riconoscimento degli organi, la rilevazione di anomalie e il monitoraggio dei trattamenti farmacologici. Sfruttando il deep learning e l'elaborazione avanzata delle immagini, la visione artificiale medica migliora la precisione diagnostica, supporta trattamenti personalizzati e consente approfondimenti in tempo reale nei contesti sanitari. |
Intelligenza Artificiale
Computer vision |
| Informatica affettiva | Si concentra sulla progettazione di sistemi in grado di rilevare, interpretare e rispondere agli stati interni umani, tra cui emozioni, umori, motivazioni e stati cognitivi, nonché segnali sottili come stress, livelli di attenzione e coinvolgimento, utilizzando input da espressioni facciali, tono della voce, segnali fisiologici e comportamenti contestuali (verbali e non). L'obiettivo dell'informatica affettiva è permettere alla tecnologia di interagire in modo più naturale ed empatico, adattando le risposte in base allo stato interiore dell'utente per migliorare l'esperienza e il coinvolgimento dell'utente. | Human computer interaction (HCI) |
| Intelligenza Artificiale Sociale | Sviluppare sistemi di intelligenza artificiale in grado di percepire, interpretare e rispondere ai comportamenti sociali e alle interazioni umane. Questo campo combina conoscenze provenienti dalla visione artificiale, dai multimedia, dalla psicologia, dalla linguistica e dall'apprendimento automatico per consentire alle macchine di comprendere i segnali sociali, come espressioni facciali, gesti, sguardi, intonazione vocale e linguaggio (non verbale) del corpo. L'obiettivo è creare sistemi capaci di intraprendere interazioni socialmente consapevoli, riconoscere le intenzioni umane e le dinamiche sociali e adattare le risposte di conseguenza. | Human computer interaction (HCI) |
| Riconoscimento e comprensione delle attività | Riconoscere e comprendere attività ed azioni individuali e di gruppo, inclusi il tracciamento dello sguardo, l'analisi delle espressioni facciali e l'analisi delle interazioni tra esseri umani e oggetti e sociali, con applicazioni in sanità, assistenza domiciliare e sicurezza pubblica. |
Intelligenza Artificiale
Computer vision |
| Sorveglianza e monitoraggio video | Rilevare anomalie nei filmati di sorveglianza, identificare eventi e generare allarmi, tracciare oggetti e analizzare i movimenti. Ha applicazioni nelle smart city, nei trasporti e nei contesti commerciali. |
Intelligenza Artificiale
Computer vision |
| Carica | Organo collegiale |
|---|---|
| componente | Collegio Didattico di Informatica - Dipartimento Informatica |
| componente | Comitato Scientifico del Master in Comitato Scientifico del Master in Progettazione Multimediale e Video |
| Comitato Scientifico del Master in Elaborazione informatica di dati biomedici e telecontrollo in medicina | |
| Comitato Scientifico del Master in Progettazione Multimediale e Video | |
| componente | Consiglio del Dipartimento di Informatica - Dipartimento Informatica |
© 2024 | Università degli studi di Verona
******** CSS e script comuni siti DOL - frase 9957 ********p>
