logo-polimi
Loading...
Manifesto
Struttura Corso di Studi
Cerca/Visualizza Manifesto
Dati Insegnamento
Scarica il Manifesto
Regolamento didattico
Consulta il Regolamento
Elenco docenti
Strutture didattiche
Dati quantitativi
Internazionalizzazione
Orario Personalizzato
Il tuo orario personalizzato è disabilitato
Abilita
Ricerche
Cerca Docenti
Cerca Insegnamenti
Cerca insegnamenti degli Ordinamenti precedenti al D.M.509
Erogati in lingua Inglese

Legenda
Semestre (Sem)
1Primo Semestre
2Secondo Semestre
AInsegnamento Annuale
Lingua d'erogazione
Insegnamento completamente offerto in lingua italiana
Insegnamento completamente offerto in lingua inglese
--Non definita
Didattica innovativa
I CFU riportati a fianco a questo simbolo indicano la parte dei CFU dell'insegnamento erogati con Didattica Innovativa.
Tali CFU riguardano:
  • Cotutela con mondo esterno
  • Blended Learning & Flipped Classroom
  • Massive Open Online Courses (MOOC)
  • Soft Skills
Dati Insegnamento
Contesto
Anno Accademico 2017/2018
Scuola Scuola di Ingegneria Industriale e dell'Informazione
Corso di Studi (Mag.)(ord. 270) - MI (481) Computer Science and Engineering - Ingegneria Informatica
Piano di Studio preventivamente approvato T2A - COMPUTER SCIENCE AND ENGINEERING
Anno di Corso 2

Scheda Insegnamento
Codice Identificativo 051909
Denominazione Insegnamento IMAGE CLASSIFICATION: MODERN APPROACHES
Tipo Insegnamento Monodisciplinare
Crediti Formativi Universitari (CFU) 5.0
Semestre --
Programma sintetico The goal of this course is to provide students with an understanding of the most important image-classification algorithms, and in particular of the feature-extraction phase, which is often their most critical component. We will provide an overview of both hand-crafted features, that are still adopted in many industrial and automation-control scenarios, and data-driven (i.e. learned) features, which have recently become a standard in challenging natural-image recognition problems with huge training datasets. In particular, the main goals of this course are the following. Understanding image-classification problems, the main challenges of handling images, and the basic framework for image-classification algorithms. Present the most relevant techniques to extract features. In particular, we will address both i) hand-crafted features, which descend from computer-vision literature, and ii) data-driven features, which are learned from a training set of images. Provide students with some guidance to tackle practical issues rising in image classification, including: performance assessment, dataset augmentation, transfer learning for pre-trained models. Illustrate the structure of convolutional networks, as a meaningful example of a deep-learning architecture. Provide an overview of techniques to process images in Python/Matlab.

Orario: aggiungi e rimuoviScaglioneDocenteLingua offertaProgramma dettagliato
Da (compreso)A (escluso)
--AZZZZBoracchi Giacomo
manifesti v. 3.3.7 / 3.3.7
Area Servizi ICT
09/07/2020