La visione artificiale è la tecnologia del presente e del futuro. Specializzati grazie a questo programma e ottieni la crescita professionale che stai cercando” 

Negli ultimi anni, l'intelligenza artificiale ha provocato una grande rivoluzione nel mondo tecnologico. Consente lo sviluppo di software e macchine in grado di apprendere, generare nuove conoscenze e agire in base alla migliore soluzione disponibile in ogni situazione. Le sue applicazioni spaziano quindi dall'informatica alla ricerca in settori come la sanità, o allo sviluppo di strumenti come veicoli, robot o videogiochi. 

Si tratta di un settore in continua espansione e fondamentale ormai nella maggior parte delle imprese informatiche e tecnologiche. Proprio a causa della sua grande importanza e dei suoi progressi negli ultimi anni, sono nate specialità che si concentrano su alcuni dei suoi aspetti specifici. La visione artificiale è una delle più importanti. Questa disciplina si focalizza sul modo in cui le macchine elaborano le informazioni visive in entrata e sul modo in cui tali informazioni possono essere utilizzate, sia per migliorare il rapporto della macchina con il proprio ambiente, rendendo le sue operazioni più accurate, sia per raccogliere dati in modo efficiente. 

Si tratta quindi di un campo fondamentale e strettamente legato al Machine Learning, per cui sempre più aziende sono alla ricerca di informatici specializzati in questo settore che possano fornire le migliori soluzioni tecnologiche nello sviluppo di progetti di visione artificiale. Questo Master offre uno studio approfondito del settore per fornire le conoscenze e gli strumenti più innovativi affinché, al termine del programma, lo studente possa progredire immediatamente sul piano professionale grazie alle competenze apprese. 

Tutto questo sarà possibile grazie alla metodologia 100% online di TECH Global University, ideata appositamente per consentire agli informatici e agli ingegneri di conciliare questo programma con il lavoro, in una modalità che si adatta alle loro circostanze personali. Durante l'intero processo di apprendimento saranno inoltre affiancati da un personale docente esperto e potranno usufruire delle migliori risorse didattiche multimediali, come casi di studio, video tecnici, masterclass o riassunti interattivi, tra gli altri. 

Il futuro è già qui. Cogli l'occasione e diventa un grande esperto di visione artificiale grazie a questo Master" 

Questo Master inVisione Artificiale possiede il programma educativo più completo e aggiornato del mercato. Le caratteristiche principali del corso sono:  

• Sviluppo di casi pratici presentati da esperti in informatica e visione artificiale 
• I contenuti grafici, schematici ed eminentemente pratici in base ai quali sono stati concepiti forniscono informazioni scientifiche e pratiche riguardo alle discipline mediche essenziali per
• l’esercizio della professione 
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento 
• La sua speciale enfasi sulle metodologie innovative  
• Lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale. 
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet

Non aspettare oltre e specializzati in un'area chiave della tecnologia del futuro che ti consentirà di fare subito carriera" 

Il personale docente del programma comprende prestigiosi professionisti che apportano la propria esperienza, così come specialisti riconosciuti e appartenenti a società scientifiche di primo piano. 

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale. 

La progettazione di questo programma è incentrata sull’Apprendimento Basato sui Problemi, mediante il quale il professionista deve cercare di risolvere le diverse situazioni di pratica professionale che gli si presentano durante il corso. Sarai supportato da un innovativo sistema video interattivo sviluppato da esperti rinomati. 

Approfondisci le tue conoscenze in materia di intelligenza artificiale e Deep Learning per diventare un punto di riferimento nel campo della visione artificiale"

Iscriviti subito e inizia sviluppare promettenti progetti di visione artificiale grazie a ciò che imparerai in questo programma"

I contenuti di questo Master in Visione Artificiale sono stati progettati dai maggiori esperti internazionali del settore, in modo che gli informatici abbiano accesso a conoscenze altamente specializzate che consentano loro di diventare dei punti di riferimento nel campo. In questo programma potranno quindi approfondire aspetti come la visione artificiale per lo studio dello spazio e per l'analisi dei contenuti, la ricerca di schemi e codici, le librerie di elaborazione di immagini 3D o gli autocodificatori. 

Il programma più completo sulla visione artificiale ti aspetta. Completalo e addentrati nel futuro di questa professione"

Modulo 1. Visione artificiale 

1.1. Percezione umana 

1.1.1. Sistema visivo umano 
1.1.2. Il colore 
1.1.3. Frequenze visibili e non visibili 

1.2. Cronaca della visione artificiale 

1.2.1. Principi 
1.2.2. Evoluzione 
1.2.3. Importanza della visione artificiale 

1.3. Composizione di immagini digitali 

1.3.1. L'immagine digitale 
1.3.2. Tipi di immagini 
1.3.3. Spazi del colore 
1.3.4. RGB 
1.3.5. HSV e HSL 
1.3.6. CMY-CMYK 
1.3.7. YCbCr 
1.3.8. Immagine indicizzata 

1.4. Sistemi di imaging 

1.4.1. Come funziona una telecamera digitale 
1.4.2. L'esposizione giusta per ogni situazione 
1.4.3. Profondità di campo 
1.4.4. Risoluzione 
1.4.5. Formati immagine 
1.4.6. Modo HDR 
1.4.7. Telecamere ad alta risoluzione 
1.4.8. Telecamere ad alta velocità 

1.5. Sistemi ottici 

1.5.1. Principi ottici 
1.5.2. Obiettivi convenzionali 
1.5.3. Obiettivi telecentrici 
1.5.4. Tipi di autofocus 
1.5.5. Lunghezza focale 
1.5.6. Profondità di campo 
1.5.7. Distorsione ottica 
1.5.8. Calibrazione di un'immagine 

1.6. Sistemi di illuminazione 

1.6.1. L’importanza dell’illuminazione 
1.6.2. Risposta in frequenza 
1.6.3. Illuminazione a led 
1.6.4. Illuminazione esterna 
1.6.5. Tipi di illuminazione per applicazioni industriali Effetti 

1.7. Sistemi di captazione 3D 

1.7.1. Visione stereo 
1.7.2. Triangolazione 
1.7.3. Luce strutturata 
1.7.4. Time of Flight 
1.7.5. LiDAR 

1.8. Multi-spettrale 

1.8.1. Telecamere multispettrali 
1.8.2 Telecamere iperspettrali 

1.9. Spettro vicino non visibile 

1.9.1. Telecamere IR 
1.9.2. Telecamere UV 
1.9.3. Conversione da non visibile a visibile attraverso l'illuminazione 

1.10. Altre bande dello spettro 

1.10.1. Raggi X 
1.10.2. Terahertz 

Modulo 2. Applicazioni e stato dell'arte 

2.1. Applicazioni industriali 

2.1.1. Librerie di visione artificiale 
2.1.2. Telecamere compatte 
2.1.3. Sistemi basati su PC 
2.1.4. Robotica industriale 
2.1.5. Pick and place 2D 
2.1.6. Bin picking 
2.1.7. Controllo di qualità 
2.1.8. Presenza-assenza di componenti 
2.1.9. Controllo dimensionale 
2.1.10. Controllo dell'etichettatura 
2.1.11. Tracciabilità 

2.2. Veicoli autonomi 

2.2.1. Assistenza al conducente 
2.2.2. Guida autonoma 

2.3. Visione artificiale per l'analisi dei contenuti 

2.3.1. Filtrare per contenuto 
2.3.2. Moderazione dei contenuti visivi 
2.3.3. Sistemi di monitoraggio 
2.3.4. Identificazione di marchi e loghi 
2.3.5. Etichettatura e classificazione dei video 
2.3.6. Rilevamento del cambiamento di scena 
2.3.7. Estrazione di testi o crediti 

2.4. Applicazione medica 

2.4.1. Individuazione e localizzazione delle malattie 
2.4.2. Cancro e analisi a raggi X 
2.4.3. I progressi della visione artificiale grazie al Covid-19 
2.4.4. Assistenza in sala operatoria 

2.5. Applicazioni spaziali 

2.5.1. Analisi delle immagini satellitari 
2.5.2. La visione artificiale per lo studio dello spazio 
2.5.3. Missione su Marte 

2.6. Applicazioni commerciali 

2.6.1. Controllo stock 
2.6.2. Videosorveglianza, sicurezza domestica 
2.6.3. Telecamere per il parcheggio 
2.6.4. Telecamere per il controllo della popolazione 
2.6.5. Autovelox 

2.7. Visione applicata alla robotica 

2.7.1. Droni 
2.7.2. AGV 
2.7.3. Visione nei robot collaborativi 
2.7.4. Gli occhi dei robot 

2.8. Realtà aumentata 

2.8.1. Funzionamento 
2.8.2. Dispositivi 
2.8.3. Applicazioni nell’industria 
2.8.4. Applicazioni commerciali 

2.9. Cloud computing 

2.9.1. Piattaforme di Cloud Computing 
2.9.2. Dal Cloud Computing alla produzione 

2.10. Ricerca e stato dell'arte 

2.10.1. La comunità scientifica 
2.10.2. Cosa si sta preparando? 
2.10.3. Il futuro della visione artificiale 

Modulo 3. Elaborazione digitale delle immagini 

3.1. Ambiente di sviluppo per la visione artificiale 

3.1.1. Librerie di visione artificiale 
3.1.2. Ambiente di programmazione 
3.1.3. Strumenti di visualizzazione 

3.2. Elaborazione digitale delle immagini 

3.2.1. Relazioni tra pixel 
3.2.2. Operazioni sulle immagini 
3.2.3. Trasformazioni geometriche 

3.3. Operazioni sui pixel 

3.3.1. Istogramma 
3.3.2. Trasformazioni sulla base di istogrammi 
3.3.3. Operazioni su immagini a colori 

3.4. Operazioni logiche e aritmetiche 

3.4.1. Addizione e sottrazione 
3.4.2. Prodotto e divisione 
3.4.3. And/Nand 
3.4.4. Or/Nor 
3.4.5. Xor/Xnor 

3.5. Filtri 

3.5.1. Maschere e convoluzione 
3.5.2. Filtraggio lineare 
3.5.3. Filtraggio non lineare 
3.5.4. Analisi di Fourier 

3.6. Operazioni morfologiche 

3.6.1. Erode and Dilating 
3.6.2 Closing and Open 
3.6.3. Top hat e Black hat 
3.6.4. Rilevamento dei contorni 
3.6.5. Scheletro 
3.6.6. Riempimento dei buchi 
3.6.7. Convex hull 

3.7. Strumenti di analisi delle immagini 

3.7.1. Rilevamento dei bordi 
3.7.2. Rilevamento di blob 
3.7.3. Controllo dimensionale 
3.7.4. Ispezione del colore 

3.8. Segmentazione degli oggetti 

3.8.1. Segmentazione delle immagini 
3.8.2. Tecniche di segmentazione classiche 
3.8.3. Applicazioni reali 

3.9. Calibrazione di immagini 

3.9.1. Calibrazione dell'immagine 
3.9.2. Metodi di calibrazione 
3.9.3. Processo di calibrazione in un sistema telecamera 2D/robot  

3.10. Elaborazione di immagini in ambiente reale 

3.10.1. Analisi della problematiche 
3.10.2. Trattamento dell'immagine 
3.10.3. Estrazione delle caratteristiche 
3.10.4. Risultati finali 

Modulo 4. Elaborazione digitale avanzata delle immagini 

4.1. Riconoscimento ottico dei caratteri (OCR) 

4.1.1. Preelaborazione dell’immagine 
4.1.2. Rilevamento del testo 
4.1.3. Riconoscimento del testo 

4.2. Lettura dei codici 

4.2.1. Codici 1D 
4.2.2. Codici 2D 
4.2.3. Applicazioni 

4.3. Ricerca di modelli 

4.3.1. Ricerca di modelli 
4.3.2. Modelli basati nel livello di grigio 
4.3.3. Modelli basati sui contorni 
4.3.4. Modelli basati su forme geometriche 
4.3.5. Altre tecniche 

4.4. Tracciamento di oggetti con visione convenzionale 

4.4.1. Estrazione dello sfondo 
4.4.2. Meanshift 
4.4.3. Camshift 
4.4.4. Optical flow 

4.5. Riconoscimento facciale 

4.5.1. Facial Landmark detection 
4.5.2. Applicazioni 
4.5.3. Riconoscimento facciale 
4.5.4. Riconoscimento delle emozioni 

4.6. Panoramica e allineamenti 

4.6.1. Stitching 
4.6.2. Composizione di immagini 
4.6.3. Fotomontaggio  

4.7. High Dinamic Range (HDR) e Photometric Stereo 

4.7.1. Aumento della gamma dinamica 
4.7.2. Composizione di immagini per il miglioramento dei contorni 
4.7.3. Tecniche per l'utilizzo di applicazioni dinamiche 

4.8. Compressione dell'immagine 

4.8.1. La compressione delle immagini 
4.8.2 Tipi di compressori 
4.8.3. Tecniche di compressione delle immagini 

4.9. Elaborazione video 

4.9.1. Sequenze di immagini 
4.9.2. Formati video e codec 
4.9.3. Lettura di un video
4.9.4. Elaborazione del fotogramma 

4.10. Applicazione reale dell'elaborazione delle immagini 

4.10.1. Analisi della problematiche 
4.10.2. Trattamento dell'immagine 
4.10.3. Estrazione delle caratteristiche 
4.10.4. Risultati finali 

Modulo 5. Elaborazione di immagini 3D 

5.1. Immagine 3D 

5.1.1. Immagine 3D 
5.1.2. Software di elaborazione e visualizzazione di immagini 3D 
5.1.3. Software di metrologia 

5.2. Open 3D 

5.2.1. Libreria per l'elaborazione dei dati 3D 
5.2.2. Caratteristiche 
5.2.3. Installazione e utilizzo 

5.3. I dati 

5.3.1. Mappe di profondità dell'immagine 2D 
5.3.2. Pointcloud 
5.3.3. Normali 
5.3.4. Superfici 

5.4. Visualizzazione 

5.4.1. Visualizzazione dei dati 
5.4.2. Controlli 
5.4.3. Visualizzazione web 

5.5. Filtri 

5.5.1. Distanza tra punti, eliminare outliers 
5.5.2. Filtro passa alto 
5.5.3. Downsampling 

5.6. Geometria ed estrazione di caratteristiche 

5.6.1. Estrazione di un profilo 
5.6.2. Misura della profondità 
5.6.3. Volume 
5.6.4. Forme geometriche 3D 
5.6.5. Piani 
5.6.6. Proiezione di un punto 
5.6.7. Distanze geometriche 
5.6.8. Kd Tree 
5.6.9. Features 3D 

5.7. Registro e Meshing 

5.7.1. Concatenazione 
5.7.2. ICP 
5.7.3. Ransac 3D 

5.8. Riconoscimento di oggetti 3D 

5.8.1. Ricerca di un oggetto nella scena 3D 
5.8.2. Segmentazione 
5.8.3. Bin picking 

5.9. Analisi della superficie 

5.9.1. Smoothing 
5.9.2. Superfici regolabili 
5.9.3. Octree 

5.10. Triangolazione 

5.10.1. Da Mesh a Point Cloud 
5.10.2. Triangolazione delle mappe di profondità 
5.10.3. Triangolazione di pointCloud non ordinate 

Modulo 6. Deep Learning  

6.1. Intelligenza artificiale 

6.1.1. Machine Learning 
6.1.2. Deep Learning 
6.1.3. L’esplosione del Deep Learning. Perché adesso? 

6.2. Reti neuronali 

6.2.1. La rete neuronale 
6.2.2. Uso delle reti neurali 
6.2.3. Regressione lineare e percettrone 
6.2.4. Forward propagation 
6.2.5. Backpropagation 
6.2.6. Feature vector 

6.3. Loss function 

6.3.1. Loss function 
6.3.2. Tipi di Loss function 
6.3.3. Elezione di Loss function 

6.4. Funzioni di attivazione 

6.4.1. Funzioni di attivazione 
6.4.2. Funzioni lineari 
6.4.3. Funzioni non lineari 
6.4.4. Output vs. Hidden Layer Activation Functions 

6.5. Regolarizzazione e standardizzazione 

6.5.1. Regolarizzazione e standardizzazione 
6.5.2. Overfitting and Data Augmentation 
6.5.3. Regularization Methods: L1, L2 and Dropout 
6.5.4. Normalization Methods: Batch, Weight, Layer

6.6. Ottimizzazione 

6.6.1. Gradient Descent 
6.6.2. Stochastic Gradient Descent 
6.6.3. Mini Batch Gradient Descent 
6.6.4. Momentum 
6.6.5. Adam 

6.7. Hyperparameter Tuning e pesi 

6.7.1. Iperparametri 
6.7.2. Batch Size vs. Learning Rate vs. Step Decay 
6.7.3. Pesi 

6.8. Metriche di valutazione delle reti neuronali 

6.8.1. Accuracy 
6.8.2. Dice Coefficient 
6.8.3. Sensitivity vs. Specificity/Recall vs. Precisione 
6.8.4. Curva ROC (AUC) 
6.8.5. F1-score 
6.8.6. Confusione Matrix 
6.8.7. Cross-Validation 

6.9. Frameworks e Hardware 

6.9.1. Tensor Flow 
6.9.2. Pytorch 
6.9.3. Caffe 
6.9.4. Keras 
6.9.5. Hardware per la fase di training  

6.10. Creazione di reti neuronali, training e validazione  

6.10.1. Dataset 
6.10.2. Costruzione della rete 
6.10.3. Training 
6.10.4. Visualizzazione dei risultati 

Modulo 7. Reti convoluzionali e classificazione delle immagini 

7.1. Reti neuronali convoluzionali 

7.1.1. Introduzione 
7.1.2. La convoluzione
7.1.3. CNN Building Blocks 

7.2. Tipi di livelli della CNN 

7.2.1. Convolutional 
7.2.2. Activation 
7.2.3. Batch normalization 
7.2.4. Polling 
7.2.5. Fully connected 

7.3. Metriche 

7.3.1. Confusione Matrix 
7.3.2. Accuracy 
7.3.3. Precisione 
7.3.4. Recall 
7.3.5. F1 Score 
7.3.6. Curva ROC 
7.3.7. AUC 

7.4. Architetture principali 

7.4.1. AlexNet 
7.4.2. VGG 
7.4.3. Resnet 
7.4.4. GoogleLeNet 

7.5. Classificazione di immagini 

7.5.1. Introduzione 
7.5.2. Analisi dei dati 
7.5.3. Preparazione dei dati 
7.5.4. Training del modello 
7.5.5. Convalida del modello 

7.6. Considerazioni pratiche per il training nelle CNN 

7.6.1. Selezione dell'ottimizzatore 
7.6.2. Learning Rate Scheduler 
7.6.3. Controllare la pipeline di training 
7.6.4. Training con regolarizzazione 

7.7. Le migliori pratiche di Deep Learning 

7.7.1. Transfer Learning 
7.7.2. Fine Tuning 
7.7.3. Data Augmentation 

7.8. Valutazione statistica dei dati 

7.8.1. Numero di dataset 
7.8.2. Numero di etichette 
7.8.3. Numero di immagini 
7.8.4. Bilanciamento dei dati 

7.9. Deployment 

7.9.1. Salvataggio e caricamento dei modelli 
7.9.2. Onnx 
7.9.3. Inferenza 

7.10. Caso di studio: classificazione delle immagini 

7.10.1. Analisi e preparazione dei dati 
7.10.2. Verifica della pipeline di formazione 
7.10.3. Training del modello 
7.10.4. Convalida del modello 

Modulo 8. Rilevamento di oggetti 

8.1. Rilevamento e tracciamento degli oggetti 

8.1.1. Rilevamento di oggetti 
8.1.2. Casi pratici 
8.1.3. Tracciamento degli oggetti 
8.1.4. Casi pratici 
8.1.5. Occlusioni, Rigid and No Rigid Poses 

8.2. Metriche di valutazione 

8.2.1. IOU - Intersection Over Union 
8.2.2. Confidence Score 
8.2.3. Recall 
8.2.4. Precisione 
8.2.5. Recall–Precisión Curve 
8.2.6. Mean Average Precision (mAP) 

8.3. Metodi tradizionali 

8.3.1. Sliding window 
8.3.2. Viola detector 
8.3.3. HOG 
8.3.4. Non Maximal Supresion (NMS) 

8.4. Datasets 

8.4.1. Pascal VC 
8.4.2. MS Coco 
8.4.3. ImageNet (2014) 
8.4.4. MOTA Challenge 

8.5. Two Shot Object Detector 

8.5.1. R-CNN 
8.5.2. Fast R-CNN 
8.5.3. Faster R-CNN 
8.5.4. Mask R-CNN 

8.6.  Single Shot Object Detector  

8.6.1. SSD 
8.6.2. YOLO 
8.6.3. RetinaNet 
8.6.4. CenterNet 
8.6.5. EfficientDet 

8.7. Backbones 

8.7.1. VGG 
8.7.2. Resnet 
8.7.3. Mobilenet 
8.7.4. Shufflenet 
8.7.5 Darknet 

8.8. Object Tracking 

8.8.1. Approcci classici 
8.8.2. Filtri antiparticolato 
8.8.3. Kalman 
8.8.4. Sorttracker 
8.8.5. Deep Sort 

8.9. Distribuzione 

8.9.1. Piattaforma informatica 
8.9.2. Scelta del Backbone 
8.9.3. Scelta del Framework 
8.9.4. Ottimizzazione del modello 
8.9.5. Versione del modello 

8.10. Studio: rilevamento e tracciamento  delle persone  

8.10.1. Rilevamento di persone 
8.10.2. Tracciamento delle persone 
8.10.3. Ri-identificazione 
8.10.4. Contare le persone in mezzo alla folla 

Modulo 9. Segmentazione di immagini con Deep Learning 

9.1. Rilevamento e segmentazione degli oggetti 

9.1.1. Segmentazione semantica 

 9.1.1.1. Esempi d'uso della segmentazione semantica 

9.1.2. Segmentazione di oggetti 

 9.1.2.1. Esempi d'uso della segmentazione di oggetti 

9.2. Metriche di valutazione 

9.2.1. Analogie con altri metodi 
9.2.2. Pixel Accuracy 
9.2.3. Dice Coefficient (F1 Score) 

9.3. Funzioni di costo 

9.3.1. Dice Loss 
9.3.2. Focal Loss 
9.3.3. Tversky Loss 
9.3.4. Altre funzioni 

9.4. Metodi di segmentazione tradizionali 

9.4.1. Applicazione della soglia con Otsu e Riddlen 
9.4.2. Mappe auto-organizzate 
9.4.3. GMM-EM algorithm 

9.5. Segmentazione semantica usando Deep Learning: FCN 

9.5.1. FCN 
9.5.2. Architettura 
9.5.3. Applicazioni di FCN 

9.6. Segmentazione semantica usando Deep Learning: U-NET 

9.6.1. U-NET 
9.6.2. Architettura 
9.6.3. Applicazione U-NET 

9.7. Segmentazione semantica usando Deep Learning: Deep Lab 

9.7.1. Deep Lab 
9.7.2. Architettura 
9.7.3. Applicazione di Deep Lab 

9.8. Segmentazione di oggetti usando Deep Learning: Mask RCNN 

9.8.1. Mask RCNN 
9.8.2. Architettura 
9.8.3. Applicazione di un Mask RCNN 

9.9. Segmentazione video 

9.9.1. STFCN 
9.9.2. Semantic Video CNNs 
9.9.3. Clockwork Convnets 
9.9.4. Low-Latency 

9.10. Segmentazione in nuvole di punti 

9.10.1. La nuvola di punti 
9.10.2. PointNet 
9.10.3. A-CNN 

Modulo 10. Segmentazione avanzata delle immagini e tecniche avanzate di visione artificiale 

10.1. Database per problemi generali di segmentazione  

10.1.1. Pascal Context 
10.1.2. CelebAMask-HQ 
10.1.3. Cityscapes Dataset 
10.1.4. CCP Dataset 

10.2. Segmentazione semantica in medicina 

10.2.1. Segmentazione semantica in medicina 
10.2.2. Dataset per problemi medici 
10.2.3. Applicazione pratica 

10.3. Strumenti di annotazione 

10.3.1. Computer Vision Annotation Tool 
10.3.2. LabelMe 
10.3.3. Altri strumenti 

10.4. Strumenti di segmentazione che utilizzano diversi Framework 

10.4.1. Keras 
10.4.2. Tensorflow v2 
10.4.3. Pytorch 
10.4.4. Altro 

10.5. Progetto di segmentazione semantica. I dati, fase 1 

10.5.1. Analisi del problema 
10.5.2. Fonte di input per i dati 
10.5.3. Analisi dei dati 
10.5.4. Preparazione dati 

10.6. Progetto di segmentazione semantica. Training, fase 2 

10.6.1. Selezione dell'algoritmo 
10.6.2. Allenamento 
10.6.3. Valutazione 

10.7. Progetto di segmentazione semantica. Risultati, fase 3 

10.7.1. Regolazione fine 
10.7.2. Presentazione della soluzione 
10.7.3. Conclusioni 

10.8. Autocodificatori 

10.8.1. Autocodificatori 
10.8.2. Architettura di un autocodificatore 
10.8.3. Autocodificatori di l’eliminazione del rumore 
10.8.4. Autocodificatori di colorazione automatica 

10.9. Reti generative avversarie (GAN) 

10.9.1. Reti generative avversarie (GAN) 
10.9.2. Architettura DCGAN 
10.9.3. Architettura GAN condizionale 

10.10. Reti generative avversarie migliorate 

10.10.1. Panoramica del problema 
10.10.2. WGAN 
10.10.3. LSGAN 
10.10.4. ACGAN

Questo Master offre i contenuti più approfonditi e aggiornati nel campo della Visione Artificiale. Non perdere quest’opportunità, iscriviti subito”