Quesiti

1. Fornire una descrizione del concetto di Visione e Visione Artificiale

Il Concetto di Visione consente all’essere umano di studiare il mondo e gli oggetti presenti in una
scena, con gli annessi e i rapidi mutamenti dell’ambiente circostante.
IL Concetto di Visione Artificiale detto anche CV ossia Computer Vision, studia i modelli e le
informazioni contenute nella visuale delle immagini bidimensionali o video.

2. Descrivere il confronto tra Visione e Computer Vision

La Visione di un immagine catturata dall’ occhio umano, successivamente il cervello elabora le
informazioni raccolte e la percezioni dell’ ambiente in cui avviene, in modo da elaborarle.

La Computer Vision si occupa dell’analisi dettagliata di immagini numeriche al calcolatore che ne

permette di scoprire cosa è presente nell’immagine.

3. Descrivere alcune applicazioni della Computer Vision

La CV realizza sistemi capaci di prendere decisioni a partire della scena estrapolata da immagini o
video e riconoscere oggetti, scene, contesto, a partire da immagini digitali tramite due processi:
Image Processing (Elaborazione di immagini)
Pattern Recognition (Riconoscimento di pattern)

4. Fornire un esempio di Computer Vision System

I governi e le imprese utilizzano la visione artificiale per migliorare la sicurezza di risorse, siti e
strutture. Ad esempio, telecamere e sensori monitorano spazi pubblici, siti industriali e ambienti ad
alta sicurezza. Inviano avvisi automatici se si verifica qualcosa di inusuale, come un individuo non
autorizzato che entra in un'area riservata. Allo stesso modo, la visione artificiale può migliorare la
sicurezza personale a casa e sul posto di lavoro. Ad esempio, può monitorare una miriade di
problemi relativi alla sicurezza.

5. Descrivere concetto di astrazione più moderna della Computer Vision

Distinguiamo tre di Computer Vision con una precisazione
dei precedenti:
1. Basso Livello
2. Medio Livello
3. Alto Livello
Classificazione delle immagini vede un'immagine e può classificarla (un cane, una mela, la faccia di
una persona). Più specificamente è in grado di stabilire con precisione che una data immagine
appartiene a una certa classe. Questa capacità potrebbe essere utilizzata da una società di social
media per identificare e separare automaticamente delle immagini discutibili caricate dagli utenti.
Il rilevamento di oggetti può usare la classificazione delle immagini per identificare una certa classe
di immagini e poi rilevare e tabulare la loro apparizione in un'immagine o in un video. Gli esempi di
utilizzo concreto includono il rilevamento di danni in una catena di montaggio o l'identificazione di
macchinari che richiedono manutenzione.
 L'object tracking segue o traccia un oggetto una volta che è stato rilevato. Questa attività viene
spesso eseguita con delle immagini catturate in sequenza o con dei feed video in tempo reale. I
veicoli autonomi, ad esempio, hanno bisogno non solo di classificare e rilevare oggetti come pedoni,
altre auto e infrastrutture stradali, ma anche di seguirne il percorso in movimento per evitare
collisioni e rispettare il codice della strada.
Il recupero delle immagini basato sul contenuto (Content-based image retrieval) usa la computer
vision per ricercare e recuperare immagini da grandi archivi di dati, basandosi sul contenuto delle
immagini piuttosto che sui tag dei metadati ad esse associati. Questa attività può includere
un'annotazione automatica dell'immagine che sostituisce quella manuale. Questi compiti possono
essere utilizzati per i sistemi di gestione delle risorse digitali e possono aumentare la precisione
della ricerca e del ritrovamento.

6. Descrivere alcune problematiche tipiche della Computer Vision

Problematiche tipiche della CV sono

• Variazioni dell’illuminazione che inducono modifiche nella distribuzione dell’intensità luminosa
all’interno della scena
• Gap: tipo di rumore consistente nella mancanza di elementi nell’immagine
• Trasformazioni geometriche rigide degli oggetti
• Rumore
• Occlusioni: qualcosa che si desidera vedere, ma non è possibile a causa di
alcune proprietà della configurazione del sensore usato o di qualche evento
• roto-traslazioni e variazioni di scala in 2D
• roto-traslazioni e variazioni di scala in 3D
• Segmentazione semantica: partizionamento dei dati in ingresso in entità
semantiche differenti (linee, regioni, oggetti, ...)
• Indexing
• Identificazione: riconoscimento dell’istanza di un oggetto in un’immagine
• Classificazione: riconoscimento dell’appartenenza ad una data classe di un
oggetto in un’immagine
• Oggetti non rigidi: riconoscimento complicato dalla possibili configurazioni che
può assumere la loro forma o espressione (forbici, volti,