AI and Coding Podcast

AI and Coding
AI and Coding Podcast

AI and Coding Podcast

Episodes

  1. 12/12/2019

    Corso Computer Vision con Python e OpenCV

    🎬 Link al VIDEO YOUTUBE: https://youtu.be/S64sTZSGMY4 Con questo video ha inizio il corso di Computer Vision con Python e OpenCV. Tratteremo le basi di OpenCV, le funzioni di disegno, gli algoritmi di blurring, thresholding, edge detection, contour, template matching e face detection. ____________________ 📚🎓LIBRI FONDAMENTALI da leggere a tutti i costi se volete fare la differenza! 🤓 ★Computer Vision: Algorithms and Applications (teoria) https://amzn.to/2REZz0E ★Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library (OpenCV con C++) https://amzn.to/2E4fDAO ____________________ 🔴Iscrivi al canale per ricevere maggiori informazioni su Intelligenza Artificiale, Machine Learning, Deep Learning, Visione Artificiale e coding: https://www.youtube.com/aiandcoding?sub_confirmation=1 Con questo video ha inizio il corso di Computer Vision con Python e OpenCV. Acquisirete le basi fondamentali per poter affrontare la Computer Vision con Python e OpenCV. Sessione dopo sessione, video dopo video, acquisirete tutta una serie di competenze che, man mano che avanzeremo di difficoltà di esercizio riuscirete a comprenderlo perché metterete a frutto tutto ciò che avete imparato fino a quel momento nei video precedenti. All'inizio tratteremo le funzioni base di OpenCV e, man mano che avanzeremo nel corso, vedremo le funzioni di disegno (fondamentali per poter marcare e segnare eventuali oggetti che troverete nei vostri video, nelle vostre immagini, nei vostri algoritmi di object detection), e successivamente approfondiremo gli algoritmi di blurring, capiremo quale tipologia di blurring è più opportuno utilizzare a seconda delle situazioni. Vedremo i vari algoritmi di thresholding e, anche qui, vedremo quale di questi è più opportuno utilizzare a seconda dell'immagini in ingresso e a seconda del risultato che vogliamo ottenere. Vedremo i principali algoritmi di edge detection tra i quali Laplacian, Sobel e Canny Edge. Vedremo gli algoritmi di contouring e tutte le features che questi contour ci rendono disponibili. Ma parlando di progetti, obiettivi concreti che riusciremo ad eseguire, al termine di questo Corso Computer Vision con Python e OpenCV, avremo il conteggio di oggetti all'interno delle immagini, il template matching, ovvero la possibilità di ricercare porzioni di un'immagine all'interno di un'immagine più grande. E come ultimo progetto saremo un grado di realizzare un, se pur semplice e minimale, face detector. 🕘TIMESTAMPS 00:00 Intro 02:08 Computer Vision con Python e OpenCV 02:10 Cos'è la Computer Vision 03:54 Cosa mi ha spinto a studiare la Computer Vision 05:30 Obiettivi di questo corso 05:46 I progetti che realizzeremo in questo corso di Computer Vision 08:40 Cosa sarete in grado di fare al termine di questo corso 08:57 Il famoso effetto wow™️ di molti tutorial online 09:15 Il Semantic Gap: la definizione 09:42 Il Semantic Gap: le immagini viste dal nostro punto di vista 09:54 Il Semantic Gap: le immagini viste dal computer 10:12 Cos'è OpenCV 10:45 Quali aziende stanno usando OpenCV (o lo richiedono nei job postings) 11:06 OpenCV: Accelerazione Hardware 11:23 OpenCV: Machine Learning e Deep Learning 11:50 OpenCV DNN (Deep Neural Network) module 12:27 Le immagini in OpenCV (Numpy e classe Mat) 13:45 Coordinate System in OpenCV 🎬 Guarda i video più recenti: https://www.youtube.com/aiandcoding/videos ____________________ 👥AI and Coding - Social profiles Youtube: a...

    15 min
  2. 04/11/2019

    Storia della Computer Vision: passato, presente, futuro

    In molti temi della vita e della tecnologia è utile, se non fondamentale, "conoscere il passato per capire il presente e orientare il futuro". Cit. Tucidide 460-404 a.C. Tale citazione può essere applicata anche alla Computer Vision, a maggior ragione perché molte delle tecniche del passato sono tutt'ora applicate per la risoluzione di problemi di visione. Talvolta vengono persino usate congiuntamente tecniche del passato e tecniche moderne al fine di massimizzarne i pregi e limitarne i difetti. Spesso ci viene detto che il Deep Learning è lo state-of-the-art (SOTA) in tema di Visione Artificiale e che, durante il nostro percorso formativo, dovremmo quasi esclusivamente dedicarci a tale tecnologia tralasciando quella che viene definita la Computer Vision "tradizionale". Pur essendo vero che il Deep Learning è a tutti gli effetti lo state-of-the-art, dovremmo prima di tutto studiare in modo approfondito tutto ciò che ha preceduto tale tecnologia, per almeno due semplici motivi: • solo conoscendo la Computer Vision "tradizionale" possiamo comprendere meglio il Deep Learning, i suoi pregi ed i suoi difetti • talvolta non è possibile utilizzare il Deep Learning per motivi di budget o semplicemente perché risulterebbe overkill per la risoluzione di un problema tendenzialmente semplice Così come nella programmazione e nel Machine Learning, da un punto di vista progettuale, anche nella Computer Vision non esiste la tecnologia migliore in assoluto, esistono invece vari possibili approcci al problema di cui solo uno è quello ottimale. In questo video verranno illustrate le principali tappe tecnologiche nel campo della Visione Artificiale che hanno scandito le fasi della ricerca scientifica in questo settore, dalle prime intuizioni degli anni '50 alle moderne reti neurali convoluzionali utilizzate nel Deep Learning ed alle più note funzionalità che tutti utilizziamo quotidianamente.

    52 min

About

AI and Coding Podcast

To listen to explicit episodes, sign in.

Stay up to date with this show

Sign in or sign up to follow shows, save episodes and get the latest updates.

Select a country or region

Africa, Middle East, and India

Asia Pacific

Europe

Latin America and the Caribbean

The United States and Canada