85804 - NEURAL NETWORK COMPUTING, AI AND MACHINE LEARNING FOR AUTOMOTIVE M

Conoscenze e abilità da conseguire

The course will introduce the basic aspects of modern artificial intelligence for reasoning on data, and the software for learning by data, with a specific use of Neural Networks. In particular it will discuss: - Fundamentals of AI : giving examples and models of computer-based solutions that are capable of intelligent behavior, using a priori knowledge, Sensing, Perception, Knowledge, Reasoning and Learning. - Fundamentals of Machine Learning: developing on tools and systems that can learn from and make predictions on data, for getting machines to act without being explicitly programmed. - Fundamentals of Deep Learning: for modeling and implementing deep neural network architectures and algorithms. The course will be based on laboratory for applications in automotive fields such as in autonomous driving and in automatic classification of external sensory data. Specific topics selected by companies will be considered for lab projects.

Contenuti

# History and impact of AI in Automotive
Introduction to the history of AI and to its economical impact in the Automotive domain. AI and Computer Vision for Automotive.

# Neural Architectures fundamentals
Gradient-based optimization, fully connected and convolutional architectures. Analysis of computational costs and computational graph management. Design practices, network surgery.

# On-board sensors and cameras, depth sensors
Analysis of commercial on-board sensors, depth, thermal and RGB cameras.

# Sequence modelling and prediction
Recurrent, Convolutional and Fully-Attentive architectures for sequence understanding and generation. Computational graph analysis. Self-attention and cross-attention. Applications to trajectory prediction and language-based interfaces.

# Visual understanding algorithms
Algorithms and techniques for motion estimation, architectures for video object detection and trajectory prediction. Planar Distance estimation, road segmentation, road lane detection. Driver Monitoring, Driver Distraction prediction, eye fixation prediction.

# Image generation
Generative algorithms for images and videos: Generative Adversarial Networks, VAEs; techniques for rendering high-resolution images. Applications to the automotive domain.

# Reinforcement learning for navigation
Markov decision processes, policy learning strategies. Algorithms for locomotion and navigation. Simulated environments and strategies for deployment in real settings. Applications to autonomous driving.

# Architecture optimization and compression
Weight matrix factorization, quantization and pruning approaches. Design practices for optimization.

Testi/Bibliografia

Slides and scientific papers from international conferences and journals (CVPR; ECCV; ICCV; T-PAMi. IVPR, IEEE ITS; IEEE IV)

Metodi didattici

La maggior parte delle lezioni sono frontali e utilizzano slide e paper scientifici come supporto didattico; circa un 30% delle lezioni è di laboratorio, con esperienze hands-on su librerie di calcolo tensoriale e di progettazione e training di reti neurali e di algoritmi di AI per l’Automotive. A completamento, vengono organizzati incontri e discussioni con aziende. Gli studenti sono tenuti a elaborare un progetto finale (da presentare durante l’esame) che richiede lo studio e lo sviluppo di un algoritmo predittivo applicabile in ambito automotive, la sua validazione sperimentale ed eventualmente la raccolta di dati. La presentazione del progetto deve essere accompagnata dalla consegna del codice sviluppato e da un technical report che descrive l’approccio, il suo posizionamento in letteratura, i dataset utilizzati e i risultati sperimentali ottenuti. Tutte le lezioni saranno fornite in streaming su Microsoft Teams. Le registrazioni delle lezioni saranno inoltre disponibili sulla pagina Dolly del corso.

Modalità di verifica e valutazione dell'apprendimento

L'esame consiste in una prova orale, con domande teoriche, presentazione dei laboratori sviluppati durante il corso, e presentazione del progetto finale (si veda la sezione “metodi didattici”).

Orario di ricevimento

Consulta il sito web di Rita Cucchiara

Consulta il sito web di Lorenzo Baraldi