Glossario Computer Vision

Trasformazione affine. Trasformazione geometrica che combina rotazione, scala, traslazione e taglio preservando il parallelismo delle rette e i rapporti tra i punti allineati.

Riquadro di ancoraggio. Riquadro predefinito, di forma e dimensione fissa, usato come riferimento nel rilevamento di oggetti: la rete predice gli scostamenti rispetto ad esso invece delle coordinate assolute.

Pooling medio. Operazione che riduce le feature map sostituendo ogni regione locale con la media dei suoi valori, diminuendo risoluzione e numero di parametri.

Rete dorsale. Rete convoluzionale di base che estrae le caratteristiche di un'immagine, riutilizzata come componente comune da task diversi come classificazione, rilevamento e segmentazione.

Sottrazione dello sfondo. Tecnica che isola gli oggetti in movimento in un video confrontando ogni fotogramma con un modello dello sfondo statico della scena.

Sacco di parole visive. Rappresentazione che descrive un'immagine come istogramma delle frequenze di caratteristiche locali quantizzate in un vocabolario visivo, ignorandone la posizione.

Filtro bilaterale. Filtro non lineare che riduce il rumore preservando i bordi, mediando i pixel con un peso che dipende sia dalla vicinanza spaziale sia dalla somiglianza di intensita.

Interpolazione bilineare. Metodo che stima il valore di un pixel come media pesata dei quattro pixel vicini più prossimi, usato nel ridimensionamento e nella deformazione delle immagini.

Aggiustamento dei fasci. Ottimizzazione non lineare che affina simultaneamente le posizioni dei punti 3D e i parametri delle camere minimizzando l'errore di riproiezione sull'insieme delle immagini.

Calibrazione della camera. Procedura che stima i parametri intrinseci dell'obiettivo e i coefficienti di distorsione, per correggere le deformazioni e mettere in relazione pixel e misure metriche della scena.

Rilevatore di Canny. Algoritmo multi-fase per l'individuazione dei bordi che applica smussamento gaussiano, calcolo del gradiente, soppressione dei non massimi e sogliatura con isteresi a doppia soglia.

Sbilanciamento delle classi. Situazione in cui alcune categorie compaiono nei dati molto più spesso di altre, spingendo il modello a favorire le classi maggioritarie e a rilevare male quelle rare.

Token di classe. Vettore speciale apprendibile aggiunto alla sequenza di patch in un Vision Transformer, il cui stato finale aggrega l'informazione dell'immagine e alimenta il classificatore.

Allineamento testo-immagine. Modello che, tramite addestramento contrastivo su coppie immagine-testo, apprende uno spazio di rappresentazione condiviso e consente la classificazione zero-shot.

Chiusura morfologica. Operazione data da una dilatazione seguita da un'erosione con lo stesso elemento strutturante, utile a colmare piccoli buchi e a saldare regioni vicine di un oggetto.

Istogramma dei colori. Rappresentazione che conta la frequenza dei colori presenti in un'immagine sui livelli o intervalli dei canali, usata come descrittore globale robusto a rotazioni e traslazioni.

Soglia di confidenza. Valore minimo del punteggio di sicurezza di una predizione al di sotto del quale il risultato viene scartato, per bilanciare precisione e richiamo del modello.

Matrice di confusione. Tabella che incrocia le classi predette con quelle reali, mostrando su ogni cella il numero di campioni e permettendo di individuare quali categorie il modello confonde.

Componenti connesse. Procedura che assegna una stessa etichetta ai gruppi di pixel contigui in un'immagine binaria, individuando così le regioni distinte che compongono la scena.

Rilevamento di contorni. Estrazione delle curve continue che delimitano il bordo degli oggetti o delle regioni in un'immagine, in genere binaria, per descriverne forma e posizione.

Rete convoluzionale moderna. Architettura del 2022 che ammoderna le CNN classiche partendo da ResNet e adottando scelte progettuali dei Vision Transformer, con prestazioni competitive rispetto a questi ultimi.

Convoluzione. Operazione che fa scorrere un piccolo kernel di pesi sull'immagine calcolando in ogni posizione una somma pesata dei pixel, per estrarre caratteristiche locali come bordi e texture.

Annotazione dei dati. Processo di etichettatura delle immagini, ad esempio con classi, riquadri o maschere, per costruire i dati di riferimento usati nell'addestramento e nella valutazione dei modelli.

Stima della profondita. Calcolo della distanza di ogni punto della scena dalla camera a partire da una o più immagini, con metodi stereo, da movimento o monoculari basati su apprendimento.

Convoluzione separabile in profondita. Scompone la convoluzione in un filtraggio per singolo canale seguito da una convoluzione 1x1 che combina i canali, riducendo calcolo e parametri nelle reti leggere.

Rilevamento con transformer. Modello end-to-end che tratta il rilevamento come predizione diretta di un insieme di oggetti tramite encoder-decoder transformer, eliminando anchor e soppressione dei non massimi.

Coefficiente di Dice. Metrica che misura la sovrapposizione tra maschera predetta e maschera reale come doppia intersezione divisa per la somma delle aree, molto usata nella segmentazione.

Convoluzione dilatata. Convoluzione in cui il kernel viene applicato con intervalli tra i pesi, ampliando il campo recettivo senza aumentare i parametri ne ridurre la risoluzione della feature map.

Dilatazione. Operazione morfologica che espande gli oggetti chiari di un'immagine binaria aggiungendo pixel ai loro bordi secondo la forma di un elemento strutturante.

Mappa di disparita. Immagine che, per ogni pixel di una coppia stereo, rappresenta lo spostamento orizzontale rispetto al pixel corrispondente nell'altra vista; tale spostamento e inversamente proporzionale alla profondita.

Rete bilanciata. Famiglia di architetture che scala in modo coordinato profondita, larghezza e risoluzione tramite un unico coefficiente (compound scaling), ottenendo alta accuratezza a parita di risorse.

Geometria epipolare. Insieme dei vincoli geometrici tra due viste della stessa scena: a un punto in un'immagine corrisponde una retta epipolare nell'altra, riducendo a una dimensione la ricerca delle corrispondenze.

Erosione. Operazione morfologica che assottiglia gli oggetti chiari di un'immagine binaria rimuovendo i pixel sui bordi secondo la forma di un elemento strutturante.

Matrice essenziale. Matrice 3x3 che lega i punti corrispondenti di due viste espressi in coordinate normalizzate a camera calibrata; e la controparte metrica della matrice fondamentale e codifica rotazione e traslazione relative.

Parametri estrinseci. Rotazione e traslazione che definiscono posizione e orientamento della camera rispetto al sistema di riferimento del mondo, distinti dai parametri intrinseci propri dell'obiettivo.

R-CNN accelerato. Rilevatore che calcola le feature convoluzionali una sola volta sull'intera immagine e le condivide tra le regioni proposte tramite RoI pooling, velocizzando molto R-CNN.

Rilevatore a due stadi. Estende Fast R-CNN integrando una Region Proposal Network che genera le regioni candidate direttamente dalle feature, eliminando i metodi di proposta esterni e lenti.

Mappa di caratteristiche. Uscita di un filtro convoluzionale su un'immagine o su un altro strato: ogni valore indica quanto e presente, in quella posizione, la caratteristica appresa dal filtro.

Corrispondenza di caratteristiche. Associazione dei punti chiave tra immagini diverse confrontandone i descrittori locali, alla base di stitching, ricostruzione 3D e tracciamento.

Rete a piramide di caratteristiche (FPN). Architettura che combina le mappe di feature dei diversi livelli di una rete convoluzionale tramite connessioni top-down e laterali, ottenendo rappresentazioni ricche di semantica a più scale per rilevare oggetti di dimensioni molto diverse.

Funzione di perdita per il rilevamento di oggetti che riformula la cross-entropy riducendo il peso degli esempi facili e ben classificati, così da concentrare l'addestramento sui casi difficili e contrastare il forte squilibrio tra oggetti e sfondo.

Differenza tra fotogrammi. Tecnica che rileva il movimento in un video calcolando la differenza di intensità tra pixel corrispondenti di fotogrammi consecutivi: le aree che cambiano segnalano oggetti in movimento, mentre lo sfondo statico tende ad annullarsi.

Matrice fondamentale. Matrice 3x3 di rango due che descrive la geometria epipolare tra due immagini riprese da camere non calibrate, vincolando ogni punto di una vista a giacere su una retta epipolare nell'altra. Si stima da almeno sette corrispondenze di punti.

Sfocatura gaussiana. Filtro lineare che attenua dettagli fini e rumore convolvendo l'immagine con un kernel i cui pesi seguono una distribuzione gaussiana, dando più importanza ai pixel vicini al centro. È impiegato nel pre-processing e nell'analisi multiscala.

Piramide gaussiana. Sequenza di versioni della stessa immagine a risoluzione via via minore, ottenuta applicando ripetutamente una sfocatura gaussiana seguita da sottocampionamento. È alla base dell'analisi multiscala e della costruzione della piramide laplaciana.

Tecnica di rappresentazione e rendering di scene 3D che modella la geometria con milioni di piccole gaussiane colorate anziché con una rete neurale implicita. Consente ricostruzioni fotorealistiche e rendering in tempo reale, ponendosi come alternativa efficiente ai campi di radianza neurali.

Segmentazione interattiva. Algoritmo che separa primo piano e sfondo a partire da un riquadro tracciato dall'utente, combinando modelli di colore gaussiani (GMM) e un'ottimizzazione a taglio di grafo (graph cut) affinata in modo iterativo.

Tecnica di spiegazione per reti convoluzionali che usa i gradienti della classe target rispetto all'ultimo livello convoluzionale per produrre una mappa di calore delle regioni dell'immagine più determinanti per la predizione, senza modificare l'architettura né riaddestrare.

Maschera di riferimento. Segmentazione corretta, in genere annotata a mano, che indica per ogni pixel la classe o l'istanza reale presente. Funge da verità di base per addestrare i modelli di segmentazione e per valutarne le predizioni tramite confronto.

Selezione dei negativi difficili. Strategia di addestramento che individua e riutilizza gli esempi di sfondo erroneamente classificati come oggetti, concentrando l'apprendimento sui casi più ingannevoli per ridurre i falsi positivi e migliorare la precisione.

Rilevatore di angoli di Harris. Algoritmo che individua gli angoli come punti in cui l'intensità dell'immagine varia in modo marcato in tutte le direzioni, analizzando gli autovalori della matrice dei gradienti locali (structure tensor). Fornisce feature stabili per tracciamento e matching.

Mappa di calore. Rappresentazione in cui l'intensità di un valore è codificata con una scala di colori sovrapposta a un'immagine o superficie. In visione artificiale indica ad esempio la probabilità dei punti chiave nella stima della posa o le regioni di attenzione di una rete.

Equalizzazione dell'istogramma. Tecnica che ridistribuisce i livelli di intensità di un'immagine affinché il loro istogramma risulti più uniforme, aumentando il contrasto globale e rendendo più leggibili i dettagli nelle zone troppo chiare o troppo scure.

Istogramma dei gradienti orientati (HOG). Descrittore che divide l'immagine in celle e per ciascuna calcola un istogramma delle direzioni dei gradienti locali; la loro concatenazione, normalizzata a blocchi, descrive la forma ed è usata per riconoscere oggetti come i pedoni.

Omografia. Trasformazione proiettiva descritta da una matrice 3x3 che mappa i punti tra due piani; si usa per allineare immagini di scene planari o riprese ruotando la camera, ad esempio nella creazione di panorami e nella rettifica prospettica.

Trasformata di Hough. Metodo che individua forme geometriche parametriche come rette e cerchi facendo votare i punti di bordo in uno spazio dei parametri: i massimi di voto corrispondono alle forme presenti nell'immagine, robusto anche a occlusioni e rumore.

Spazio colore HSV. Modello che descrive il colore mediante tonalità (hue), saturazione e valore di luminosità, separando l'informazione cromatica da quella di intensità. Questa separazione rende più semplice la segmentazione per colore rispetto allo spazio RGB.

Momenti di Hu. Insieme di sette descrittori calcolati dai momenti centrali normalizzati di una regione, invarianti a traslazione, scala e rotazione (il settimo cambia segno per riflessione). Sono usati per confrontare e riconoscere forme indipendentemente dalla loro posa.

Classificazione di immagini. Compito della visione artificiale che assegna a un'intera immagine una sola etichetta scelta tra categorie predefinite, senza localizzare gli oggetti al suo interno. È il problema di riferimento per benchmark come ImageNet.

Riduzione del rumore. Insieme di tecniche che rimuovono disturbi e granulosità da un'immagine, dovuti ad esempio a scarsa illuminazione o al sensore, cercando di preservare bordi e dettagli reali. Spazia dai filtri classici alle reti neurali profonde.

Gradiente di immagine. Vettore che in ogni punto indica direzione e intensità della variazione di luminosità, calcolato dalle derivate parziali dell'immagine lungo gli assi. È alla base del rilevamento dei bordi e di numerosi descrittori di feature.

Kernel di immagine. Piccola matrice di pesi che, applicata in convoluzione facendola scorrere sull'immagine, ne calcola una versione filtrata. A seconda dei valori produce effetti come sfocatura, aumento di nitidezza o rilevamento dei bordi.

Processo che stima per ogni pixel un valore di opacità continuo per separare con precisione un soggetto dallo sfondo, includendo dettagli fini come capelli e bordi sfumati. Diversamente dalla segmentazione binaria, produce una maschera alfa adatta a compositing realistici.

Momenti dell'immagine. Misure statistiche calcolate sull'intensità o sulla forma di una regione, dalle quali si ricavano proprietà come area, centroide e orientamento. Costituiscono la base per descrittori invarianti come i momenti di Hu.

Piramide di immagini. Insieme di rappresentazioni della stessa immagine a risoluzioni decrescenti, impilate concettualmente come una piramide. Permette di analizzare e cercare strutture a più scale, ad esempio oggetti di dimensioni diverse.

Allineamento di immagini. Processo che sovrappone due o più immagini della stessa scena, riprese in tempi, angolazioni o con sensori diversi, portandole in un sistema di coordinate comune tramite una trasformazione geometrica. È usato in medicina e telerilevamento.

Recupero di immagini. Ricerca, in un archivio, delle immagini più simili a una query fornita, in genere confrontando descrittori o vettori di caratteristiche. Nella modalità content-based il confronto si basa sul contenuto visivo anziché su etichette testuali.

Modulo Inception. Blocco architetturale, introdotto con GoogLeNet, che applica in parallelo filtri convoluzionali di dimensioni diverse e un pooling, concatenandone gli output. Cattura pattern a più scale contenendo il costo computazionale grazie a convoluzioni 1x1.

Ricostruzione di aree mancanti. Tecnica che riempie regioni rovinate, occluse o rimosse di un'immagine generando contenuto plausibile e coerente con il contesto circostante. È usata per il restauro, la rimozione di oggetti e l'eliminazione di difetti.

Segmentazione di istanze. Compito che individua e delimita pixel per pixel i singoli oggetti di un'immagine, distinguendo anche esemplari diversi della stessa classe. Unisce il rilevamento di oggetti alla segmentazione semantica.

Perdita IoU. Funzione di costo per la regressione dei riquadri che ottimizza direttamente la metrica di sovrapposizione (Intersection over Union) tra riquadro predetto e riquadro reale, invece di minimizzare separatamente le coordinate. Ne esistono varianti come GIoU e DIoU.

Parametri intrinseci. Grandezze che descrivono le caratteristiche interne di una camera, come lunghezza focale, coordinate del centro ottico e fattori legati al sensore. Compongono la matrice di calibrazione che lega i punti 3D alla loro proiezione sull'immagine.

Intersezione su unione (IoU). Metrica che misura quanto due regioni si sovrappongono, calcolata come rapporto tra l'area della loro intersezione e quella della loro unione. Nel rilevamento di oggetti valuta l'accordo tra riquadro predetto e riquadro reale, da 0 a 1.

Filtro di Kalman. Algoritmo ricorsivo che stima lo stato di un sistema dinamico combinando un modello di previsione con le misure osservate, riducendo l'effetto del rumore. In visione è usato per tracciare oggetti in movimento e predirne la posizione futura.

Rilevamento di punti chiave. Localizzazione di punti caratteristici e ripetibili di un oggetto o di una scena, come le articolazioni del corpo nella stima della posa o i tratti salienti del volto. Questi punti fungono da riferimento per confronti e allineamenti.

Operatore laplaciano. Filtro basato sulla derivata seconda che misura la variazione locale dell'intensità, evidenziando bordi e zone di rapido cambiamento. Essendo isotropo e sensibile al rumore, si applica spesso dopo una sfocatura gaussiana (Laplaciano di gaussiana).

Piramide laplaciana. Rappresentazione multiscala che memorizza, livello per livello, i dettagli persi tra un'immagine e la sua versione sfocata e sottocampionata nella piramide gaussiana. È usata per compressione, fusione e ricostruzione di immagini.

Distorsione dell'obiettivo. Deformazione geometrica introdotta dall'ottica, per cui linee rette appaiono curve, come nell'effetto barile o a cuscinetto. Viene modellata con coefficienti radiali e tangenziali e corretta durante la calibrazione della camera.

Sensore attivo che misura le distanze cronometrando il tempo di ritorno di impulsi laser riflessi dalle superfici. Genera nuvole di punti 3D usate per ricostruire la geometria di ambienti e oggetti, ad esempio nella guida autonoma e nel rilevamento topografico.

Metrica principale per valutare i rilevatori di oggetti: media delle Average Precision calcolate per ogni classe, dove l'Average Precision è l'area sotto la curva precisione-richiamo. Nei benchmark COCO viene mediata anche su più soglie di IoU, da 0,50 a 0,95.

Architettura per la segmentazione di istanze che estende Faster R-CNN aggiungendo, accanto ai rami di classificazione e regressione del riquadro, un ramo che predice una maschera binaria per ogni oggetto. Introduce il livello RoIAlign per allineare con precisione le feature.

Operazione di sottocampionamento che divide la feature map in regioni e conserva per ciascuna il solo valore massimo. Riduce la risoluzione spaziale e il numero di parametri, aumentando l'invarianza a piccole traslazioni e mantenendo le attivazioni più forti.

Metrica di sintesi delle prestazioni di rilevamento e recupero, ottenuta mediando l'Average Precision, ossia l'area sotto la curva precisione-richiamo, su tutte le classi. Valori più alti indicano un migliore compromesso tra precisione e capacità di trovare tutti gli oggetti.

Filtro non lineare che sostituisce ogni pixel con il valore mediano calcolato nella sua finestra di vicinato. Rimuove efficacemente il rumore impulsivo, detto sale e pepe, preservando meglio i bordi rispetto ai filtri di media lineari.

Rappresentazione di una superficie 3D come insieme di vertici collegati da spigoli a formare facce poligonali, tipicamente triangoli o quadrilateri. È la struttura più diffusa per modellare e renderizzare oggetti nella grafica 3D e nella ricostruzione.

Famiglia di reti convoluzionali leggere progettate per dispositivi mobili ed embedded. Sostituisce le convoluzioni standard con convoluzioni separabili in profondità (depthwise separable), riducendo drasticamente calcolo e parametri con una minima perdita di accuratezza.

Trasformazioni non lineari che modificano la forma delle regioni di un'immagine, di norma binaria, confrontandola con un elemento strutturante. Le operazioni di base sono erosione e dilatazione, da cui derivano apertura e chiusura per rimuovere disturbi o colmare vuoti.

Metodo di interpolazione che, nel ridimensionare un'immagine, assegna a ogni pixel di destinazione il valore del pixel di origine più vicino. È il più veloce ma produce bordi a scalini ed effetto a blocchi, poiché non genera nuovi valori intermedi.

Campi di radianza neurali. Rete neurale che rappresenta una scena 3D come funzione continua: da una coordinata spaziale e una direzione di vista predice colore e densità. Tramite rendering volumetrico differenziabile sintetizza nuove viste fotorealistiche da immagini con pose note.

Tecnica di post-elaborazione del rilevamento che, tra più riquadri sovrapposti riferiti allo stesso oggetto, mantiene quello con confidenza maggiore ed elimina gli altri quando la loro sovrapposizione (IoU) supera una soglia. Riduce così le rilevazioni ridondanti.

Compito che consiste nel seguire nel tempo la posizione di uno o più oggetti lungo i fotogrammi di un video, mantenendone l'identità. Può riguardare un singolo oggetto o più oggetti simultanei (multi-object tracking), stimando le traiettorie anche in presenza di occlusioni.

Rilevamento di oggetti capace di riconoscere categorie non presenti nel set di addestramento, descritte tramite testo in linguaggio naturale. Sfruttando spazi di rappresentazione condivisi fra immagini e parole, generalizza a nuove classi senza richiedere annotazioni dedicate.

Operazione morfologica composta da un'erosione seguita da una dilatazione con lo stesso elemento strutturante. Rimuove piccoli oggetti e sporgenze sottili, separa elementi appena connessi e liscia i contorni preservando la dimensione delle regioni principali.

Sequenza di elaborazione che estrae testo leggibile da un'immagine. Comprende in genere le fasi di individuazione delle aree di testo, ritaglio e normalizzazione, riconoscimento dei caratteri e post-elaborazione linguistica per correggere gli errori.

Stima del movimento apparente dei pixel tra fotogrammi consecutivi di un video, rappresentato come campo di vettori di spostamento. Deriva dalle variazioni di intensità luminosa e serve per analizzare il moto, la stabilizzazione e il tracciamento.

Metodo differenziale per stimare il flusso ottico che assume il movimento costante entro un piccolo intorno di ogni pixel e risolve ai minimi quadrati le equazioni del vincolo di intensità. È efficiente ma adatto a spostamenti piccoli, spesso usato in versione piramidale.

Oriented FAST and Rotated BRIEF. Metodo efficiente e libero da brevetti che combina il rilevatore di angoli FAST, dotato di orientamento, con il descrittore binario BRIEF reso invariante alla rotazione. Alternativa rapida a SIFT e SURF per il matching di caratteristiche.

Metodo di sogliatura automatica che, analizzando l'istogramma di un'immagine in scala di grigi, sceglie la soglia che massimizza la varianza tra le due classi di pixel (oggetto e sfondo). Converte l'immagine in binaria senza parametri impostati manualmente.

Aggiunta di pixel, spesso di valore zero, lungo i bordi di un'immagine o di una feature map prima della convoluzione. Permette di controllare la dimensione dell'output e di preservare l'informazione ai margini, evitando che si riduca a ogni livello.

Metrica per la segmentazione panottica che valuta in un unico numero sia il riconoscimento corretto delle istanze sia la qualità della loro sovrapposizione con la verità di riferimento. Si scompone nel prodotto tra qualità di riconoscimento (RQ) e qualità di segmentazione (SQ).

Compito che unifica segmentazione semantica e di istanze assegnando a ogni pixel un'etichetta di classe e, per le categorie numerabili (things), anche un identificatore di istanza, mentre le regioni amorfe (stuff) ricevono la sola classe. Fornisce una descrizione completa della scena.

Nei Vision Transformer, operazione che divide l'immagine in porzioni (patch) di dimensione fissa e proietta ciascuna in un vettore numerico. Trasforma l'immagine in una sequenza di token, analoghi alle parole, elaborabili dai meccanismi di attenzione.

Trasformazione geometrica proiettiva che mappa i punti di un piano su un altro tramite una matrice omografica 3x3. Permette di correggere o simulare il punto di vista, ad esempio raddrizzare un documento fotografato o generare una vista dall'alto.

Tecnica che ricava misure, forme e modelli 3D di oggetti o scene a partire da fotografie scattate da punti di vista diversi. Sfrutta la corrispondenza di punti tra immagini per stimare la geometria, con applicazioni in topografia, architettura e beni culturali.

Modello geometrico ideale di formazione dell'immagine in cui i raggi luminosi passano per un unico foro, il centro ottico, e si proiettano su un piano. Descrive la relazione tra i punti 3D della scena e la loro proiezione 2D, base della geometria proiettiva delle camere.

Unità minima e indivisibile di un'immagine digitale raster, disposta in una griglia regolare. È definita da una posizione e da uno o più valori numerici che ne codificano l'intensità o il colore, ad esempio le tre componenti rosso, verde e blu.

Insieme di punti definiti dalle loro coordinate nello spazio 3D, spesso con attributi come colore o intensità, che rappresenta la superficie di oggetti o ambienti. È prodotta da sensori come il LiDAR o dalla fotogrammetria e usata per ricostruzione e misura.

Operazione di sottocampionamento delle reti convoluzionali che aggrega i valori di piccole regioni della feature map, ad esempio con il massimo o la media. Riduce la risoluzione spaziale e il costo di calcolo, aumentando l'invarianza a piccole traslazioni.

Informazione aggiunta agli embedding di input dei Transformer per indicare la posizione di ciascun elemento nella sequenza, poiché l'attenzione di per sé ne ignora l'ordine. Nei Vision Transformer codifica la posizione spaziale delle patch nell'immagine.

Grafico che mostra, al variare della soglia di decisione, il compromesso tra precisione, cioè la frazione di rilevazioni corrette, e richiamo, cioè la frazione di oggetti trovati. L'area sottesa riassume le prestazioni ed è alla base dell'Average Precision.

Peak Signal-to-Noise Ratio. Metrica oggettiva, espressa in decibel, che misura la qualità di un'immagine ricostruita o compressa rispetto all'originale, derivata dall'errore quadratico medio (MSE). Valori più alti indicano una minore distorsione.

Region-based CNN. Rilevatore che genera regioni candidate con un metodo esterno di proposta (selective search), estrae le feature di ciascuna con una rete convoluzionale e le classifica, raffinando i riquadri. È il capostipite dei rilevatori a due stadi.

RANdom SAmple Consensus. Algoritmo iterativo di stima robusta che adatta un modello ai dati estraendo a caso sottoinsiemi minimi e scegliendo quello con più punti coerenti (inlier), scartando i valori anomali (outlier). Usato per omografie e geometria epipolare.

Regione dell'immagine di ingresso che influenza il valore di una singola unità in una feature map. Cresce con la profondità della rete e con le operazioni di convoluzione e pooling, determinando quanta parte di contesto ogni neurone è in grado di osservare.

Rettifica stereo. Trasformazione che riproietta le due immagini di una coppia stereo su un piano comune, allineando le rette epipolari alle righe. I punti corrispondenti giacciono così sulla stessa riga, riducendo la ricerca delle corrispondenze a una sola dimensione.

Tecnica di segmentazione che parte da uno o più pixel seme e aggrega progressivamente i pixel vicini che soddisfano un criterio di somiglianza, come intensità o colore. Le regioni si espandono finché nessun vicino rispetta più il criterio stabilito.

Porzione dell'immagine selezionata per concentrare l'analisi, escludendo le aree non rilevanti. Può essere definita manualmente o dagli algoritmi, ad esempio le proposte di regione nel rilevamento, per ridurre il calcolo e migliorare la precisione.

Rete di proposta regioni. Componente introdotto in Faster R-CNN che genera in modo efficiente riquadri candidati (region proposal) dove cercare gli oggetti, condividendo le feature convoluzionali con la rete di rilevamento.

Rete residua. Architettura convoluzionale con connessioni di salto (residual/skip) che apprendono funzioni residue, permettendo di addestrare reti molto profonde evitando la degradazione del gradiente.

Rilevatore one-stage. Modello che introduce la focal loss per contrastare lo sbilanciamento estremo tra sfondo e oggetti durante l'addestramento, raggiungendo l'accuratezza dei rilevatori two-stage.

Canale RGB. Una delle tre componenti (rosso, verde e blu) che, sommate in sintesi additiva, formano un'immagine a colori; ogni canale rappresenta l'intensità del rispettivo colore primario.

Allineamento di regione. Variante del ROI pooling che evita gli arrotondamenti delle coordinate usando l'interpolazione bilineare, preservando l'allineamento spaziale; introdotta in Mask R-CNN per la segmentazione di istanze.

Pooling di regione. Operazione, introdotta in Fast R-CNN, che estrae una mappa di feature di dimensione fissa da regioni candidate di grandezza variabile, così da poterle passare a strati fully connected.

Mappa di salienza. Rappresentazione che evidenzia le aree di un'immagine più rilevanti, sia per l'attenzione visiva umana sia per la predizione di un modello, assegnando a ogni pixel un valore di importanza.

Segment Anything Model. Modello di segmentazione promptable che produce maschere di qualsiasi oggetto a partire da prompt come punti, riquadri o testo, addestrato su un enorme dataset per la generalizzazione zero-shot.

Auto-attenzione. Meccanismo che, per ogni elemento della sequenza in ingresso, calcola una combinazione pesata di tutti gli altri elementi tramite query, key e value, catturando le dipendenze a lungo raggio.

Segmentazione semantica. Assegna a ogni pixel dell'immagine l'etichetta della classe dell'oggetto a cui appartiene, senza distinguere le singole istanze della stessa classe.

Scale-Invariant Feature Transform. Algoritmo che individua punti chiave e ne calcola descrittori invarianti a scala e rotazione e robusti a variazioni di illuminazione, usati per il matching tra immagini.

Simple Linear Iterative Clustering. Algoritmo efficiente che genera superpixel regolari e compatti applicando un k-means locale che raggruppa i pixel in base a colore e posizione spaziale.

Operatore di Sobel. Filtro che evidenzia i bordi calcolando un'approssimazione del gradiente di intensità lungo gli assi orizzontale e verticale tramite due kernel di convoluzione 3x3.

Single Shot MultiBox Detector. Rilevatore one-stage che predice classi e riquadri di oggetti in un unico passaggio, sfruttando feature map a più scale e box di ancoraggio (default box).

Structural Similarity Index. Metrica che valuta la qualità percepita tra due immagini confrontandone luminanza, contrasto e struttura locale, con valori tra -1 e 1 (1 = identiche).

Visione stereoscopica. Tecnica che stima la profondità della scena calcolando la disparità tra due immagini della stessa scena riprese da punti di vista leggermente diversi.

Passo. Numero di pixel di cui il kernel viene fatto scorrere a ogni applicazione durante la convoluzione o il pooling; uno stride maggiore riduce la dimensione della feature map in uscita.

Struttura dal movimento. Tecnica che ricostruisce simultaneamente la geometria 3D di una scena e le posizioni della camera a partire da un insieme di immagini 2D riprese da punti di vista diversi.

Aumento di risoluzione. Insieme di tecniche che ricostruiscono un'immagine ad alta risoluzione a partire da una o più versioni a bassa risoluzione, recuperando i dettagli mancanti.

Superpixel. Raggruppamento di pixel adiacenti e percettivamente simili che semplifica l'immagine in poche regioni coerenti, riducendo il numero di elementi da elaborare nelle fasi successive.

Speeded-Up Robust Features. Rilevatore e descrittore di punti chiave che approssima le derivate con filtri a scatola e immagini integrali, risultando più veloce di SIFT a parità di robustezza.

Vision Transformer gerarchico che calcola l'auto-attenzione entro finestre locali non sovrapposte, traslate (shifted) tra layer successivi per collegare le finestre, ottenendo complessità lineare rispetto alla dimensione dell'immagine.

Confronto con modello. Tecnica che fa scorrere un'immagine campione (template) su un'immagine più grande per individuare la posizione in cui la corrispondenza, misurata da una metrica di similarità, è massima.

Rilevamento del testo. Individuazione e localizzazione delle regioni contenenti testo all'interno di un'immagine, tipicamente come riquadri o poligoni, fase preliminare al riconoscimento (OCR).

Sogliatura. Tecnica che converte un'immagine in binaria assegnando i pixel a due classi a seconda che la loro intensità sia sopra o sotto un valore di soglia, fisso o calcolato automaticamente.

Accuratezza top-5. Metrica di classificazione che considera corretta una predizione se la classe vera compare tra le cinque etichette a cui il modello assegna la probabilità più alta.

Convoluzione trasposta. Operazione che aumenta (upsampling) la risoluzione spaziale delle feature map con parametri apprendibili, usata nei decoder di reti per segmentazione e generazione.

Triangolazione. Metodo che determina la posizione 3D di un punto intersecando i raggi ottici corrispondenti alle sue proiezioni in due o più viste di camera calibrate.

Rete a U per segmentazione. Architettura encoder-decoder con percorso di contrazione ed espansione simmetrici e connessioni skip che uniscono feature a stessa risoluzione, nata per l'imaging biomedico.

Rete VGG. Architettura convoluzionale profonda e regolare del Visual Geometry Group, basata sull'impilamento di molti piccoli kernel 3x3, disponibile in varianti come VGG-16 e VGG-19.

Trasformer per immagini (ViT). Architettura che divide l'immagine in patch di dimensione fissa, le proietta in embedding e le elabora come una sequenza tramite l'auto-attenzione, senza convoluzioni.

Modello che elabora congiuntamente immagini e testo in uno spazio di rappresentazione comune, abilitando compiti come descrizione di immagini, risposta a domande visive e ricerca cross-modale. Apprende le associazioni fra contenuti visivi e linguaggio da grandi corpora accoppiati.

Odometria visiva. Tecnica che stima incrementalmente il movimento (posizione e orientamento) della camera analizzando i cambiamenti tra fotogrammi successivi di una sequenza di immagini.

Rendering volumetrico. Tecnica che genera immagini 2D accumulando colore e densità campionati lungo i raggi che attraversano un volume 3D; è alla base di metodi come i NeRF.

Voxel. Equivalente tridimensionale del pixel: rappresenta il valore (occupazione, colore o densità) di una cella in una griglia regolare che discretizza un volume nello spazio 3D.

Spartiacque. Algoritmo di segmentazione che interpreta l'intensità dell'immagine come un rilievo topografico e, simulando un allagamento, separa le regioni come bacini idrografici divisi da linee di spartiacque.

You Only Look Once. Famiglia di rilevatori one-stage che, con un unico passaggio della rete sull'intera immagine, predice contemporaneamente riquadri e classi degli oggetti, privilegiando la velocità in tempo reale.

Spazio colore YUV. Modello che separa la luminanza (Y) dalle due componenti di crominanza (U e V), sfruttato in TV e video anche per applicare la sottocampionatura del colore riducendo i dati.