MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina
|
|
- Nicola Longo
- 8 anni fa
- Visualizzazioni
Transcript
1 MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina Giorgio Iacoboni Matricola Anno Accademico 2010/2011
2 Outline Introduzione Image Matching Architettura di MovieShot Benchmark Conclusioni Lavori Futuri DEMO MovieShot Outline Pagina 2
3 Introduzione MovieShot è un software in grado di ottenere informazioni su un film a partire da una foto della sua locandina. L utente scatta una foto utilizzando l applicazione mobile e in pochi istanti ottiene tutte le informazioni sul film in questione, come titolo, regia, attori, ecc. MovieShot Introduzione Pagina 3
4 Introduzione MovieShot è un software in grado di ottenere informazioni su un film a partire da una foto della sua locandina. L utente scatta una foto utilizzando l applicazione mobile e in pochi istanti ottiene tutte le informazioni sul film in questione, come titolo, regia, attori, ecc. Come capire il titolo del film avendo a disposizione solo l immagine della locandina? MovieShot Introduzione Pagina 4
5 Image Matching Definizione: Due possibili metodologie per l implementazione di Sim(x,y): Approccio globale (esempio: Libpuzzle) Approccio locale (esempio: Scale-Invariant Feature Transform) MovieShot Image Matching Pagina 5
6 Approccio globale: Libpuzzle Il metodo si basa sull'analisi della luminosità di determinate regioni dell'immagine e calcola una firma confrontando la luminosità di regioni adiacenti. MovieShot Image Matching - Libpuzzle Pagina 6
7 Approccio globale: Libpuzzle Il metodo si basa sull'analisi della luminosità di determinate regioni dell'immagine e calcola una firma confrontando la luminosità di regioni adiacenti. 1.L'immagine viene convertita in scala di grigi. MovieShot Image Matching - Libpuzzle Pagina 7
8 Approccio globale: Libpuzzle Il metodo si basa sull'analisi della luminosità di determinate regioni dell'immagine e calcola una firma confrontando la luminosità di regioni adiacenti. 1.L'immagine viene convertita in scala di grigi. 2.Per ogni riga e colonna di pixel dell'immagine, si calcola la somma dei valori assoluti delle differenze tra pixel adiacenti in tale colonna. 3.Si ritaglia l'immagine in corrispondenza delle colonne e righe al 5% e al 95% facendo in modo quindi che solo il 5% della somma totale delle differenze stia nella parte eliminata dell'immagine. MovieShot Image Matching - Libpuzzle Pagina 8
9 Approccio globale: Libpuzzle Il metodo si basa sull'analisi della luminosità di determinate regioni dell'immagine e calcola una firma confrontando la luminosità di regioni adiacenti. 1.L'immagine viene convertita in scala di grigi. 2.Per ogni riga e colonna di pixel dell'immagine, si calcola la somma dei valori assoluti delle differenze tra pixel adiacenti in tale colonna. 3.Si ritaglia l'immagine in corrispondenza delle colonne e righe al 5% e al 95% facendo in modo quindi che solo il 5% della somma totale delle differenze stia nella parte eliminata dell'immagine. 4.L'immagine viene concettualmente divisa in una griglia di 10x10 blocchi, imponendo così una griglia 9x9 di punti. 5.Per ogni punto della griglia, si calcola il valore medio dei pixel presenti in un quadrato centrato nel punto. MovieShot Image Matching - Libpuzzle Pagina 9
10 Approccio globale: Libpuzzle Il metodo si basa sull'analisi della luminosità di determinate regioni dell'immagine e calcola una firma confrontando la luminosità di regioni adiacenti. 1.L'immagine viene convertita in scala di grigi. 2.Per ogni riga e colonna di pixel dell'immagine, si calcola la somma dei valori assoluti delle differenze tra pixel adiacenti in tale colonna. 3.Si ritaglia l'immagine in corrispondenza delle colonne e righe al 5% e al 95% facendo in modo quindi che solo il 5% della somma totale delle differenze stia nella parte eliminata dell'immagine. 4.L'immagine viene concettualmente divisa in una griglia di 10x10 blocchi, imponendo così una griglia 9x9 di punti. 5.Per ogni punto della griglia, si calcola il valore medio dei pixel presenti in un quadrato centrato nel punto. 6.Ogni valore medio calcolato al punto precedente viene confrontato con gli 8 corrispondenti ai punti adiacenti nella griglia. Il risultato di ciascun confronto genera un array di 8 elementi che rappresentano le differenze di luminosità. 7.La firma dell'immagine è la semplice concatenazione di questi array. MovieShot Image Matching - Libpuzzle Pagina 10
11 Approccio globale: Libpuzzle VANTAGGI: Dimensioni della base di dati ogni film è rappresentato da un descrittore di 186byte. Calcolo della similarità veloce calcolare la distanza tra due immagini si riduce ad una singola distanza euclidea. MovieShot Image Matching Libpuzzle (2) Pagina 11
12 Approccio globale: Libpuzzle VANTAGGI: Dimensioni della base di dati ogni film è rappresentato da un descrittore di 186byte. Calcolo della similarità veloce calcolare la distanza tra due immagini si riduce ad una singola distanza euclidea. SVANTAGGI: Nel caso di rotazioni, variazioni di scala o piccole trasformazioni prospettiche che non siano quasi impercettibili, la firma può differire sensibilmente. il gap tra il valore di similarità del match corretto e quello del secondo più vicino è troppo piccolo per garantire un'efficace classificazione con un basso tasso di errori. MovieShot Image Matching Libpuzzle (2) Pagina 12
13 Approccio locale: SIFT Metodo per estrarre elementi locali caratteristici (keypoints) dalle immagini, invarianti a variazioni di scala e orientazione, che può essere usato per eseguire un matching affidabile anche tra immagini che presentano una diversa prospettiva, luminosità o tonalità dei colori. MovieShot Image Matching - SIFT Pagina 13
14 Approccio locale: SIFT Metodo per estrarre elementi locali caratteristici (keypoints) dalle immagini, invarianti a variazioni di scala e orientazione, che può essere usato per eseguire un matching affidabile anche tra immagini che presentano una diversa prospettiva, luminosità o tonalità dei colori. Descrizione Informale: 1.Rappresentazione dell immagine nello Scale-Space attraverso filtri gaussiani in cascata. MovieShot Image Matching - SIFT Pagina 14
15 Approccio locale: SIFT Metodo per estrarre elementi locali caratteristici (keypoints) dalle immagini, invarianti a variazioni di scala e orientazione, che può essere usato per eseguire un matching affidabile anche tra immagini che presentano una diversa prospettiva, luminosità o tonalità dei colori. Descrizione Informale: 1.Rappresentazione dell immagine nello Scale-Space attraverso filtri gaussiani in cascata. 2.Determinazione di keypoints stabili nello Scale-Space, analizzando il gradiente dell immagine. MovieShot Image Matching - SIFT Pagina 15
16 Approccio locale: SIFT Metodo per estrarre elementi locali caratteristici (keypoints) dalle immagini, invarianti a variazioni di scala e orientazione, che può essere usato per eseguire un matching affidabile anche tra immagini che presentano una diversa prospettiva, luminosità o tonalità dei colori. Descrizione Informale: 1.Rappresentazione dell immagine nello Scale-Space attraverso filtri gaussiani in cascata. 2.Determinazione di keypoints stabili nello Scale-Space, analizzando il gradiente dell immagine. 3.Assegnazione delle orientazioni ad ogni keypoint individuato sulla base dei valori del gradiente sulle due dimensioni. MovieShot Image Matching - SIFT Pagina 16
17 Approccio locale: SIFT Metodo per estrarre elementi locali caratteristici (keypoints) dalle immagini, invarianti a variazioni di scala e orientazione, che può essere usato per eseguire un matching affidabile anche tra immagini che presentano una diversa prospettiva, luminosità o tonalità dei colori. Descrizione Informale: 1.Rappresentazione dell immagine nello Scale-Space attraverso filtri gaussiani in cascata. 2.Determinazione di keypoints stabili nello Scale-Space, analizzando il gradiente dell immagine. 3.Assegnazione delle orientazioni ad ogni keypoint individuato sulla base dei valori del gradiente sulle due dimensioni. 4.Costruzione dei vettori keypoint descriptor, ciascuno dei quali rappresenta i gradienti dell immagine posti in una regione vicina a ciascun keypoint. MovieShot Image Matching - SIFT Pagina 17
18 Approccio locale: SIFT VANTAGGI: Descrittori invarianti rispetto a numerose alterazioni: invariante per scala, orientazione e distorsione affine e parzialmente invariante a cambi di illuminazione. Calcolo della Similarità robusto Ogni immagine genera centinaia di keypoint descriptors caratteristici, questo riduce il contributo degli errori causati dalle variazioni locali sull'errore medio di tutti i descrittori. Inoltre il numero di descriptors individuati nell immagine con cui calcolare la similarità offre una stima della qualità del match, consentendo di isolare i falsi positivi. MovieShot Image Matching SIFT (2) Pagina 18
19 Approccio locale: SIFT VANTAGGI: Descrittori invarianti rispetto a numerose alterazioni: invariante per scala, orientazione e distorsione affine e parzialmente invariante a cambi di illuminazione. Calcolo della Similarità robusto Ogni immagine genera centinaia di keypoint descriptors caratteristici, questo riduce il contributo degli errori causati dalle variazioni locali sull'errore medio di tutti i descrittori. Inoltre il numero di descriptors individuati nell immagine con cui calcolare la similarità offre una stima della qualità del match, consentendo di isolare i falsi positivi. SVANTAGGI: Il calcolo del matching tra due immagini è complesso e richiede numerose distanze euclidee. MovieShot Image Matching SIFT (2) Pagina 19
20 Approccio locale: SIFT VANTAGGI: Descrittori invarianti rispetto a numerose alterazioni: invariante per scala, orientazione e distorsione affine e parzialmente invariante a cambi di illuminazione. Calcolo della Similarità robusto Ogni immagine genera centinaia di keypoint descriptors caratteristici, questo riduce il contributo degli errori causati dalle variazioni locali sull'errore medio di tutti i descrittori. Inoltre il numero di descriptors individuati nell immagine con cui calcolare la similarità offre una stima della qualità del match, consentendo di isolare i falsi positivi. SVANTAGGI: Il calcolo del matching tra due immagini è complesso e richiede numerose distanze euclidee. Come si può ottimizzare? MovieShot Image Matching SIFT (2) Pagina 20
21 SIFT: Calcolo del Risultato Ogni feature ottenuta dall immagine scattata deve essere associata a quella più vicina nella base di dati. Il film che ha ottenuto più associazioni è il risultato, a patto che il numero di associazioni sia superiore al valore di soglia. Il numero di confronti è molto alto: per ridurli al minimo, occorre clusterizzare i dati. MovieShot Image Matching SIFT Calcolo del Risultato Pagina 21
22 SIFT: Calcolo del Risultato Ogni feature ottenuta dall immagine scattata deve essere associata a quella più vicina nella base di dati. Il film che ha ottenuto più associazioni è il risultato, a patto che il numero di associazioni sia superiore al valore di soglia. Il numero di confronti è molto alto: per ridurli al minimo, occorre clusterizzare i dati. Random Hyperplanes Divisione dello spazio dei descrittori attraverso iperpiani passanti per l origine. Descrittori vicini si trovano nella stessa porzione di spazio. MovieShot Image Matching SIFT Calcolo del Risultato Pagina 22
23 SIFT: Calcolo del Risultato Ogni feature ottenuta dall immagine scattata deve essere associata a quella più vicina nella base di dati. Il film che ha ottenuto più associazioni è il risultato, a patto che il numero di associazioni sia superiore al valore di soglia. Il numero di confronti è molto alto: per ridurli al minimo, occorre clusterizzare i dati. Random Hyperplanes Divisione dello spazio dei descrittori attraverso iperpiani passanti per l origine. Descrittori vicini si trovano nella stessa porzione di spazio. K-Means Algoritmo di clustering non supervisionato basato sulla distanza euclidea. MovieShot Image Matching SIFT Calcolo del Risultato Pagina 23
24 K-Means K-Means e un algoritmo di clustering che divide gruppi di oggetti in K partizioni sulla base dei loro attributi. In questo caso si userà il concetto di distanza euclidea. L'obiettivo che l'algoritmo si prepone è di minimizzare la varianza totale all'interno dei cluster. Ogni cluster viene identificato mediante un centroide, ovvero il punto medio. L'algoritmo segue una procedura iterativa: Crea K partizioni e assegna ad ogni partizione i punti d'ingresso casualmente o usando alcune informazioni euristiche. Calcola quindi il centroide di ogni gruppo. Costruisce una nuova partizione associando ogni punto d'ingresso al cluster il cui centroide è più vicino ad esso. Vengono infine ricalcolati i centroidi per i nuovi cluster e così via, finché l'algoritmo non converge. MovieShot Image Matching - SIFT - K-Means Pagina 24
25 Architettura di MovieShot MovieShot Architettura di MovieShot Pagina 25
26 Architettura di MovieShot MovieShot Architettura di MovieShot Pagina 26
27 Architettura di MovieShot MovieShot Architettura di MovieShot Pagina 27
28 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 28
29 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 29
30 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 30
31 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 31
32 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 32
33 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 33
34 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 34
35 Architettura: il Server Retrieve Servlet Retrieve Engine Richiesta Risposta <movies_result> <error_code> 0 </error_code> <error_message/> <movie id="12345"> <title> JAXB SIFT Database MovieShot Architettura: il Server Pagina 35
36 Benchmark MovieShot Benchmark Pagina 36
37 Benchmark Prestazioni dell'operatore SIFT al variare dei parametri: 1. dimensione del gradient orientation histogram. 2. Numero di orientation bins. MovieShot Benchmark (2) Pagina 37
38 Benchmark MovieShot Benchmark (3) Pagina 38
39 Benchmark MovieShot Benchmark (4) Pagina 39
40 Conclusioni Sono stati analizzati due approcci per il calcolo della somiglianza delle immagini Libpuzzle, che sebbene molto veloce, nell'utilizzo specifico non trova una soddisfacente applicazione, poiché le foto coinvolte sono nella maggior parte dei casi leggermente ruotate e trasformate per via della prospettiva, e in questi casi il metodo si comporta molto male, dando un alto tasso di falsi positivi. Scale-Invariant Feature Transform, che invece si è dimostrato robusto a variazioni di scala, prospettiva, rumore e illuminazione, mostrando i propri limiti dal punto di vista delle prestazioni. Sono stati proposti due possibili approcci per il clustering e l'indicizzazione dei dati Random Hyperplanes, a causa della distribuzione non uniforme dei descrittori nello spazio, non riesce ad essere accurato come ci si poteva aspettare. Introduce infatti un'approssimazione sempre crescente all'aumentare del numero di iperpiani, non permettendo di individuare un buon compromesso. K-Means, a fronte di un calcolo più dispendioso durante la creazione della base di dati, genera una clusterizzazione decisamente più robusta, che mantiene un'ottima accuratezza all'aumentare del numero di cluster generati. MovieShot Conclusioni Pagina 40
41 Lavori Futuri Sviluppo di client per tutte le piattaforme più diffuse: Android, Windows Phone, BadaOS, Symbian, ecc. Ottimizzazioni nell algoritmo di Image Matching: in particolare nell individuazione del centroide associato a ciascun descrittore. Strutture dati come KD-Tree non sono applicabili in caso di spazi n-dimensionali, poiché risultano meno veloci dell approccio naïve. Retrieve Engine distribuito: renderebbe possibile l utilizzo dell applicazione anche in scenari che richiedono una base di dati di notevoli dimensioni. Dal punto di vista client, è possibile introdurre uno storico delle ricerche effettuate. Le API necessarie a questo scopo sono già pronte. Dal punto di vista dell amministrazione, è possibile sviluppare strumenti più sofisticati per la gestione della base di dati, che permetta inserimento, modifica e cancellazione di singoli film e altro. MovieShot Lavori Futuri Pagina 41
42 DEMO «La locandina è presente nel database e rappresenta Bar Sport, un film di Massimo Martelli uscito nelle sale il 21 ottobre 2011.» MovieShot DEMO Pagina 42
43 DEMO «La locandina è presente nel database e rappresenta EX - amici come prima, un film di Carlo Vanzina uscito nelle sale il 7 ottobre 2011.» MovieShot DEMO (2) Pagina 43
44 DEMO «La locandina NON è presente nel database! Rappresenta Final Destination 5, un film di Steven Quale uscito nelle sale il 7 ottobre 2011.» «Mi aspetto che il software mi comunichi che non ha a disposizione le informazioni richieste.» MovieShot DEMO (3) Pagina 44
45 DEMO «Simulazione foto stradale» «La locandina è presente nel database, e rappresenta Drive, un film di Nicolas Winding Refn uscito nelle sale il 30 settembre 2011.» MovieShot DEMO (4) Pagina 45
RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE
PROGETTO DEL CORSO DI VISIONE E PERCEZIONE PARTE 2 RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE Scopo del progetto Il progetto ha come obiettivo quello di riconoscere il testo di una targa automobilistica
DettagliAlgoritmi di clustering
Algoritmi di clustering Dato un insieme di dati sperimentali, vogliamo dividerli in clusters in modo che: I dati all interno di ciascun cluster siano simili tra loro Ciascun dato appartenga a uno e un
DettagliDistributed P2P Data Mining. Autore: Elia Gaglio (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo
Distributed P2P Data Mining Autore: (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo A.A. 2005/2006 Il settore del Data Mining Distribuito (DDM): Data Mining: cuore del processo
DettagliELABORAZIONE DI DATI TRIDIMENSIONALI - RELAZIONE HOMEWORK 2
DAVIDE ZANIN 1035601 ELABORAZIONE DI DATI TRIDIMENSIONALI - RELAZIONE HOMEWORK 2 SOMMARIO Elaborazione di dati tridimensionali - Relazione Homework 2... 1 Obiettivo... 2 Descrizione della procedura seguita...
DettagliUniversità degli Studi di Ferrara - A.A. 2014/15 Dott. Valerio Muzzioli ORDINAMENTO DEI DATI
ORDINAMENTO DEI DATI Quando si ordina un elenco (ovvero una serie di righe contenenti dati correlati), le righe sono ridisposte in base al contenuto di una colonna specificata. Distinguiamo due tipi di
DettagliLibrerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video
Video Librerie digitali Gestione di video Ogni filmato è composto da più parti Video Audio Gestito come visto in precedenza Trascrizione del testo, identificazione di informazioni di interesse Testo Utile
Dettaglie-dva - eni-depth Velocity Analysis
Lo scopo dell Analisi di Velocità di Migrazione (MVA) è quello di ottenere un modello della velocità nel sottosuolo che abbia dei tempi di riflessione compatibili con quelli osservati nei dati. Ciò significa
DettagliHBase Data Model. in più : le colonne sono raccolte in gruppi di colonne detti Column Family; Cosa cambia dunque?
NOSQL Data Model HBase si ispira a BigTable di Google e perciò rientra nella categoria dei column store; tuttavia da un punto di vista logico i dati sono ancora organizzati in forma di tabelle, in cui
DettagliIntroduzione alla Virtualizzazione
Introduzione alla Virtualizzazione Dott. Luca Tasquier E-mail: luca.tasquier@unina2.it Virtualizzazione - 1 La virtualizzazione è una tecnologia software che sta cambiando il metodo d utilizzo delle risorse
DettagliPlate Locator Riconoscimento Automatico di Targhe
Progetto per Laboratorio di Informatica 3 - Rimotti Daniele, Santinelli Gabriele Plate Locator Riconoscimento Automatico di Targhe Il programma plate_locator.m prende come input: l immagine della targa
DettagliRicerca di outlier. Ricerca di Anomalie/Outlier
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliChe cosa è un VIRUS?
Virus & Antivirus Virus Nella sicurezza informatica un virus è un software, appartenente alla categoria dei malware, che è in grado, una volta eseguito, di infettare dei file in modo da riprodursi facendo
DettagliUso delle basi di dati DBMS. Cos è un database. DataBase. Esempi di database
Uso delle basi di dati Uso delle Basi di Dati Il modulo richiede che il candidato comprenda il concetto di base dati (database) e dimostri di possedere competenza nel suo utilizzo. Cosa è un database,
DettagliDefinire all'interno del codice un vettore di interi di dimensione DIM, es. int array[] = {1, 5, 2, 4, 8, 1, 1, 9, 11, 4, 12};
ESERCIZI 2 LABORATORIO Problema 1 Definire all'interno del codice un vettore di interi di dimensione DIM, es. int array[] = {1, 5, 2, 4, 8, 1, 1, 9, 11, 4, 12}; Chiede all'utente un numero e, tramite ricerca
DettagliINTRODUCTION TO WEARABLE TECHNOLOGY
INTRODUCTION TO WEARABLE TECHNOLOGY AND MOBILE VISION - Tutorial 2 - In questo tutorial impareremo come sviluppare una applicazione in grado di classificare in modo automatico alcuni luoghi di interessa
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliMaxpho Commerce 11. Gestione CSV. Data: 20 Settembre 2011 Versione : 1.1 Autore: Maxpho Srl
Maxpho Commerce 11 Gestione CSV Data: 20 Settembre 2011 Versione : 1.1 Autore: Maxpho Srl Indice generale 1 - Introduzione... 3 1.1 - Il file CSV...3 1.2 - Modulo CSV su Maxpho... 3 1.3 - Modulo CSV Pro
DettagliInformatica grafica e Multimedialità. 4 Immagini grafiche
Immagini raster e vettoriali Le immagini grafiche si distinguono in due classi differenti: immagini raster e immagini vettoriali. Le immagini raster, dette anche pittoriche o pixel-oriented, dividono l
DettagliIntroduzione. Cliente. Indirizzo cliente. CAP cliente. Città cliente. Telefono cliente
Introduzione Just Italia srl, mediante le proprie venditrici, raccoglie ordinativi dai clienti attravenso una proposta d ordine cartacea, sulla quale vengono compilati manualmente i seguenti dati: Cliente
DettagliStefania Marrara - Esercitazioni di Tecnologie dei Sistemi Informativi. Integrazione di dati di sorgenti diverse
Politecnico di Milano View integration 1 Integrazione di dati di sorgenti diverse Al giorno d oggi d la mole di informazioni che viene gestita in molti contesti applicativi è enorme. In alcuni casi le
Dettagliuadro Soluzioni software per L archiviazione elettronica dei documenti Gestione Aziendale Fa quadrato attorno alla tua azienda
Fa quadrato attorno alla tua azienda Soluzioni software per L archiviazione elettronica dei documenti Perché scegliere Q Archiviazione Elettronica dei Documenti? Tale applicativo si pone come obbiettivo
DettagliProject Planning. Politecnico di Milano. Progetto di Ingegneria del Software 2. 15 novembre 2011. Elisabetta Di Nitto Raffaela Mirandola
Politecnico di Milano Progetto di Ingegneria del Software 2 Project Planning Autori: Claudia Foglieni Giovanni Matteo Fumarola Massimo Maggi Professori: Elisabetta Di Nitto Raffaela Mirandola 15 novembre
DettagliIntroduzione all analisi dei segnali digitali.
Introduzione all analisi dei segnali digitali. Lezioni per il corso di Laboratorio di Fisica IV Isidoro Ferrante A.A. 2001/2002 1 Segnali analogici Si dice segnale la variazione di una qualsiasi grandezza
DettagliUn applicazione client per la localizzazione via Bluetooth e Wi-Fi di dispositivi Smartphone Anno Accademico 2005/2006
tesi di laurea Un applicazione client per la localizzazione via Bluetooth e Wi-Fi di dispositivi Anno Accademico 2005/2006 relatore Ch.mo prof. Stefano Russo correlatore Ing. Massimo Ficco candidato Giorgio
DettagliL efficienza energetica dei condizionatori d aria da quest anno ha nuove direttive.
L efficienza energetica dei condizionatori d aria da quest anno ha nuove direttive. Un testo della redazione di Electro Online, il tuo esperto online. Data: 19/03/2013 Nuove regole per i condizionatori
DettagliNuova funzione di ricerca del sito WIKA.
Nuova funzione di ricerca del sito WIKA. Il sito WIKA dispone ora di una funzione di ricerca completamente riprogettata. Essa è uno strumento particolarmente importante in quanto deve fornire al navigatore
DettagliDocumentazione esterna al software matematico sviluppato con MatLab
Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno
DettagliIngegneria del Software T
Home Finance 1 Requisiti del cliente 1 Si richiede di realizzare un sistema per la gestione della contabilità familiare. Il sistema consente la classificazione dei movimenti di denaro e la loro memorizzazione.
DettagliAta_NiAg02. Modulo Gestione Agenti
Ata_NiAg02 Modulo Gestione Agenti Il software NiAg02 consente alle aziende che utilizzano il software gestionale ATA di gestire in maniera totalmente automatizzata l acquisizione ordini e/o clienti dalla
DettagliLe query di raggruppamento
Le query di raggruppamento Le "Query di raggruppamento" sono delle Query di selezione che fanno uso delle "Funzioni di aggregazione" come la Somma, il Conteggio, il Massimo, il Minimo o la Media, per visualizzare
DettagliDBMS. Esempi di database. DataBase. Alcuni esempi di DBMS DBMS. (DataBase Management System)
(DataBase Management System) Sistemi di ges3one di basi di da3 Un Database Management System è un sistema software progettato per consentire la creazione e manipolazione efficiente di database (collezioni
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliModulo: Fogli elettronici
Corso: Abilità Informatiche Modulo: Fogli elettronici Pagina 1 di 18 Autori del Modulo: Bruno fadini; Pino Cepparulo Presentazione del Modulo: Versione Italiano Il modulo, corrispondente al modulo 4 dell'ecdl
DettagliPowerSchedo. Un sistema di supporto alla decisione nel settore dell'oil&gas. For further information: www.mbigroup.it
PowerSchedo Un sistema di supporto alla decisione nel settore dell'oil&gas For further information: Introduzione PowerSchedO è uno strumento software di supporto alle decisioni per problemi nel settore
DettagliSISTEMI DI NUMERAZIONE E CODICI
SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema
DettagliIl database management system Access
Il database management system Access Corso di autoistruzione http://www.manualipc.it/manuali/ corso/manuali.php? idcap=00&idman=17&size=12&sid= INTRODUZIONE Il concetto di base di dati, database o archivio
DettagliLa Metodologia adottata nel Corso
La Metodologia adottata nel Corso 1 Mission Statement + Glossario + Lista Funzionalià 3 Descrizione 6 Funzionalità 2 Schema 4 Schema 5 concettuale Logico EA Relazionale Codice Transazioni In PL/SQL Schema
DettagliFondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it
Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Estrazione dei bordi Calcolo del gradiente Operatori di Roberts Operatori
DettagliIntroduzione al data base
Introduzione al data base L Informatica è quella disciplina che si occupa del trattamento automatico dei dati con l ausilio del computer. Trattare i dati significa: raccoglierli, elaborarli e conservarli
DettagliClustering. Utilizziamo per la realizzazione dell'esempio due tipologie di software:
Esercizio Clustering Utilizziamo per la realizzazione dell'esempio due tipologie di software: - XLSTAT.xls - Cluster.exe XLSTAT.xls XLSTAT.xls è una macro di Excel che offre la possibilità di effettuare
DettagliUso delle basi di dati. Informazione e dato. Cos è un database. Tabelle. Esempi di database
Uso delle basi di dati CORSO ECDL DataBase Il modulo richiede che il candidato comprenda il concetto di base dati (database) e dimostri di possedere competenza nel suo utilizzo. Cosa è un database, come
DettagliDispensa di database Access
Dispensa di database Access Indice: Database come tabelle; fogli di lavoro e tabelle...2 Database con più tabelle; relazioni tra tabelle...2 Motore di database, complessità di un database; concetto di
DettagliApproccio stratificato
Approccio stratificato Il sistema operativo è suddiviso in strati (livelli), ciascuno costruito sopra quelli inferiori. Il livello più basso (strato 0) è l hardware, il più alto (strato N) è l interfaccia
DettagliTabella iniziale con i dati. Malattia Malati Non malati Totale Test Positivo 183 Negativo 280 Totale 199 512. Calcolo i valori mancanti per differenza
ESERCIZIO DI STATISTICA D.U. / simulazione di esame Esercizio 1: Per una malattia particolarmente grave viene sperimentato l utilizzo di una nuova tecnica radiologica allo scopo di identificare correttamente
DettagliGestione ed analisi di base dati nell epidemiologia. delle malattie infettive
Università degli Studi di Torino - Facoltà di Medicina Veterinaria Laboratorio di epidemiologia delle malattie infettive Scuola Specializzazione in Sanità Animale, Allevamento e Produzioni Zootecniche
DettagliE possibile modificare la lingua dei testi dell interfaccia utente, se in inglese o in italiano, dal menu [Tools
Una breve introduzione operativa a STGraph Luca Mari, versione 5.3.11 STGraph è un sistema software per creare, modificare ed eseguire modelli di sistemi dinamici descritti secondo l approccio agli stati
DettagliCome costruire una presentazione. PowerPoint 1. ! PowerPoint permette la realizzazione di presentazioni video ipertestuali, animate e multimediali
PowerPoint Come costruire una presentazione PowerPoint 1 Introduzione! PowerPoint è uno degli strumenti presenti nella suite Office di Microsoft! PowerPoint permette la realizzazione di presentazioni video
DettagliCodifiche a lunghezza variabile
Sistemi Multimediali Codifiche a lunghezza variabile Marco Gribaudo marcog@di.unito.it, gribaudo@elet.polimi.it Assegnazione del codice Come visto in precedenza, per poter memorizzare o trasmettere un
DettagliMService La soluzione per ottimizzare le prestazioni dell impianto
MService La soluzione per ottimizzare le prestazioni dell impianto Il segreto del successo di un azienda sta nel tenere sotto controllo lo stato di salute delle apparecchiature degli impianti. Dati industriali
DettagliUn ripasso di aritmetica: Conversione dalla base 10 alla base 16
Un ripasso di aritmetica: Conversione dalla base 1 alla base 16 Dato un numero N rappresentato in base dieci, la sua rappresentazione in base sedici sarà del tipo: c m c m-1... c 1 c (le c i sono cifre
DettagliIntroduzione all Information Retrieval
Introduzione all Information Retrieval Argomenti della lezione Definizione di Information Retrieval. Information Retrieval vs Data Retrieval. Indicizzazione di collezioni e ricerca. Modelli per Information
DettagliCosa è un foglio elettronico
Cosa è un foglio elettronico Versione informatica del foglio contabile Strumento per l elaborazione di numeri (ma non solo...) I valori inseriti possono essere modificati, analizzati, elaborati, ripetuti
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
DettagliNella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti
Nella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti finanziari in un contesto di flussi finanziari certi, tuttavia
DettagliAPP_PIT_Comparazione Pile Dynamics Inc. Rev.01-012015
Pile Integrity Tester PIT Caratteristiche Tecniche Serie PIT-X, PIT-X2, PIT-V e PIT-FV La strumentazione Pile Integrity Tester serie PIT è disponibile in 4 versioni, con 1 (PIT-X e PIT- V) o 2 (PIT-X2
DettagliVolume GESTFLORA. Gestione aziende agricole e floricole. Guidaall uso del software
Volume GESTFLORA Gestione aziende agricole e floricole Guidaall uso del software GESTIONE AZIENDE AGRICOLE E FLORICOLE Guida all uso del software GestFlora Ver. 2.00 Inter-Ware Srl Viadegli Innocenti,
DettagliLA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1
LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1 I CODICI 1 IL CODICE BCD 1 Somma in BCD 2 Sottrazione BCD 5 IL CODICE ECCESSO 3 20 La trasmissione delle informazioni Quarta Parte I codici Il codice BCD
DettagliISTITUTO TECNICO ECONOMICO MOSSOTTI
CLASSE III INDIRIZZO S.I.A. UdA n. 1 Titolo: conoscenze di base Conoscenza delle caratteristiche dell informatica e degli strumenti utilizzati Informatica e sistemi di elaborazione Conoscenza delle caratteristiche
DettagliPROGETTO ESCAVATORE VIRTUALE
PROGETTO ESCAVATORE VIRTUALE Facoltà di Ingegneria Industriale Corso di Laurea in Ingegneria Meccanica Anno Accademico 2011-2012 Matteo Condoleo 1 OBBIETTIVI Il presente progetto è stato realizzato per
DettagliSoftware Gestionale per alberghi e strutture ricettive
TOURING HOME V.4.0.0 Software Gestionale per alberghi e strutture ricettive Guida all aggiornamento Abbiamo il piacere di presentarvi la nuova versione 4.0.0 di TouringHome Completamente rivisto graficamente,
DettagliScheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola
DettagliCONTENT MANAGEMENT SY STEM
CONTENT MANAGEMENT SY STEM I NDI CE I NTRODUZI ONE Accesso al CMS 1) CONTENUTI 1.1 I nserimento, modifica e cancellazione dei contenuti 1.2 Sezioni, categorie e sottocategorie 2) UTENTI 3) UP LOAD FILES
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Una immagine (digitale) permette di percepire solo una rappresentazione 2D del mondo La visione 3D si pone lo scopo di percepire il mondo per come è in 3 dimensioni
DettagliAntivirus. Lezione 07. A cosa serve un antivirus
Lezione 07 Antivirus A cosa serve un antivirus Un antivirus è un programma studiato per cercare tramite una scansione nel sistema in cui è installato la presenza di virus. La funzionalità di un antivirus
DettagliPointCloud 7.0 Anno 2011
PointCloud 7.0 Anno 2011 Compatibilità con AutoCAD 2007-2012 ed AutoCAD 2007-2012 Supporto del formato nativo delle nuvole di punti di AutoCAD (PCG) e miglioramento delle performance riguardo la velocità
DettagliL amministratore di dominio
L amministratore di dominio Netbuilder consente ai suoi clienti di gestire autonomamente le caselle del proprio dominio nel rispetto dei vincoli contrattuali. Ciò è reso possibile dall esistenza di un
DettagliEsercizio 1: trading on-line
Esercizio 1: trading on-line Si realizzi un programma Java che gestisca le operazioni base della gestione di un fondo per gli investimenti on-line Creazione del fondo (con indicazione della somma in inizialmente
DettagliRendering air show e verifica della sincronizzazione
Capitolo 5 Rendering air show e verifica della sincronizzazione 5.1 Introduzione Il Rendering 3D dell evoluzioni acrobatiche costituisce uno degli aspetti cruciali dell applicazione realizzata. L ambiente
DettagliGuida Software GestioneSpiaggia.it
Caratteristiche Guida Software GestioneSpiaggia.it 1. Gestione prenotazioni articoli (ombrellone, cabina, ecc ) ed attrezzature (sdraio, lettino ecc ) 2. Visualizzazione grafica degli affitti sia giornaliera
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliProgramma del Corso per Segretaria d Azienda:
Programma del Corso per Segretaria d Azienda: Modulo 1. Uso del computer e gestione file Utilizzare le funzioni principali del sistema operativo, incluse la modifica delle impostazioni principali e l utilizzo
DettagliSistemi di Gestione dei Dati e dei Processi Aziendali. Computer-Assisted Audit Technique (CAAT)
Sistemi di Gestione dei Dati e dei Processi Aziendali Computer-Assisted Audit Technique (CAAT) Indice degli argomenti Introduzione Metodologia Esempi Conclusioni Slide 2 Introduzione Metodologia Esempi
DettagliEsercitazione di Basi di Dati
Esercitazione di Basi di Dati Corso di Fondamenti di Informatica 6 Maggio 2004 Come costruire una ontologia Marco Pennacchiotti pennacchiotti@info.uniroma2.it Tel. 0672597334 Ing.dell Informazione, stanza
DettagliRaccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE. Operare con i numeri
COMPETENZA CHIAVE MATEMATICA Fonte di legittimazione Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE L alunno utilizza il calcolo scritto e mentale con i numeri
DettagliPIANIFICAZIONE AUTOMATICA DEGLI INTERVENTI DI ASSISTENZA TECNICA. 2 Dicembre 2010
DI ASSISTENZA TECNICA 2 Dicembre 2010 La Pianificazione come strumento di ottimizzazione delle attività di assistenza tecnica Origine dell idea progettuale... deriva dall interesse, manifestato dai Clienti
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calcolo delle corrispondenze Affrontiamo il problema centrale della visione stereo, cioè la ricerca automatica di punti corrispondenti tra immagini Chiamiamo
Dettaglila scienza della rappresentazione e della elaborazione dell informazione
Sistema binario Sommario informatica rappresentare informazioni la differenza Analogico/Digitale i sistemi di numerazione posizionali il sistema binario Informatica Definizione la scienza della rappresentazione
DettagliUn importante risparmio di tempo, che l'operatore può dedicare a ciò che è veramente importante il paziente!
il sistema radiografico polivalente specificatamente progettato per ottimizzare l'utilizzo dei moderni detettori a stato solido il suo design innovativo supera le classiche limitazioni della meccanica
DettagliIl file system. meccanismi di accesso e memorizzazione delle informazioni (programmi e dati) allocate. in memoria di massa
Il File System 1 Il file system E quella componente del SO che fornisce i meccanismi di accesso e memorizzazione delle informazioni (programmi e dati) allocate in memoria di massa Realizza i concetti astratti
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
DettagliStabilizzazione Video. Video Digitali
Stabilizzazione Video Video Digitali Stabilizzazione video STABILIZZARE:assicurare il mantenimento di una condizione di equilibrio constante,generalmente identificabile nell'assenza di oscillazioni o variazioni
DettagliFIRESHOP.NET. Gestione Lotti & Matricole. www.firesoft.it
FIRESHOP.NET Gestione Lotti & Matricole www.firesoft.it Sommario SOMMARIO Introduzione... 3 Configurazione... 6 Personalizzare le etichette del modulo lotti... 6 Personalizzare i campi che identificano
DettagliGESTIONE AVANZATA DEI MATERIALI
GESTIONE AVANZATA DEI MATERIALI Divulgazione Implementazione/Modifica Software SW0003784 Creazione 23/01/2014 Revisione del 25/06/2014 Numero 1 Una gestione avanzata dei materiali strategici e delle materie
DettagliSistemi Operativi. 5 Gestione della memoria
Gestione della memoria Compiti del gestore della memoria: Tenere traccia di quali parti della memoria sono libere e quali occupate. Allocare memoria ai processi che ne hanno bisogno. Deallocare la memoria
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliCorso di Visione Artificiale. Stereopsi. Samuel Rota Bulò
Corso di Visione Artificiale Stereopsi Samuel Rota Bulò Introduzione La stereopsi è il processo di inferenza della struttura 3D da una coppia di immagini di una stessa scena catturate da posizioni diverse.
DettagliUniversità degli Studi di Bologna Bologna, 12/12/2002 Corso di Laurea In Informatica. Alessandro Valenti. Sessione II
Università degli Studi di Bologna Bologna, 12/12/2002 Corso di Laurea In Informatica Alessandro Valenti Sessione II Anno Accademico 2001-2002 SOMMARIO: Scenario Data Integration Il Servizio AnaWeb Web
DettagliObiettivi d esame PHP Developer Fundamentals on MySQL Environment
Obiettivi d esame PHP Developer Fundamentals on MySQL Environment 1.0 Ambiente di sviluppo 1.1 Web server e database MySQL Comprendere la definizione dei processi che si occupano di fornire i servizi web
DettagliColorSplitter. La separazione automatica dei colori di Colibri.. Perché ColorSplitter? Come opera ColorSplitter?
ColorSplitter La separazione automatica dei colori di Colibri.. ColorSplitter è una nuova funzionalità aggiunta a Colibri, che permette di elaborare un immagine trasformandola in una separata in canali
DettagliVERIFICHE PERIODICHE DEL MANTENIMENTO DI REQUISITI IMPIANTISTICI ED IGIENICO AMBIENTALI IN SALA OPERATORIA.
VERIFICHE PERIODICHE DEL MANTENIMENTO DI REQUISITI IMPIANTISTICI ED IGIENICO AMBIENTALI IN SALA OPERATORIA. Esperienza relativa ai controlli eseguiti dal 2008 al 2012 Statistica basata su 5 anni di validazioni
DettagliFirewall applicativo per la protezione di portali intranet/extranet
Firewall applicativo per la protezione di portali intranet/extranet Descrizione Soluzione Milano Hacking Team S.r.l. http://www.hackingteam.it Via della Moscova, 13 info@hackingteam.it 20121 MILANO (MI)
DettagliOperazioni sui database
Operazioni sui database Le operazioni nel modello relazionale sono essenzialmente di due tipi: Operazioni di modifica della base di dati (update) Interrogazioni della base di dati per il recupero delle
DettagliIntroduzione al Foglio Elettronico
Microsoft Excel Introduzione al Foglio Elettronico Il Foglio Elettronico Si presenta come una grande tabella su un foglio di carta Le celle contengono differenti dati Numeri Testo Date Ecc I dati possono
DettagliWoWords. Guida all uso: creare ed utilizzare le frasi. In questa guida è descritto come creare ed utilizzare le frasi nel software WoWords.
In questa guida è descritto come creare ed utilizzare le frasi nel software WoWords. Premessa Oltre alle singole parole WoWords può gestire intere frasi in inglese. A differenza delle singole parole, le
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliAnalisi dei requisiti e casi d uso
Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................
DettagliImmagini binarie. Binarizzazione di immagini a livelli di grigio
Immagini binarie Binarizzazione di immagini a livelli di grigio Immagini binarie In molti casi gli le scene di interesse conducono ad immagini che possono essere considerate binarie, cioè contenenti nel
Dettaglicin>>c8 s.r.l. Analisi del Dominio Pagina 1 di 7 Analisi del Dominio
Analisi del Dominio Pagina 1 di 7 Analisi del Dominio Indice 1 - INTRODUZIONE... 3 1.1 - OBIETTIVO DEL DOCUMENTO...3 1.2 - STRUTTURA DEL DOCUMENTO...3 1.3 - STORIA DEL DOCUMENTO...3 2 - SITUAZIONE ATTUALE
Dettagli