Stampa la pagina Condividi su Google Condividi su Twitter Condividi su Facebook Scheda Docente

BRIA ALESSANDRO - Ricercatore

English version

Afferente a: Dipartimento: Ingegneria Elettrica e dell'Informazione "Maurizio Scarano"

Settore Scientifico Disciplinare: ING-INF/05

Orari di ricevimento: Venerdì, 10-12.

Recapiti:
E-Mail: a.bria@unicas.it

  • Insegnamento Advanced Image Analysis (91414)

    Primo anno di Ingegneria Informatica (MAIA (Medical Image Analysis and Applications)) (LM-32), MAIA (Medical Image Analysis and Applications)
    Crediti Formativi Universitari (CFU): 5,00

    Programma:
    Morfologia in scala di grigi: dilatazione, erosione, apertura, chiusura, gradiente di Beucher, smoothing morfologico, trasformate top-hat e bottom-hat, ricostruzione morfologica.

    Segmentazione: basata su contorni (Marr-Hildreth LoG filter, Canny), basata sulle regioni (Region Growing, Region Splitting e Merging, Watershed, Mean-Shift).

    Descrittori: Fourier, momenti geometrici, momenti di Hu, Harris-Stephens corners, feature di Haar, Local Binary Pattern (LBP)

    Optical flow per l'analisi del movimento: metodi sparsi (Lucas-Kanade) e densi (FarneBack).

    Testi:
    Rafael C. Gonzalez, Richard E. Woods
    Elaborazione delle immagini digitali 3/Ed.
    Pearson/Prentice Hall, 2008

    Valutazione:
    L'esame consta di due prove, una a progetto ed una scritta.

    La prova a progetto consiste nello svolgimento di un progetto svolto in gruppi di 2-4 persone durante il corso all'interno di apposite sessioni dedicate. I progetti verteranno su problemi reali di Medical Image Analysis, da affrontare con le metodologie apprese dal corso e con gli strumenti messi a disposizione (libreria OpenCV in C++ e codici di esempio). Ciascun progetto verrà valutato con un punteggio da 0 a 32 sulla base di: (i) metodologia; (ii) implementazione; (iii) risultati ottenuti; e (iv) relazione finale scritta sotto forma di articolo a conferenza. Tale prova permette di verificare: (i) se lo studente è in grado di risolvere un problema reale di Image Analysis; (ii) la capacità dello studente di lavorare in gruppo; e (iii) la capacità dello studente di comprendere, ricercare, e produrre articoli scientifici.

    La prova scritta consiste nello svolgimento di un quiz a risposta multipla al calcolatore, con domande inerenti gli argomenti affrontati durante il corso. Le domande saranno 16 in totale, con un punteggio assegnato pari a +2 se la risposta corretta, -1 se la risposta è sbagliata, e 0 se la risposta è non data.

    Il voto finale viene calcolato come media dei punti ottenuti nelle due prove precedenti. Se il punteggio totale è >= 31, viene assegnata la lode.

  • Insegnamento Machine and Deep Learning (92819)

    Primo anno di Ingegneria Informatica (MAIA (Medical Image Analysis and Applications)) (LM-32), MAIA (Medical Image Analysis and Applications)
    Crediti Formativi Universitari (CFU): 6,00

    Programma:
    • Teoria Bayesiana della decisione.
    • Tecniche di classificazione parametriche e non parametriche.
    • Classificatori basati sull’apprendimento: a supporto vettoriale, reti neurali, sistemi di multiclassificatori
    • Tecniche per valutare e migliorare le prestazioni dei classificatori.
    • Introduzione al Deep Learning
    • Reti Convoluzionali (CNN), Reti Ricorrenti (RNN), Reti Generative Avversarie (GAN), Autoencoder

    Testi:
    A.R. Webb, K.D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley 2011
    I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016

    Valutazione:
    La valutazione si basa sulla realizzazione e la discussione di due progetti e su una prova scritta con domande a risposta multipla.

    I progetti vengono assegnati per gruppi e mirano a valutare la capacità degli studenti di affrontare un problema reale in un contesto applicativo e di costruire soluzioni efficaci basate sulle conoscenze acquisite durante il corso.

    Il test finale mira a valutare il livello di profondità e consapevolezza acquisito dallo studente su temi dell'intero corso.

    Le singole valutazioni concorrono a formare il voto finale come segue:
    Progetto di gruppo 1 35%
    Progetto di gruppo 2 35%
    Test finale 30%

  • Insegnamento Machine and Deep Learning (92819)

    Secondo anno di Ingegneria Informatica (LM-32), Generale
    Crediti Formativi Universitari (CFU): 6,00

    Programma:
    • Teoria Bayesiana della decisione.
    • Tecniche di classificazione parametriche e non parametriche.
    • Classificatori basati sull’apprendimento: a supporto vettoriale, reti neurali, sistemi di multiclassificatori
    • Tecniche per valutare e migliorare le prestazioni dei classificatori.
    • Introduzione al Deep Learning
    • Reti Convoluzionali (CNN), Reti Ricorrenti (RNN), Reti Generative Avversarie (GAN), Autoencoder

    Testi:
    A.R. Webb, K.D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley 2011
    I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016

    Valutazione:
    La valutazione si basa sulla realizzazione e la discussione di due progetti e su una prova scritta con domande a risposta multipla.

    I progetti vengono assegnati per gruppi e mirano a valutare la capacità degli studenti di affrontare un problema reale in un contesto applicativo e di costruire soluzioni efficaci basate sulle conoscenze acquisite durante il corso.

    Il test finale mira a valutare il livello di profondità e consapevolezza acquisito dallo studente su temi dell'intero corso.

    Le singole valutazioni concorrono a formare il voto finale come segue:
    Progetto di gruppo 1 35%
    Progetto di gruppo 2 35%
    Test finale 30%

  • Insegnamento Machine and Deep Learning (92819)

    Secondo anno di Telecommunications Engineering (LM-27), Curriculum unico
    Crediti Formativi Universitari (CFU): 6,00

    Programma:
    • Teoria Bayesiana della decisione.
    • Tecniche di classificazione parametriche e non parametriche.
    • Classificatori basati sull’apprendimento: a supporto vettoriale, reti neurali, sistemi di multiclassificatori
    • Tecniche per valutare e migliorare le prestazioni dei classificatori.
    • Introduzione al Deep Learning
    • Reti Convoluzionali (CNN), Reti Ricorrenti (RNN), Reti Generative Avversarie (GAN), Autoencoder

    Testi:
    A.R. Webb, K.D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley 2011
    I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016

    Valutazione:
    La valutazione si basa sulla realizzazione e la discussione di due progetti e su una prova scritta con domande a risposta multipla.

    I progetti vengono assegnati per gruppi e mirano a valutare la capacità degli studenti di affrontare un problema reale in un contesto applicativo e di costruire soluzioni efficaci basate sulle conoscenze acquisite durante il corso.

    Il test finale mira a valutare il livello di profondità e consapevolezza acquisito dallo studente su temi dell'intero corso.

    Le singole valutazioni concorrono a formare il voto finale come segue:
    Progetto di gruppo 1 35%
    Progetto di gruppo 2 35%
    Test finale 30%

  • Insegnamento TECNICHE DI PROGRAMMAZIONE (92357)

    Terzo anno di Ingegneria Informatica e delle Telecomunicazioni (L-8), Curriculum unico
    Crediti Formativi Universitari (CFU): 9,00
  • Insegnamento ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis (92117)

    Modulo Advanced Image Analysis

    Primo anno di Ingegneria Informatica (LM-32), Generale
    Crediti Formativi Universitari (CFU): 5,00

    Programma:
    Morfologia in scala di grigi: dilatazione, erosione, apertura, chiusura, gradiente di Beucher, smoothing morfologico, trasformate top-hat e bottom-hat, ricostruzione morfologica.

    Segmentazione: basata su contorni (Marr-Hildreth LoG filter, Canny), basata sulle regioni (Region Growing, Region Splitting e Merging, Watershed, Mean-Shift).

    Descrittori: Fourier, momenti geometrici, momenti di Hu, Harris-Stephens corners, feature di Haar, Local Binary Pattern (LBP)

    Optical flow per l'analisi del movimento: metodi sparsi (Lucas-Kanade) e densi (FarneBack).

    Testi:
    Rafael C. Gonzalez, Richard E. Woods
    Elaborazione delle immagini digitali 3/Ed.
    Pearson/Prentice Hall, 2008

    Valutazione:
    L'esame consta di due prove, un progetto e una prova orale.

    La prova a progetto consiste nella progettazione ed implementazione di un'applicazione di Image Analysis in gruppi di 2-4 persone, e si tiene durante il corso all'interno di apposite sessioni dedicate. Il progetto verterà su problemi reali di Computer Vision o Medical Image Analysis, da affrontare con le metodologie apprese dal corso e con gli strumenti software messi a disposizione (libreria OpenCV in C++). Ciascun progetto verrà valutato con un punteggio da 0 a 32, ed avrà un coefficiente di difficoltà 'c' compreso tra 0.3 e 0.8. Tale prova permette di verificare se lo studente è in grado di risolvere un problema reale di Image Analysis adottando e combinando opportunamente le metodologie viste a lezione. Inoltre, la prova consente di verificare la capacità dello studente di lavorare in gruppo.

    La prova orale consiste nella presentazione dei progetti e in domande di teoria sulle conoscenze acquisite durante il corso. Ciascun orale verrà valutato con un punteggio da 0 a 32. Tale prova permette di verificare l'effettiva partecipazione dello studente al lavoro di gruppo, e inoltre di evidenziare il livello di approfondimento e consapevolezza raggiunto nello studio della materia.

    Il voto finale viene calcolato come media ponderata dei punti ottenuti nelle due prove, progettuale e orale, secondo i coefficienti 'c' e '1-c', rispettivamente. Se il punteggio totale è >= 31, viene assegnata la lode.

  • Insegnamento ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis (92117)

    Modulo ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI

    Primo anno di Ingegneria Informatica (LM-32), Generale
    Crediti Formativi Universitari (CFU): 4,00

    Programma:
    Morfologia in scala di grigi: dilatazione, erosione, apertura, chiusura, gradiente di Beucher, smoothing morfologico, trasformate top-hat e bottom-hat, ricostruzione morfologica.

    Segmentazione: basata su contorni (Marr-Hildreth LoG filter, Canny), basata sulle regioni (Region Growing, Region Splitting e Merging, Watershed, Mean-Shift).

    Descrittori: Fourier, momenti geometrici, momenti di Hu, Harris-Stephens corners, feature di Haar, Local Binary Pattern (LBP)

    Optical flow per l'analisi del movimento: metodi sparsi (Lucas-Kanade) e densi (FarneBack).

    Testi:
    Rafael C. Gonzalez, Richard E. Woods
    Elaborazione delle immagini digitali 3/Ed.
    Pearson/Prentice Hall, 2008

    Valutazione:
    L'esame consta di due prove, un progetto e una prova orale.

    La prova a progetto consiste nella progettazione ed implementazione di un'applicazione di Image Analysis in gruppi di 2-4 persone, e si tiene durante il corso all'interno di apposite sessioni dedicate. Il progetto verterà su problemi reali di Computer Vision o Medical Image Analysis, da affrontare con le metodologie apprese dal corso e con gli strumenti software messi a disposizione (libreria OpenCV in C++). Ciascun progetto verrà valutato con un punteggio da 0 a 32, ed avrà un coefficiente di difficoltà 'c' compreso tra 0.3 e 0.8. Tale prova permette di verificare se lo studente è in grado di risolvere un problema reale di Image Analysis adottando e combinando opportunamente le metodologie viste a lezione. Inoltre, la prova consente di verificare la capacità dello studente di lavorare in gruppo.

    La prova orale consiste nella presentazione dei progetti e in domande di teoria sulle conoscenze acquisite durante il corso. Ciascun orale verrà valutato con un punteggio da 0 a 32. Tale prova permette di verificare l'effettiva partecipazione dello studente al lavoro di gruppo, e inoltre di evidenziare il livello di approfondimento e consapevolezza raggiunto nello studio della materia.

    Il voto finale viene calcolato come media ponderata dei punti ottenuti nelle due prove, progettuale e orale, secondo i coefficienti 'c' e '1-c', rispettivamente. Se il punteggio totale è >= 31, viene assegnata la lode.

Prenotazione appello

E' possibile prenotarsi ad un appello d'esame, collegandosi al portale studenti.

Elenco appelli d'esame disponibili

  • Denominazione insegnamento: 32382 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI - Ingegneria Informatica 32382 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI - Ingegneria Informatica - Robotica Industriale 91506 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica 92117 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica - Robotica Industriale 92117 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica 91414 Advanced Image Analysis - Ingegneria Informatica - Medical Image Analysis and Applications (MAIA) 92117 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica - Robotica industriale - (2019/2020)
    Data e ora appello: 16/07/2020, ore 10:00
    Luogo: piattaforma meet
    Tipo prova: prova scritta prova orale
    Prenotabile: dal 28/10/2019 al 15/07/2020 (prenota l'appello)
  • Denominazione insegnamento: 31442 CALCOLATORI ELETTRONICI - Ingegneria Informatica e delle Telecomunicazioni - (2019/2020)
    Data e ora appello: 20/07/2020, ore 09:00
    Luogo: studio docente
    Tipo prova: prova orale
    Prenotabile: dal 28/10/2019 al 19/07/2020 (prenota l'appello)
  • Denominazione insegnamento: 31442 CALCOLATORI ELETTRONICI - Ingegneria Informatica e delle Telecomunicazioni - (2019/2020)
    Data e ora appello: 10/09/2020, ore 09:00
    Luogo: studio docente
    Tipo prova: prova orale
    Prenotabile: dal 28/10/2019 al 09/09/2020 (prenota l'appello)
  • Denominazione insegnamento: 32382 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI - Ingegneria Informatica 32382 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI - Ingegneria Informatica - Robotica Industriale 91506 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica 92117 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica - Robotica Industriale 92117 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica 91414 Advanced Image Analysis - Ingegneria Informatica - Medical Image Analysis and Applications (MAIA) 92117 ELABORAZIONE E INTERPRETAZIONE DELLE IMMAGINI DIGITALI/Advanced Image Analysis - Ingegneria Informatica - Robotica industriale - (2019/2020)
    Data e ora appello: 10/09/2020, ore 09:00
    Luogo: studio
    Tipo prova: prova scritta prova orale
    Prenotabile: dal 28/10/2019 al 09/09/2020 (prenota l'appello)

Nato a Torino nel 1986.

Nel 2008 consegue la Laurea Triennale in Ingegneria Informatica-Automatica presso Università dell’Aquila, con voto 110/110 e lode.
Nel 2010 consegue la Laurea Specialistica in Ingegneria Informatica-Automatica, presso Università dell’Aquila, con voto 110/110 e lode e doppia menzione alla carriera universitaria ed al lavoro di tesi, quest’ultima intitolata "Ricostruzione di grandi volumi di cervelletto murino da immagini 3D acquisite in ultramicroscopia" e aventi come relatori il Prof. Giulio Iannello ed il Prof. Alfredo Germani.
Nel 2014 consegue il Dottorato di Ricerca in Ingegneria Elettrica e dell’Informazione presso l’Università di Cassino e del Lazio Meridionale, tesi intitolata "Computer-aided detection of malignant clustered microcalcifications in mammograms", sotto la supervisione del Prof. Francesco Tortorella.

Nel 2014 è Assegnista di Ricerca presso l'Università di Salerno, dove ha lavorato all'implementazione di un prototipo per l’ottimizzazione ed il forecasting dei percorsi formativi.
Nel 2015 è Assegnista di Ricerca presso l'Università di Cassino, dove ha lavorato a tecniche di denoising e dehazing applicate a mammografie digitali per l’individuazione automatica di microcalcificazioni, sotto la supervisione del Prof. Francesco Tortorella.
Nel 2016 è Assegnista di Ricerca presso l'Università La Sapienza di Roma, dove ha lavorato all'analisi del flusso sanguigno in immagini ad ultrasuoni ad alta risoluzione di arco aortico di topo, sotto la supervisione del Prof. Giuseppe Lembo.
Nel 2017 è Assegnista di Ricerca presso l'Università di Cassino, dove ha lavorato a tecniche di deep learning per immagini biomedicali, sotto la supervisione del Prof. Francesco Tortorella.
Dal 1 Ottobre 2018 ad oggi è Ricercatore (RTD-B) presso il Dipartimento di Ing. Elettrica e dell'Informazione, Università di Cassino.

Dal 2015 al 2017 è Professore a Contratto del corso di "Tecniche di Programmazione" della Laurea in Ingegneria Informatica e delle Telecomunicazioni presso l'Università di Cassino e del Lazio Meridionale.
Dal 2014 ad oggi è Professore a Contratto del corso di "Elaborazione ed Interpretazione delle Immagini Digitali" della Laurea Magistrale in Ingegneria Informatica presso l'Università di Cassino e del Lazio Meridionale.
Dal 2016 ad oggi è Professore a Contratto del corso di "Advanced Image Analysis" del Joint Master Degree in Medical Image Analysis and Applications presso l'Università di Cassino e del Lazio Meridionale.
Dal 2018 ad oggi è Professore del corso di "Calcolatori Elettronici" della Laurea in Ingegneria Informatica e delle Telecomunicazioni presso l'Università di Cassino e del Lazio Meridionale.

Collabora da diversi anni con l'Università Campus Biomedico di Roma (Italia) tramite il Prof. Iannello sullo sviluppo del software TeraStitcher, con la RadBoud University Nijmegen (Olanda) tramite il Prof. Nico Karssemeijer sui sistemi CAD per mammografie, e con l'Allen Brain Institute di Seattle (USA) tramite Hanchuan Peng sul software Vaa3D-TeraFly.

E' stato Invited Speaker presso il Princeton Neuroscience Institute (USA) nel 2014, e presso l'University of Cambridge (UK) nel 2015, in entrambi i casi su tematiche di ricostruzione e visualizzazione di grandi (TeraByte) immagini di microscopia. Ancora su queste tematiche, è stato Consulente Scientifico presso l'Allen Brain Institute di Seattle (USA) nel 2013.

[Ultima modifica: mercoledì 30 novembre 2016]