Modelli Video in Computer Vision: Architetture, Task e Applicazioni
Modelli video sono architetture computazionali progettate per processare, analizzare ed estrarre informazioni da sequenze video (dati spaziotemporali).
Capacità Fondamentali
- Object Detection: Localizza oggetti per frame (YOLO, Faster R-CNN adattati per video)
- Object Tracking: Mantiene identità across frame (DeepSORT, Tracktor, Transformer trackers)
- Action Recognition: Classifica attività (I3D, SlowFast, Video Swin Transformer)
- Temporal Segmentation: Rileva confini eventi (inizio/fine azioni)
- Video Captioning: Genera descrizioni linguaggio naturale
- Video Prediction: Prevede frame futuri
- Video Generation: Sintetizza video realistici (Diffusion, GANs, Transformers)
- Video Enhancement: Super-risoluzione, denoising, interpolazione frame
- Video Summarization: Estrae momenti chiave
- Multimodal Understanding: Video + audio + testo (VideoBERT, Flamingo, Video-LLaMA)
Famiglie Architetturali
- 3D CNNs: Convoluzioni spaziotemporali (C3D, I3D)
- Two-Stream: RGB + Optical Flow (TSN, TSM)
- Transformers: Video Swin, TimeSformer, ViViT
- Diffusion Models: Generazione video (Sora, Gen-2, Stable Video Diffusion)
Applicazioni
Sorveglianza, guida autonoma, analisi sport, monitoraggio sanitario, moderazione contenuti, video editing, AR/VR, robotica. La comprensione video è fondazionale per l'interazione AI col mondo dinamico.