Vai al contenuto principaleVai al menu di navigazione
Università di Catania
Area riservata
ENG
Logo UniCt

Dipartimento di

Ingegneria Industriale Elettrica Elettronica e Informatica

Seguici su
Cerca
Vai ai contenuti correlati

Servizi tecnologici e Software

 

Di seguito un elenco di servizi tecnologici che i ricercatori del dipartimento rilasciano gratuitamente e opensource su GitHub:

  • Tool di network dismantling, collezione di algoritmi e visualizzazione di risultati, con dati collezionati e pre-processati.

       https://github.com/NetworkDismantling/review

  • Codice sorgente di un metodo per stimare le proprietà dei materiali SVBRDF da un'unica immagine nell’ambito della computer grafica

       https://github.com/perceivelab/surfacenet

  • Codice sorgente di un metodo per la predizione della salienza nei video per analisi scene visuali

       https://github.com/perceivelab/hd2s

  • Soluzione di mapping tra il metamodello Asset Administration Shell e l'Information Model di OPC UA

      https://github.com/OPCUAUniCT

  • Soluzione di mapping tra gli Information Model di OPC UA e di OCF 

      https://github.com/OPCUAUniCT

  • Realizzazione di un Digital twin basato su Asset Administration Shelle di un ambiente di programmazione IEC 61131-3 

      https://github.com/OPCUAUniCT

  • UltraViolet — Piattaforma di simulazione della Lightning Network per analizzare topologie, liquidità e strategie di routing, con modellazione temporale a livello di blocco Bitcoin

      https://github.com/davidepatti/ultraviolet 

  • BitCoffee  — Implementazione sperimentale in Java, senza dipendenze esterne, delle principali componenti di Bitcoin: crittografia, transazioni, Script, validazione dei blocchi e wallet gerarchici deterministici. 

      https://github.com/davidepatti/bitcoffee

  • Bitland Empire —  Suite didattica interattiva web e desktop per esplorare datapath e pipeline MIPS64, minimizzazione logica e progettazione di circuiti sequenziali. 

      https://github.com/davidepatti/bitland_empire 

  • Noxim —  Simulatore di reti su chip in SystemC/C++ per esplorare architetture cablate e wireless, algoritmi di routing e relativi compromessi tra latenza, throughput e consumo energetico. 

      https://github.com/davidepatti/noxim 

  • Codice di un modello generativo di reti complesse spaziali

      GitHub - AlessCorso/code_paper_generative_models · GitHub 

  • TORCH: a TOSCA-based orchestrator of multi-cloud resources

     https://github.com/unict-cclab/TORCH

  • A Custom Pod Autoscaler operator: un autoscaler per Kubernetes che implementa diverse politiche resource-aware

     https://github.com/unict-cclab/custom-pod-autoscaler/ 

  • Federated learning per stimare la vita utile residua (RUL) di macchinari industriali: le aziende collaborano senza condividere i dati e il modello penalizza le sovrastime, così la manutenzione non arriva troppo tardi

     https://github.com/perceivelab/FLARE 

  • Continual learning ispirato al sogno umano: il classificatore guida un modello di diffusione a generare classi "sognate" nuove e coerenti, che usa per imparare nuovi compiti senza dimenticare i precedenti

     https://github.com/perceivelab/D2L 

  • Segmentazione automatica delle lesioni da sclerosi multipla in risonanza magnetica: SAM viene usato solo in addestramento, mentre in inferenza basta un modello leggero e veloce, senza prompt manuali

     https://github.com/perceivelab/MS-SAM-LESS

  • Ricostruisce, a partire dall'attività cerebrale misurata con fMRI, le mappe di salienza che indicano dove una persona sta guardando in un'immagine

     https://github.com/perceivelab/fmri_saliency_decoding 

  • Riconosce dal segnale EEG a quale sorgente sonora una persona sta prestando attenzione, adattandosi online tra sessioni e modalità diverse (2° posto alla EEG-AAD Challenge di ICASSP 2026)

    https://github.com/perceivelab/icassp2026-eeg-aad-challenge

  • Spiega in linguaggio naturale il comportamento di un modello di visione: genera con la diffusione le immagini che più lo attivano e ne ricava spiegazioni testuali, utili anche a scoprire bias (NeurIPS 2025 Spotlight)

     https://github.com/perceivelab/dexter 

  • Spiegazioni globali di reti neurali tramite modelli di diffusione condizionati da testo: genera immagini che mostrano quali concetti visivi guidano le decisioni del modello

     https://github.com/perceivelab/diffexplainer

  • Modelli fondazionali progettati per "dimenticare" su richiesta: la conoscenza è racchiusa in prompt apprendibili, che basta rimuovere per cancellare dati specifici (diritto all'oblio, GDPR) senza riaddestrare

     https://github.com/perceivelab/PreForgettableModels

  • Federated learning decentralizzato in cui i nodi si scambiano i modelli e periodicamente li "riavvolgono" sui dati locali, riducendo l'effetto della diversità dei dati tra i partecipantie

     https://github.com/perceivelab/fedrewind

  • Federated learning decentralizzato e zero-shot: i partecipanti adattano un modello visione-linguaggio scambiandosi solo prompt testuali, con costi di comunicazione minimi

     https://github.com/perceivelab/ZeroDFL

  • Codice sorgente di un metodo per la valutazione della traversabilità di un terreno da parte di robot

     https://github.com/perceivelab/traversability-synth

  • Codice sorgente di un metodo di learning federato per analisi di immagini mediche

     https://github.com/perceivelab/FedEr

  • Continual learning online che imita l'attenzione visiva umana: la salienza guida le feature del classificatore e riduce la dimenticanza dei compiti precedenti (NeurIPS 2024)

     https://github.com/perceivelab/SER

  • Continual learning ispirato alle fasi veglia-sonno del cervello: durante il "sonno" il modello consolida i ricordi e "sogna" nuove esperienze per prepararsi ai compiti futuri

     https://github.com/perceivelab/wscl

  • Codice sorgente di un metodo per la generazione sintetica di immagini partendo da semantica strutturata (scene graph)

     https://github.com/perceivelab/trf-sg2im

  • Generazione di immagini mediche sintetiche che tutelano la privacy: un cammino controllato nello spazio latente di una GAN evita di riprodurre immagini di pazienti reali

     https://github.com/perceivelab/PLAN

  • Transformer-IPMN - Classificazione con transformer delle neoplasie cistiche del pancreas (IPMN) in risonanza magnetica, a supporto della diagnosi precoce del tumore al pancreas.

    https://github.com/perceivelab/Transformer-IPMN

  • PanKNet - Rete 3D per la segmentazione automatica del pancreas da TC e risonanza magnetica, che combina mappe di segmentazione estratte a più scale.

    https://github.com/perceivelab/panknet

  • EEG Visual Classification - Dataset EEG (6 soggetti, 2.000 immagini ImageNet di 40 classi) e codice per classificare dai segnali cerebrali l'oggetto che una persona sta guardando.

    https://github.com/perceivelab/eeg_visual_classification

  • VegImage - Dataset di circa 3.600 immagini di frutta (varietà di mele, ciliegie e pere) per la classificazione visiva a grana fine.

    https://github.com/perceivelab/VegImage-dataset

  • FishCLEF 2015 - Dataset di 93 video subacquei annotati con posizione e specie dei pesci, usato nella sfida LifeCLEF 2015 per il riconoscimento automatico delle specie.

    https://github.com/perceivelab/FishCLEF-2015

  • F4K Detection and Tracking - Dataset di 17 video subacquei con ground truth per valutare algoritmi di rilevamento e tracciamento di pesci in condizioni difficili (torbidità, scarso contrasto, scene affollate).

    https://github.com/perceivelab/f4k-detection-and-tracking

  • FedCMAPSS - Versione della libreria PFLlib per il federated learning personalizzato, adattata dal laboratorio per il dataset C-MAPSS di degrado di motori turbofan.

    https://github.com/perceivelab/FedCMAPSS