Descripción y contextualización de la asignatura

Percepción artificial puede ser definida como la capacidad de sistemas artificiales inteligentes de percibir y entender su entorno para la toma de decisiones o la planificación de su actuación. En este sentido, la percepción artificial proporciona la representación del mundo sobre la cual actuarán sistemas de decisión o razonamiento artificial. Si bien en los inicios de la inteligencia artificial la percepción se consideró un tema menor, los intentos de atacar los problemas prácticos han demostrado que es posiblemente un aspecto clave para el desarrollo de sistemas inteligentes. Se trata por tanto de un campo extremadamente amplio con relaciones directas a temas de tratamiento de señal en sus diversas variantes que no puede ser explorado exhaustivamente en el contexto breve de una asignatura, por lo que enfatizarán aspectos prácticos y demostraciones de codigo. Podemos, sin embargo, enumerar algunos aspectos:

- percepción para la navegación en robótica: localización y mapeo simultaneos (SLAM)

- analisis y extracción de biomarcadores en señal médica, que incluye señal fisiológica y diversas modalidades de imagen (tomografía computerizada, resonancia magnética nuclear)

- estudio de la actividad humana mediante sensores inerciales y sensores ópticos, interaccion multimodal en robotica social

- analisis de imagen de reconcimiento remoto, especialmente imagenes hiperespectrales





Recientemente la emergencia de los sistemas basados en aprendizaje profundo ha revolucionado muchos aspectos de la percepción artificial. Dada su gran importancia industrial, se presentarán las arquitecturas de redes más importantes y sus aplicaciones hasta la fecha. Puesto que es un campo en constante evolución, las fuentes son publicaciones y tutoriales recientes que exploran aspectos concretos.

Resultados del aprendizaje de la asignatura

Comprensión del estado del arte en varios de los aspectos de la percepción artificial, fundamentos tecnologicos de captura de señal y procesado para extracción de conocimiento operativo en varias de las aplicaciones

Manejo de arquitecturas de aprendizaje profundo a un nivel que le permitirá al alumno profundizar en trabajos posteriores, por ejemplo, en la tesis de master.

Convocatoria ordinaria: orientaciones y renuncia

La convocatoria ordinaria se evaluará mediante dos actividades

(a) el estudio y presentacion de articulos seleccionados de la literatura reciente. El alumno puede proponer los articulos que considere de su interés o aceptar los que le proponga el profesor. La presentación se realizará en una sesión en la que participaran todos los alumnos.

(b) la realización de un pequeño proyecto de analisis de datos perceptuales que pueden ser o bien propuestos por el profesor o por el alumno. La presentación de los resultados será individualizada en fechas a convenir durante la impartición del curso e irá acompañada de la entrega de una breve memoria explicativa.

Convocatoria extraordinaria: orientaciones y renuncia

La convocatoria extraordinaria se evaluará mediante la presentación de un proyecto individual en dos fases:

1- Propuesta por parte del alumno del proyecto de trabajo y aceptación por parte del profesor

2- Presentacion de los resultados del proyecto individual que incluirá una memoria

Temario

Tema 1 INTRODUCCIÓN: VISION GENERAL DE LA ASIGNATURA. SLAM COMO PARADIGMA DE PERCEPCIÓN AUTONOMA.

Tema 2 DESCRIPCION DE ALGUNOS SENSORES

Tema 3 EL PROBLEMA DEL RUIDO: FUENTES DE RUIDO, PREPROCESO, ELIMINACION DE RUIDO, NORMALIZACION DE LOS DATOS SENSORIALES

Tema 4 REVISION DE TECNICAS DE APRENDIZAJE AUTOMATICO CON APLICACION EN PERCEPCION ARTIFICIAL

Tema 5 ARQUITECTURAS DE APRENDIZAJE PROFUNDO (DEEP LEARNING): REDES DE CONVOLUCION, REDES SEMANTICAS, REDES RECURRENTES, REDES RESIDUALES, REDES GENERATIVAS ADVERSARIALES, REDES DE CONVOLUCION DE GRAFOS

Tema 6 APRENDIZAJE NO SUPERVISADO Y APRENDIZAJE POR REFUERZO PARA PERCEPCION ARTIFICIAL

Tema 7 APLICACIONES EN IMAGEN MEDICA Y NEUROCIENCIAS. NEUROETOLOGIA COMPUTACIONAL

Tema 8 APLICACIONES EN RECONOCIMIENTO REMOTO. SEGMENTACION DE IMAGENES HIPERSPECTRALES.

Tema 9 APLICACIONES EN SEGURIDAD, IDENTIFICACION BIOMETRICA Y RECONOCIMIENTO DE CARAS

Tema 10 APLICACIONES EN ROBOTICA SOCIAL E INTERACCION MULTIMODAL. RECONOCIMIENTO DE VOZ Y ANALISIS DEL LENGUAJE NATURAL

Tema 11 APLICACIONES EN NAVEGACION AUTONOMA Y VEHICULOS AUTONOMOS

Bibliografía

Materiales de uso obligatorio

Para la realización de demostraciones durante el curso se utilizará Matlab, pero para sus proyectos personales el alumno puede utilizar otras herramientas de programación.



Para la realización de ejercicios de revision del estado del arte se utilizarán las facilidades bibliográficas disponibles en la UPV/EHU.



Se haran accesibles las presentaciones impartidas en la asignatura.

Bibliografía básica

DUDA, HART STATISTICAL PATTERN RECOGNITION AND SCENE ANALYSIS, WILEY

M. TISTARELLI, J. BIGUN, A.K. JAIN (EDS). BIOMETRIC AUTHENTICATION. SPRINGER VERLAG

R. M. HARALICK, L. G. SHAPIRO. COMPUTER AND ROBOT VISION. ADDISON-WESLEY

D. FENG, W.C. SIU, H.J. ZHANG (EDS). MULTIMEDIA INFORMATION RETRIEVAL AND MANAGEMENT. SPRINGER

D.A. LANDGREBE. SIGNAL THEORY METHODS IN MULTISPECTRAL REMOTE SENSING. WILEY

A.P. DHAWAN. MEDICAL IMAGE ANÁLISIS. IEEE PRESS

C. ZHOU, D. MARAVALL, D. RUAN. AUTONOMOUS ROBOTIC SYSTEMS. PHYSICA VERLAG

MILLER, EIMAS, . SPEECH, LANGUAGE AND COMMUNICATION: HANDBOOK OF PERCEPTION COGNITION. ACADEMIC PRESS

Bibliografía de profundización

The Handbook of Speech Perception, David Pisoni (Editor), Robert Remez (Editor), Dec 2004, Wiley-Blackwell



Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press

Revistas

IEEE transactions on Pattern Analysis and Machine Intelligence



IEEE signal processing magazine



IEEE transactions on geoscience and remote sensing



Sensors



Remote sensing



Patter Recognition



Neurocomputing

Enlaces

http://www.deeplearningbook.org



https://fsl.fmrib.ox.ac.uk/fsl/fslwiki



https://neuroinformatics.gr



https://team.inria.fr/hybrid/



https://deepmind.com/blog/article/using-jax-to-accelerate-our-research



https://www.youtube.com/channel/UCZgLH0CsLNMUCTLQRqry4qA



http://web.stanford.edu/class/cs234/CS234Win2019/index.html



https://sites.google.com/view/berkeley-cs294-158-sp20/home



https://cs230.stanford.edu