Materia
Visión por Computador
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Inglés
Descripción y contextualización de la asignatura
- Introducción general a la visión artificial moderna.- Métodos de filtrado de imágenes y operaciones basadas en el histograma.
- Procesamiento del color y modelos de espacios de color.
- Transformaciones de histograma y transformaciones geométricas de imágenes.
- Aprendizaje automático aplicado a imágenes y videos.
- Redes neuronales artificiales aplicadas a imágenes y vídeos.
- Diseño y entrenamiento de redes neuronales convolucionales modernas.
- Detección de objetos y segmentación de imágenes.
- Modelos generativos.
- Aprendizaje auto-supervisado.
Profesorado
Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
---|---|---|---|---|---|---|
ARGANDA CARRERAS, IGNACIO | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Visitante Ikerbaske | Doctor | No bilingüe | Ciencia de la Computación e Inteligencia Artificial | ignacio.arganda@ehu.eus |
AZCUNE GALPARSORO, GORKA | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctor | Bilingüe | Ciencia de la Computación e Inteligencia Artificial | gorka.azcune@ehu.eus |
Competencias
Denominación | Peso |
---|---|
Conocer los principios teóricos y los fundamentos avanzados de la visión artificial. | 34.0 % |
Saber aplicar los fundamentos y avances en visión artificial para desarrollar soluciones software en aplicaciones de imágenes y/o vídeo. | 33.0 % |
Saber comunicar las particularidades y conclusiones de un trabajo de investigación en visión artificial a un público especializado y no especializado. | 33.0 % |
Tipos de docencia
Tipo | Horas presenciales | Horas no presenciales | Horas totales |
---|---|---|---|
Magistral | 14 | 18 | 32 |
Seminario | 1 | 2 | 3 |
P. Ordenador | 15 | 25 | 40 |
Actividades formativas
Denominación | Horas | Porcentaje de presencialidad |
---|---|---|
Clases magistrales | 10.0 | 100 % |
Elaboración de informes y exposiciones | 15.0 | 30 % |
Lectura y análisis prácticos | 20.0 | 25 % |
Prácticas de ordenador | 30.0 | 33 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Aplicación en prácticas de los materiales teóricos | 50.0 % | 60.0 % |
Asistencia y Participación | 10.0 % | 20.0 % |
Exposiciones | 40.0 % | 40.0 % |
OTROS | 0.0 % | 10.0 % |
Resultados del aprendizaje de la asignatura
- Reconocimiento y enumeración de las aplicaciones modernas de visión artificial.- Selección e implementación de métodos de filtrado y operaciones sobre imágenes para detección de bordes y objetos.
- Selección e implementación de métodos de procesamiento de imágenes y espacios de color para la detección de bordes y objetos en imágenes de color.
- Selección e implementación de algoritmos de transformación de imágenes para detección de objetos y alineamiento de imágenes.
- Selección e implementación de métodos de aprendizaje automático aplicado a imágenes y videos.
- Selección e implementación de modelos de redes neuronales artificiales aplicadas a imágenes y vídeos.
- Diseño e implementación de redes neuronales convolucionales y técnicas de entrenamiento modernas.
- Selección e implementación de métodos de detección de objetos y segmentación de imágenes basados en redes
Temario
1. Image filtering, edge detection2. Color: space models, transformations
3. Image transformations
4. Machine Learning
5. Neural networks
6. Convolutional Neural Networks (CNNs)
7. Modern CNNs and how to train them
8. Object detection and image segmentation
9. Generative models
10. Self-supervised learning
Bibliografía
Bibliografía básica
Forsyth, Ponce. Computer Vision: A Modern Approach. Pearson. 2012.Richard Szeliski. Computer Vision: Algorithms and Applications. Springer-Verlag. 2011.
Ian Goodfellow et al. Deep Learning. MIT Press. 2016.
Bibliografía de profundización
François Chollet, Deep Learning with Python, Manning, 2018.Jeremy Hoaward and Sylvain Gugger, Deep Learning for Coders with Fastai and PyTorch, O'Reilly, 2020.
Revistas
Conference on Computer Vision and Pattern Recognition (CVPR).Conference and Workshop on Neural Information Processing Systems (NeurIPS).
Pattern Recognition (PR).
IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI).
International Conference on Pattern Recognition (ICPR).