| Reconocimiento de patrones | Código: M0.511 Créditos: 5 |
El curso de Reconocimiento de Patrones introducirá al estudiante a las técnicas que permiten extraer información de un conjunto de datos. En particular el curso se centra en el reconocimiento de patrones dentro del contexto de la visión por computador. Las imágenes son una de las principales fuentes de información utilizadas por el cerebro humano a nivel perceptivo para tomar decisiones. Como consecuencia, el reconocimiento de patrones dentro del contexto de la visión por computador tiene un gran interés, especialmente hoy en día que tenemos a nuestra disposición una enorme cantidad de datos visuales que no es posible analizar a mano. Las aplicaciones a nivel práctico del reconocimiento de patrones en el contexto de la visión artificial son muchas. Por ejemplo la seguridad, la medicina, la inspección automática, o la navegación automática.
- Requisitos: Capacidad para leer textos científicos en inglés. Conocimientos básicos de estadística (nivel licenciatura o ingeniería).
- Bibliografia (material del curso): D.A. Forsyth, J. Ponce, 2012. "Computer Vision: A Modern Approach", 2/E, Pearson Education.
- Profesor Coordinador: Dr.a Ágata Lapedriza
- Créditos: 5
- Descripción: En el presente curso se introducirá al estudiante en el conjunto de técnicas que nos permiten extraer información de un conjunto de datos. Como aplicación, la asignatura se centrará en extraer información de alto nivel del entorno, a partir de información capturada mediante cámaras. En este caso el objetivo es aprender a reconocer objetos en entornos reales y de forma completamente automática. Las imágenes son una de las fuentes de información más importante que el cerebro humano utiliza a nivel perceptivo para tomar decisiones. En este contexto, diferentes muestras de un mismo objeto tienen en común una serie de patrones, que deben ser detectados, modelados y posteriormente clasificados para su reconocimiento. El curso pretende capacitar al estudiante para conocer las técnicas probabilísticas y de optimización matemática vinculadas al reconocimiento de patrones.
- Requisitos: Capacidad para leer textos científicos en inglés. Conocimientos básicos de matemáticas y estadística.
- Bibliografía prevista: Módulos UOC.
Este curso está orienteado al estudio de los conceptos fundamentales de la visión por computador, el reconocimiento de patrones y otros temas avanzados relacionados con los problemas de análisis y reconocimiento automático de imágenes complejas. En particular, los objetivos del aprendizaje son los siguientes:
- Conocer cómo se forman las imágenes.
- Conocer las principales técnicas de procesado de la imagen digital.
- Entender cómo se percibe el color y conocer los espacios de representación del color.
- Conocer las principales técnicas de reducción de la dimensionalidad (selección y extracción de características), tanto supervisadas como no supervisadas, y saberlas aplicar a problemas reales.
- Conocer las principales técnicas de aprendizaje automático para la clasificación automática de datos y saberlas aplicar a problemas reales.
Las competencias específicas que se tratan en este curso son las siguientes:
A1. Capacidad para comprender y poder aplicar conocimientos avanzados de computacio¿n y me¿todos numéricos o computacionales a problemas de ingeniería.
A2. Capacidad para aplicar métodos computacionales, matemáticos y estadísticos para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y/o sistemas basados en el conocimiento.
A3. Capacidad para aplicar los métodos matemáticos y computacionales a la resolución de problemas tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación.
A4. Capacidad para modelar problemas mediante un lenguaje matemático y resolverlos mediante un razonamiento formal.
A5. Capacidad para identificar teorías matemáticas necesarias para la construcción de modelos a partir de problemas de otras disciplinas.
A6. Capacidad para manejar software matemático y estadístico.
A9. Capacidad para analizar y procesar datos que permitan generar y gestionar información útil en la toma de decisiones.
A10. Capacidad para diseñar, implementar y validar algoritmos utilizando las estructuras más convenientes.
Tema 1. Formación de la imagen: Modelos geométricos de la cámara. Modelos de iluminación. Geometría epipolar. Rectificación de la imagen.
Tema 2. Procesamiento de Imágenes: Filtros lineales y convolución. Operaciones de suavizado. Operaciones morfológicas.
Tema 3. Análisis de Color: Percepción de color. Espacios de representación de color: lineales, no lineales.
Tema 4. Extracción de características: Características locales de la imagen: características geométricas; características de textura.
Tema 5. Segmentación de Imágenes: Agrupación (clustering). Grafos. Modelos probabilísticos.
Tema 6. Clasificación de Imágenes y Reconocimiento de Objetos: Clasificación supervisada. Estrategias de clasificación. Extracción de características para clasificación.
| Material | Soporte |
| Aprenentatge supervisat: problemes de classificació | |
| Aprendizaje supervisado: problemas de clasificación | |
| Python: introducción al lenguaje de programación | Audiovisual |
| Python: introducció al llenguatge de programació | Audiovisual |
| Ús de Google Colaboratory per a Machine Learning | Audiovisual |
| Uso de Google Colaboratory para Machine Learning | Audiovisual |
| Image processing (Python Notebook) | Web |
| Feature Detection and Matching (Python Notebook) | Web |
| Machine learning (Python Notebook) | Web |
| Generative models (Python Notebook) | Web |
| Image classification (Python Notebook) | Web |
| Object detection (Python Notebook) | Web |
| Semantic segmentation (Python Notebook) | Web |
| Video understanding (Python Notebook) | Web |
Para los ejercicios prácticos se hará uso de los siguientes recursos:
ImageJ
Image Processing Learning Resources (HIPR2)
http://homepages.inf.ed.ac.uk/rbf/HIPR2/hipr_top.htm
Image Recognition Laboratory
http://www.uni-koblenz.de/~lb/lb_downloads/
Web-enabled image processing operators (Canny, Gabor)
http://matlabserver.cs.rug.nl/
efg's Color Reference Library -- Color Science / Color Theory
http://www.efg2.com/Lab/Library/Color/Science.htm
The Color Space Conversions Applet
http://www.cs.rit.edu/~ncs/color/a_spaces.html
D.A. Forsyth, J. Ponce, 2012. "Computer Vision: A Modern Approach", 2/E, Pearson Education
La enseñanza se basará en un modelo educativo a distancia y virtual centrado en el estudiante. Este modelo utiliza las tecnologías de la información y la comunicación para poner a disposición del estudiante un conjunto de espacios, herramientas y recursos que le faciliten la comunicación y la actividad en lo referente tanto a su proceso de aprendizaje como al desarrollo de su vida académica. La metodología de enseñanza-aprendizaje utilizada se basa en un modelo educativo caracterizado por la asincronía en espacio y tiempo canalizada a través de un campus virtual.
El proceso de evaluación se fundamenta en el trabajo personal de cada estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados.
La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; el intento fraudulento de obtener un resultado académico mejor; la colaboración, el encubrimiento o el favorecimiento de la copia, o la utilización de material o dispositivos no autorizados durante la evaluación, entre otras, son conductas irregulares que pueden tener consecuencias académicas y disciplinarias graves.
Por un lado, si se detecta alguna de estas conductas irregulares, puede comportar el suspenso (D/0) en las actividades evaluables que se definan en el plan docente incluidas las pruebas finales o en la calificación final de la asignatura, ya sea porque se han utilizado materiales o dispositivos no autorizados durante las pruebas, como redes sociales o buscadores de información en internet, porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas del resto de estudiantes, etc.) sin la correspondiente citación, o porque se ha practicado cualquier otra conducta irregular.
Por el otro, y de acuerdo con las normativas académicas, las conductas irregulares en la evaluación, además de comportar el suspenso de la asignatura, pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda.
|
La asignatura solo puede aprobarse con el seguimiento y la superación de la evaluación continua (EC). La calificación final de la asignatura es la nota obtenida en la EC. |
Nota final de asignatura: EC
Para superar la EC es condición necesaria (pero no suficiente):
- Realizar y entregar en el plazo fijado dos de las tres primeras pruebas de evaluación propuestas: PEC 1, PEC 2 y PEC 3.
- Realizar y entregar en el plazo fijado la última prueba de evaluación: PEC4.
Y obtener una puntuación mínima de 4 (sobre 10) en estas actividades.
En la cualificación final las dos primeras pruebas de evaluación tendrán un peso del 30%. En caso de que se entreguen las 3 primeras pruebas, se considerarán para el calculo de la nota final las 2 con mayor puntuación. La última prueba (PEC4) tendrá un peso del 40%.
Para superar la asignatura el promedio final, obtenido con esta ponderación, tiene que ser mayor o igual a 5 (sobre 10).
El consultor también hará un seguimiento personalizado de la evaluación continua, revisará todas las PEC entregadas y los comentará de forma cualitativa a nivel grupal y/o individual la resolución. Estos comentarios os ayudarán a progresar en vuestro aprendizaje y adquirir el conjunto de las competencias.