Reconocimiento de patrones Código:  M0.532    :  6
Consulta de los datos generales   Descripción   Conocimientos previos   Información previa a la matrícula   Objetivos y competencias   Contenidos   Consulta de los recursos de aprendizaje de la UOC para la asignatura   Información adicional sobre los recursos de aprendizaje y herramientas de apoyo   Informaciones sobre la evaluación en la UOC   Consulta del modelo de evaluación  
Este es el plan docente de la asignatura para el segundo semestre del curso 2023-2024. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios.

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.

Amunt

  • Requisitos: Capacidad para leer textos científicos en inglés. Conocimientos básicos de estadística (nivel licenciatura o ingeniería).
  • Bibliografia (material del curso): Richard Szeliski, 2022. "Computer Vision: Algorithms and Applications", Second Edition.

Amunt

  • Profesor Coordinador: Dr. Carles Ventura 
  • Créditos: 6
  • 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.

Amunt

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 computación y métodos 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.

Amunt

Tema 1. Introducción a la visión por computador. Breve historia de la visión por computador. Espacios de color.

Tema 2. Procesado de Imágenes: Filtros lineales y filtros no lineales. Operadores morfológicos.

Tema 3. Extracción de características. Detección y descripción de características. Feature matching. Content-based image retrieval. Segmentación.

Tema 4. Machine Learning. Aprendizaje supervisado y no supervisado. Deep Neural Networks. Convolutional Neural Networks.

Tema 5. Clasificación de Imágenes. Métodos basados en características. Métodos basados en Convolutional Neural Networks.

Tema 6. Detección de objetos. Detección de caras. Detección de personas. Detección de objetos.

Tema 7. Segmentación semántica. Instance segmentation. Panoptic segmentation. Pose estimation.

Tema 8. Comprensión de vídeo (Video understanding). Reconocimiento de acciones. Optical flow. Object tracking. Video object segmentation.

Tema 9. Modelos generativos. Autoencoders. Variational autoencoders. Generative Adversarial Networks (GANs).

Amunt

Aprenentatge supervisat: problemes de classificació PDF
Aprendizaje supervisado: problemas de clasificación PDF
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

Amunt

Para los ejercicios prácticos se usaran los recursos que se pueden encontrar en el siguiente repositorio de código de la asignatura:

https://gitlab.uoclabs.uoc.es/patternrecognition/pattern-recognition/-/tree/master

Amunt

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 UOC se reserva la potestad de solicitar al estudiante que se identifique o que acredite la autoría de su trabajo a lo largo de todo el proceso de evaluación por los medios que establezca la universidad (síncronos o asíncronos). A estos efectos, la UOC puede exigir al estudiante el uso de un micrófono, una cámara u otras herramientas durante la evaluación y que este se asegure de que funcionan correctamente.

La verificación de los conocimientos para garantizar la autoría de la prueba no implicará en ningún caso una segunda evaluación.

Amunt

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.

 

Amunt