Última actualización: 08/04/2024


Curso Académico: 2024/2025

Visión Artificial
(19217)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: ESCALERA HUESO, ARTURO DE LA

Departamento asignado a la asignatura: Departamento de Ingeniería de Sistemas y Automática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Objetivos
La Visión Artificial, también conocida como Visión por Computador, consiste en el análisis automático de imágenes por parte de los ordenadores para determinar qué objetos hay presentes en ellas. Es una tecnología ampliamente utilizada en ambientes industriales para control de calidad y guiado de robots gracias al Aprendizaje Automático. Desde hace diez años, el Aprendizaje Profundo ha hecho que su rango de aplicaciones salga del ambiente industrial y actualmente existen numerosas aplicaciones fuera de ambientes controlados tanto industriales como para Internet de las Cosas o en teléfonos móviles. Se puede asegurar que es la Inteligencia Artificial la que ha desarrollado esta tecnología. En la asignatura se verán los principales algoritmos que se están usando actualmente tanto en el campo industrial como fuera de él, haciendo especial hincapié en aprendizaje profundo y con un enfoque práctico.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1.- Introducción a la Visión por Computador. 1.1. Definiciones. 1.2. Desarrollo histórico 1.3. Etapas 1.4. Visión humana 1.5. Aplicaciones 2.- Imágenes digitales. 2.1. Muestreo espacial, niveles de gris. 2.2. Relaciones entre pixeles: vecindad, conectividad, distancia. 2.3. Operaciones aritméticas y lógicas. 2.4. Color 3.- Procesamiento de imágenes. 3.1. Contraste 3.2. Eliminación de ruido 3.3. Realce de bordes de la imagen 3.4. Detección de bordes. 4.- Segmentación de imágenes. 4.1. Umbralización y etiquetado. 4.2. Crecimiento de regiones. 4.3. Split&Merge. 4.4. Mean-Shift 5.- Transformaciones morfológicas y descripción de objetos. 5.1. Transformaciones morfológicas en imágenes binarias 5.2. Transformaciones morfológicas en niveles de gris 5.3. Características de la región. 5.4. Características de la forma. 6.- Reconocimiento de objetos. 6.1. Conceptos previos. 6.2. El clasificador bayesiano. 6.3. Agrupamiento. 7. Redes de neuronas 7.1 Introducción 7.2 Redes neuronales totalmente conectadas 7.3 Función de pérdida, descenso de gradiente y retro-propagación 8. Redes de Neuronas Convolucionales 8.1 De capas totalmente conectadas a convoluciones 8.2 Capas convolucionales 8.4 Múltiples canales de entrada y salida múltiples 8.5 LeNet 9 Clasificadores de imágenes 9.1 AlexNet 9.2 VGG 9.3 NiN 9.4 GoogLeNet 9.5 ResNet 9.5 DenseNet 10. Detección de objetos 10.1 Aumento de imágenes 10.2 Ajuste fino de modelos preentrenados 10.3 Detección de objetos y Bounding Boxes 10.4 Detección de objetos Multiescala 10.5 R-CNNs 10.6 Yolo 10.7 Segmentation Semántica
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas AF1: Presentaciones teóricas de docencia síncrona acompañadas de material electrónico, como presentaciones digitales AF4: Prácticas de laboratorio AF5: Tutorías AF6: Trabajo en grupo AF7: Trabajo individual del estudiante AF8: Exámenes parciales y finales Metodología docente MD1: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD2: Lectura crítica de textos recomendados por el profesor de la asignatura: Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. MD3: Resolución de casos prácticos, problemas, etc.. planteados por el profesor de manera individual o en grupo MD5: Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Arturo de la Escalera. Visión por computador: fundamentos y métodos. Prentice Hall. 2001
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press. 2016
Recursos electrónicosRecursos Electrónicos *
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.