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.

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 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