Última actualización: 24/04/2024


Curso Académico: 2024/2025

Visión por Ordenador
(19286)
Máster Universitario en Aprendizaje Automático para la Salud (Plan: 480 - Estudio: 359)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: GONZALEZ DIAZ, IVAN

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Aprendizaje automático Tratamiento estadístico de señales Tratamiento de imágenes biomédicas Aprendizaje profundo
Objetivos
Se espera que los estudiantes alcancen los siguientes objetivos: - Conozcan cómo se forman las imágenes tanto en el sistema visual humano como en cámaras digitales, atendiendo tanto a aspectos fotométricos como geométricos. - Dominen los algoritmos más habituales que implementan procesos de la visión humana: extracción de características visuales, estimación de movimiento, estereopsis (geometría de 2 vistas), estructura por movimiento (geometría de n-vistas), registro de imágenes, seguimiento de objetos, reconocimiento visual. - Apliquen los conocimientos adquiridos en asignaturas previas relacionadas (por ej., aprendizaje automático, aprendizaje profundo) al ámbito de la visión por ordenador. - Sean capaces de resolver, de forma práctica, problemas relacionados con la visión artificial - Sean capaces de elaborar un proyecto científico-técnico que implique el empleo de técnicas de visión por ordenador.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Bloque 1: Formación de Imágenes - Tema 1: Luz y color. - Tema 2: Modelos geométricos y calibración de cámaras Bloque 2: Visión de bajo nivel - Tema 3: Descriptores locales e invariantes. - Tema 4: Estimación de movimiento y flujo óptico. - Tema 5: Visión estereoscópica y estructura por movimiento. Bloque 3: Visión de medio nivel - Tema 6: Seguimiento de objectos en vídeo - Tema 7: Registro de imágenes: rígido y deformable Bloque 4: Visión de alto nivel - Tema 8: Reconocimiento de objetos y clasificación de imágenes con Redes Neuronales Convolucionales - Tema 9: Otras aplicaciones del Aprendizaje Profundo en imágenes: detección de objetos, segmentación de imágenes, generación de imágenes, matching entre imágenes, análisis de vídeo etc.
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS Se considerarán las siguientes actividades formativas: AF3 Clases teórico prácticas: AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales METODOLOGÍAS 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 MD3: Resolución de casos prácticos, problemas, etc.... planteados por el profesor de manera individual o en grupo MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos MD5: Elaboración de trabajos e informes de manera individual o en grupo REGIMEN DE TUTORIAS Se establecerán 2 horas a la semana de tutorias para los alumnos donde el profesor estará disponible en su despacho.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Forsyth, Ponce. Computer Vision: A Modern Approach. Pearson. 2012
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. The MIT Press, Cambrigde, Massachussetts, London, England. 2016
  • Richard Hartley & Andrew Zisserman. Multiple View Geometry in Computer Vision. Cambridge University Press. 2003
  • Richard Szeliski. Computer Vision: Algorithms and Applications. Springer-Verlag. 2011

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