Última actualización: 25/05/2022


Curso Académico: 2022/2023

Visión Artificial
(19492)
Titulación: Grado en Ingeniería Informática (218)


Coordinador/a: DIAZ DE MARIA, FERNANDO

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

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Objetivos
- Conocer cómo se representan digitalmente las imágenes y el vídeo. - Conocer conceptos básicos de tratamiento de imagen con especial énfasis en la operación del filtrado espacial. - Conocer conceptos básicos de aprendizaje automático en el marco de las redes neuroales: funciones de pérdida, regularización, hiperparámetros, aumento de datos. - Entender las redes neuronales profundas y conocer los algoritmos utilizados para su entrenamiento: algoritmos de descenso por gradiente y retro-propagación. - Conocer las Redes Neuronales Convolucionales (CNN) y sus bloques constituyentes más habituales. - Entender, diseñar y entrenar arquitecturas de CNN para la clasificación de imágenes. - Entender, diseñar y entrenar arquitecturas avanzadas basadas en CNN para resolver otras tareas del reconocimiento visual: detección de objetos, segmentación de imágenes, síntesis de imágenes.
Competencias y resultados del aprendizaje
Enlace al documento

Descripción de contenidos: Programa
1. Imagen y vídeo digitales 2. Conceptos básicos de tratamiento de imagen y vídeo 3. Conceptos básicos de aprendizaje profundo 4. Redes neuronales convolucionales para clasificación de imagen 5. Redes profundas para otras aplicaciones del tratamiento de imagen a. Redes para segmentación de imágenes b. Redes para detección de objetos c. Redes para matching entre imágenes d. Redes para síntesis de imagen
Actividades formativas, metodología a utilizar y régimen de tutorías
Seminarios y lecciones magistrales con apoyo de medios informáticos y audiovisuales. Aprendizaje práctico basado en casos y problemas y resolución de ejercicios. Trabajo individual y en grupo o cooperativo con opción a presentación oral o escrita. Tutorías individuales y en grupo para resolución de dudas y consultas sobre la materia. Prácticas y actividades dirigidas de laboratorios.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Calendario de Evaluación Continua
Bibliografía básica
  • Francois Chollet . Deep Learning with Python, Second Edition. Manning. 2021
  • Ian Goodfellow, Yoshoua Bengio, and Aaron Courville. Deep Learning. The MIT Press. 2016
  • Mohamed Elgendy. Deep Learning for Vision Systems. Manning. 2020
Bibliografía complementaria
  • Rafael C. González and Richard E. Woods. Digital Image Processing. Fourth Edition. Pearson. 2018
  • Wilhelm Burger and Mark J. Burge. Principles of Digital Image Processing: Fundamental Techniques. Springer-Verlag. 2009
  • Wilhelm Burger and Mark J. Burge. Principles of Digital Image Processing: Core Techniques. Springer-Verlag. 2009

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