Competencias Básicas CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. Competencias generales CG3 Capacidad proactiva de abordaje y resolución de los problemas planteados bajo entornos nuevos o poco conocidos, dentro del contexto de IoT. CG4 Capacidad de trabajo en equipo, integrando enfoques multidisciplinares. CG5 Capacidad de comunicación pública de los conceptos, desarrollos y resultados, relacionados con actividades en IOT, adaptada al perfil de la audiencia. CG6 Capacidad para la aplicación de los conocimientos adquiridos y de resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, con la capacidad de integrar conocimientos. CG7 Capacidad para saber comunicar (de forma oral y escrita) las conclusiones - y los conocimientos y razones últimas que las sustentan - a públicos especializados y no especializados de un modo claro y sin ambigüedades. CG8 Capacidad para el aprendizaje continuado, autodirigido y autónomo. Competencias específicas CE9 Habilidades de programación y simulación de los sistemas de percepción y control a varios niveles (alto-intermedio-bajo): OpenCV, ROS, Gazebo, etc. CE10 Habilidad de integrar los diferentes sistemas de percepción y control de procesos tanto desde el punto de vista hardware como software. RESULTADOS DEL APRENDIZAJE El objetivo de esta asignatura es que el alumno domine las técnicas avanzadas de sistemas de percepción y los algoritmos de aprendizaje profundo con imágenes monocular y estero (nubes de puntos), con el fin de implementar aplicaciones reales relacionadas con los propósitos de Internet de las cosas (IoT). Ademas a la capacidad de integrar los diferentes elementos que conforman un sistema de percepción para el control de procesos.

1. Introducción a la visión por computador 1.1. Definiciones y conceptos. 1.2. Ópticas, Cámaras digitales, y Sensores 3D. 1.3. Aplicaciones. 1.4. Espacio de Colores y niveles de gris. 2. Imágenes digitales y nubes de puntos 2.1. Filtrado, Eliminación de ruido y Umbralización. 2.2. Transformaciones geométricas. 2.3. Coordenadas homogéneas. 2.4. Perspectiva lineal, La matriz fundamental y esencial, homografía, RANSAC y mosaico. 2.5. Geometría 3D, calibración, pose y estéreo. 2.6. Nube de puntos y Reconstrucción 3D. 3. Extracción de características y segmentación 3.1. Detección de bordes. 3.2. Detección de movimiento y Seguimiento. 3.3. Segmentación de región. 3.4. Características 2D (Detección y Emparejamiento). 3.5. Características 3D (Detección y Emparejamiento). 3.6. Agrupamiento (K-Medias). 4. Redes de Neuronas 4.1. Redes de Neuronas Artificiales. 4.2. Aplicaciones de las redes de Neuronas Artificiales. 4.3. Perceptrón y BackPropagation. 4.4. Técnicas de Regulación y Optimización. 4.5. Redes Convolutivas (Deep Learning). 5. Redes de Neuronas para detección y clasificación de objetos 5.1. Clasificación de imágenes usando Redes de Neuronas Clásicas (Back Propagation). 5.2. Clasificación de imágenes usando Redes Convoluciones (Deep Learning). 6. Prácticas 6.1. Reconocimiento de imágenes (dígitos manuscritos) usando Redes de Neuronas Clásicas. (Rapid Miner) 6.2. Reconocimiento de imágenes mediante Deep Learning (TensorFlow)

El curso se divide en diferentes actividades formativas de la siguiente forma: - 1. Teoría: clases magistrales, presentaciones de los alumnos, tutorías individuales y trabajo personal del alumno; orientados a la adquisición de conocimientos teóricos. 2. Prácticas: Sesiones en las aulas de informática, tutorías individuales y trabajo personal del alumno; orientados a la adquisición de habilidades prácticas.