Reconeixement d'Objectes

Esteu aquí

Crèdits
4
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits
Departament
UB;CS
En aquest curs analitzarem el paradigma del reconeixement automàtic d'objectes des d'un punt de vista Visió per computadora i aprenentatge automàtic. Anem a revisar els reptes passats i recents en el reconeixement d'objectes, com ara el reconeixement d'objectes multi-modal, multipart, multi-escala, multi-vista, multi-classe, multi-etiqueta i gran escala, incloses les recents arquitectures d'aprenentatge profund. També revisarem les tendències actuals per a un tipus particular i complex d'objectes: "persones en dades visuals". Anem a tractar el problema de la recuperació de posicions humanes i l'anàlisi del comportament automàtic, que descriu les aplicacions potencials, així com futures línies de recerca en el camp.

Professorat

Responsable

  • Sergio Escalera Guerrero ( )

Altres

  • Meysam Madadi ( )

Hores setmanals

Teoria
1.5
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
0

Competències

Competències Tècniques Generals

Genèriques

  • CG2 - Capacitat per a dirigir, planificar i supervisar equips multidisciplinaris.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA4 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Intel·ligència Computacional, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA6 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques de Visió Computacional, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA8 - Capacitat de realitzar investigació en noves tècniques, metodologies, arquitectures, serveis o sistemes en l'àrea de la Intel·ligència Artificial.
  • CEA13 - Capacitat de comprendre les tècniques avançades de Modelització, Raonament i Resolució de problemes, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.
  • CEA14 - Capacitat de comprendre les tècniques avançades de Visió, Percepció i Robòtica, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.
  • CEP6 - Capacitat d'assimilar i integrar els canvis de l'entorn econòmic, social i tecnològic als objectius i procediments del treball informàtic en sistemes intel·ligents.
  • CEP8 - Capacitat de respectar l'entorn ambiental i dissenyar i desenvolupar sistemes intel·ligents sostenibles.

Competències Transversals

Actitud adequada davant el treball

  • CT5 - Estar motivat pel desenvolupament professional, per a afrontar nous reptes i per a la millora contínua. Tenir capacitat de treball en situacions de falta d'informació.

Bàsiques

  • CB7 - Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, essent incomplerta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis.

Objectius

  1. Introduction to object and human recognition
    Multi-modal object recognition
    Multi-part object recognition
    Multi-scale object recognition
    Multi-view object recognition
    Multi-class object recognition
    Multi-label object recognition
    Multi-ple data: deep-learning for large scale object recognition
    Object Recognition in context: scene understanding and grammars
    Human Pose Recovery
    Human Behavior Analysis
    Competències relacionades: CT5, CEA13, CEA14, CEA3, CEA4, CEA6, CB7, CEA8, CEP3, CEP6, CEP8, CG2,

Continguts

  1. Introducció
  2. Arquitectures profundes convolucionals
  3. Arquitectures recurrents in Vision
  4. Detecció i segmentació d'objectes
  5. Estimació de postura
  6. Comportament humà
  7. Transformers / self-attention in Vision
  8. Graph Neural Networks in Vision

Activitats

Activitat Acte avaluatiu


Presentació de treball


Objectius: 1
Setmana: 10
Tipus: examen de teoria
Teoria
1.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Presentació de treball 2



Setmana: 14
Tipus: examen de teoria
Teoria
1.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Examen



Setmana: 15 (Fora d'horari lectiu)
Tipus: examen final
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
30h

Laboratori 1



Setmana: 2
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
Aprenentatge autònom
4h

Laboratori 2



Setmana: 5
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
Aprenentatge autònom
4h

Laboratori 3



Setmana: 8
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
Aprenentatge autònom
4h

Laboratori 4



Setmana: 12
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
Aprenentatge autònom
4h

Classes de teoria



Teoria
22.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Classe de pràctiques



Teoria
0h
Problemes
0h
Laboratori
15h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Metodologia docent

T – Each week it will be a 1.5h theoretical topic exposition class.
P – Each week it will be a 1h practical session.
The rest of the course are devoted to autonomous lectures, programming, and studying.

Mètode d'avaluació

Es seguirà una metodologia d'avaluació continuada que consisteix en l'entrega de quatre informes de pràctiques (PR) i 2 presentacions a fer en classe (PS) sobre treballs de l'estat de l'art relacionats amb els continguts de l'assignatura. Al final del curs es farà un examen tipus test (TS). La nota final del curs (FS) serà calculada de la següent manera:
FS = 0.5 * PR + 0.3 * PS + 0.2 * TS
Es requereix una nota mínima de 3 punts sobre 10 a cadascuna de les parts PR, PS, i TS per optar a la avaluació final FS.

Bibliografia

Bàsica:

Complementaria: