Introducción al Procesado Audiovisual

Usted está aquí

Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
TSC
Modelado Estadístico de Señales (4 semanas)
- Introducción y Variable Aleatoria
- Modelo de procesos sin memoria
- Procesos estocástics discretos

Teoría de la Estimación (4 semanas)
- Estimación de parámetros: Concepto, medidas de calidad y tipos de estimadores
- Estimación de funciones: Estimación de la autocorrelación i de la Densidad Espectral de Potencia

Filtro de Wiener y Filtro Adaptativo (3 semanas)
- Estimación lineal cuadrática media
- Filtro de Wiener
- Regresión lineal y mínimos cuadrados
- Filtro adaptativo

Transformadas (3 setmanes)
- Transformada de Fourier Dependiente del Tiempo y 2D
- Transformada Coseno Discreta (DCT)
- Transformada Karhunen-Loeve (KLT)
- Aplicaciones a la compresión de datos i a la biometría

Profesorado

Responsable

  • Ferran Marques Acosta ( )

Otros

  • Carlos Hernández Pérez ( )
  • Francesc Rey Micolau ( )

Horas semanales

Teoría
2.4
Problemas
0.9
Laboratorio
0.5
Aprendizaje dirigido
0
Aprendizaje autónomo
6.2

Competencias

Competencias Técnicas

Competencias técnicas

  • CE5 - Diseñar y aplicar técnicas de procesado de señal, eligiendo entre distintas herramientas tecnológicas, incluidas las de visión Artificial, de reconocimiento del lenguaje hablado y las de tratamiento de datos multimedia.

Competencias Transversales

Transversales

  • CT6 [Avaluable] - Aprendizaje autónomo. Detectar deficiencias en el propio conocimiento y superarlas mediante la reflexión crítica y la elección de la mejor actuación para ampliar dicho conocimiento.

Básicas

  • CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
  • CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Concebir sistemas computacionales que integren datos de procedencias y formas muy diversas, creen con ellos modelos matemáticos, razonen sobre dichos modelos y actúen en consecuencia, aprendiendo de la experiencia.
  • CG2 - Elegir y aplicar los métodos y técnicas más adecuados a un problema definido por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.
  • CG5 - Poder recurrir a conocimientos fundamentales y metodologías de trabajo sólidas adquiridos durante los estudios para adaptarse a los nuevos escenarios tecnológicos del futuro.

Objetivos

  1. Saber caracterizar procesos estocásticos
    Competencias relacionadas: CE5, CG1, CG5, CB4, CB5,
  2. Comprender y saber utilizar las transformadas de señal más habituales i su aplicación
    Competencias relacionadas: CE5, CT6, CG2, CB4, CB5,
  3. Adquirir los conocimientos básicos de filtrado óptimo y adaptativo para aplicaciones de datos audiovisuales
    Competencias relacionadas: CE5, CT6, CG5, CB4, CB5,

Contenidos

  1. Modelado estadístico de señal
    Procesos estocásticos: Definición.
    Autocorrelación.
    Estacionariedad, Ergodicidad.
    Densidad espectral de potencia.
    Procesos discretos.
    Filtrado de procesos
  2. Teoría de la Estimación
    (1) Estimación de parámetros: Conceptos, medidas de calidad y tipos de estimadores
    (2) Estimación de funciones: Estimación de la autocorrelación y de la Densidad Espectral de Potencia
  3. Filtrado óptimo y filtrado adaptativo
    Tipos de filtros: Identificación de sistemas, ecualización, cancelación, predicción e interpolación.Filtro de Wiener. Regresión lineal y mínimos cuadrados.Filtrado adaptativo
  4. Transformadas
    Análisis en frecuencia: (1) Transformada Coseno Discreta (DCT), (2) Transformada de Fourier Dependiente del Tiempo. Interpretación como banco de filtros. Efecto de la ventana. Reconstrucción. Espectrograma. Análisis tiempo-frecuencia.

    Análisis estadístico: (1) Periodograma. Principios de estimación. (2) Transformada de Karhunen-Loève (KLT).

Actividades

Actividad Acto evaluativo


Tema 1

Clases de teoría, problemas y laboratorio correspondientes al Tema 1
  • Teoría: Clases de teoría correspondientes al Tema 1
  • Problemas: Clases de problemas correspondientes al Tema 1
  • Laboratorio: Clases de laboratorio correspondientes al Tema 1
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 1
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 1
Objetivos: 1
Contenidos:
Teoría
10.3h
Problemas
3.7h
Laboratorio
2.3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
23h

Tema 2

Clases de teoría, problemas y laboratorio correspondientes al Tema 2
  • Teoría: Clases de teoría correspondientes al Tema 2
  • Problemas: Clases de problemas correspondientes al Tema 2
  • Laboratorio: Clases de laboratorio correspondientes al Tema 2
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 2
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 2
Objetivos: 2
Contenidos:
Teoría
15.4h
Problemas
5.6h
Laboratorio
3.4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
36.5h

Tema 3

Clases de teoría, problemas y laboratorio correspondientes al Tema 3
  • Teoría: Clases de teoría correspondientes al Tema 3
  • Problemas: Clases de problemas correspondientes al Tema 3
  • Laboratorio: Clases de laboratorio correspondientes al Tema 3
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 3
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 3
Objetivos: 3
Contenidos:
Teoría
10.3h
Problemas
3.7h
Laboratorio
2.3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
23h

Metodología docente

La asignatura se basa en clases presenciales de teoría, problemas y laboratorio. Las clases de teoría siguen el programa definido en esta guía docente. Dentro de las clases de teoría se promociona el diálogo entre los profesores y los estudiantes proponiendo ejercicios y actividades a realizar conjuntamente basados en aspectos particulares del tema que se está tratando. Las clases de laboratorio ejemplifican los contenidos desarrollados en las clases de teoría.

Método de evaluación

La nota final de la asignatura se obtiene a partir de las notas de

- El examen parcial: P (25%)
- El examen final: F (60%)
- Las prácticas: L (15%)

Nota= max (0.6F+0.25P+0.15L ; 0.85F+0.15L; 0.75F+0.25P; 1.0F)

En el caso de un examen de re-evaluación (R), la nota final es

Nota = max(0.85R+0.15L; 1.0R)

Bibliografía

Básica:

Complementaria:

Capacidades previas

Los conocimientos adquiridos en las asignaturas del grado en cuatrimestres anteriores