Reconocimiento de Objetos

Usted está aquí

Inicio » Estudios » Másteres » Máster en Inteligencia Artificial » Plan de estudios » Asignaturas » Reconocimiento de Objetos
Créditos
4
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos
Departamento
UB;CS
En este curso, analizaremos el paradigma del reconocimiento automático de objetos desde los puntos de vista de Visión artificial y Aprendizaje automático. Revisaremos los desafíos pasados ​​y recientes en el reconocimiento de objetos, tales como el reconocimiento de objetos multimodal, de múltiples partes, de múltiples escalas, de múltiples vistas, de múltiples clases, de múltiples etiquetas y de gran escala, incluidas las arquitecturas recientes de aprendizaje profundo. También revisaremos las tendencias actuales para un tipo particular y complejo de objetos: "personas en datos visuales". Trataremos el problema de la recuperación de la pose humana y el análisis de comportamiento automático, describiendo las aplicaciones potenciales y las futuras líneas de investigación en el campo.

Profesorado

Responsable

  • Sergio Escalera Guerrero ( )

Otros

  • Meysam Madadi ( )

Horas semanales

Teoría
1.5
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
0

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Capacidad para dirigir, planificar y supervisar equipos multidisciplinares.

Competencias Técnicas de cada especialidad

Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA4 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Inteligencia Computacional, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA6 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas de Visión Computacional, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA8 - Capacidad de realizar investigación en nuevas técnicas, metodologías, arquitecturas, servicios o sistemas en el área de la Inteligencia Artificial.
  • CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
  • CEA14 - Capacidad de comprender las técnicas avanzadas de Visión, Percepción y Robótica, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Profesionales

  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.
  • CEP6 - Capacidad de asimilar e integrar los cambios del entorno economico, social y tecnologico a los objetivos y procedimientos del trabajo informatico en sistemas inteligentes.
  • CEP8 - Capacidad de respetar el entorno ambiental y diseñar y desarrollar sistemas inteligentes sostenibles.

Competencias Transversales

Actitud frente al trabajo

  • CT5 - Estar motivado para el desarrollo profesional, para afrontar nuevos retos y para la mejora continua. Tener capacidad de trabajo en situaciones de falta de informacion.

Básicas

  • CB7 - 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

Objetivos

  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
    Competencias relacionadas: CT5, CEA13, CEA14, CEA3, CEA4, CEA6, CB7, CEA8, CEP3, CEP6, CEP8, CG2,

Contenidos

  1. Introduction to object and human recognition
  2. Convolutional neural networks
  3. Recurrent Neural Networks in Vision
  4. Object detection and segmentation
  5. Human pose estimation
  6. Human Behavior
  7. Transformers / self-attention in Vision
  8. Graph Neural Networks in Vision

Actividades

Actividad Acto evaluativo


Paper presentation


Objetivos: 1
Semana: 10
Teoría
1.5h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
5h

Paper presentation 2



Semana: 14
Teoría
1.5h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
5h

Exam



Semana: 15 (Fuera de horario lectivo)
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
30h

Laboratory 1



Semana: 2
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
4h

Laboratory 2



Semana: 5
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
4h

Laboratory 3



Semana: 8
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
4h

Laboratory 4



Semana: 12
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
4h

Theoretical class



Teoría
22.5h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Practical sessions



Teoría
0h
Problemas
0h
Laboratorio
15h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Metodología docente

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.

Método de evaluación

The course will follow a continuous evaluation consisting in four practical reports (PR) and two in-class presentations (PS). At the end of the course a test exam will be performed (TS). The final score (FS) will be computed as follows:
FS = 0.5 * PR + 0.3 * PS + 0.2 * TS
A minimum score of 3 over 10 points is required for each part PR, PS, and TS in order to compute the final score FS.

Bibliografía

Básica:

Complementaria: