Visión por Computador

Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
ESAII
Este asignatura es una introducción a la visión por ordenador, incluiyendo los principios del procesado de imágenes, el reconocimiento de escenas y la clasificación de objetos

Profesorado

Responsable

  • Isiah Zaplana Agut (isiah.zaplana@upc.edu)

Horas semanales

Teoría
2
Problemas
0
Laboratorio
2
Aprendizaje dirigido
0
Aprendizaje autónomo
6

Competencias

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

  • CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
  • CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
  • CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

    • Competencias Técnicas

    Específicas

  • CE01 - Resolver los problemas matemáticos que puedan plantearse en el ámbito de la inteligencia artificial. Aplicar los conocimientos sobre: álgebra, cálculo diferencial e integral y métodos numéricos; estadística y optimización.
  • CE02 - Dominar los conceptos básicos de matemática discreta, lógica, algorítmica y complejidad computacional, y su aplicación para el tratamiento automático de la información por medio de sistemas computacionales y su aplicación para la resolución de problemas.
  • CE03 - Identificar i aplicar els procediments algorítmics bàsics de les tecnologies informàtiques per a dissenyar solucions a problemes, analitzant la idoneïtat i complexitat dels algorismes proposats.
  • CE04 - Diseñar y utilizar de forma eficiente los tipos y estructuras de datos más adecuados a la resolución de un problema.
  • CE13 - Evaluar la complejidad computacional de un problema, identificar estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
  • CE14 - Dominar los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación, incluido la robótica.
  • CE15 - Adquirir, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación,percepción y actuación en ambientes o entornos inteligentes.
  • CE18 - Adquirir y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
  • CE19 - Utilizar los sistemas de computación actuales, incluidos sistemas de alto rendimiento, para el proceso de grandes volúmenes de datos desde el conocimiento de su estructura, funcionamiento y particularidades.
  • CE26 - Diseñar y aplicar técnicas de procesado y análisis de imágenes y visión por computador en el ámbito de la inteligencia

    • Competencias Técnicas Genéricas

    Genéricas

  • CG2 - Utilizar los conocimientos fundamentales y metodologías de trabajo sólidas adquiridos durante los estudios para adaptarse a los nuevos escenarios tecnológicos del futuro.
  • CG4 - Razonar, analizando la realidad y diseñando algoritmos y formulaciones que la modelen. Identificar problemas y construir soluciones algorítmicas o matemáticas válidas, eventualmente nuevas, integrando el conocimiento multidisciplinar necesario, valorando distintas alternativas con espíritu crítico, justificando las decisiones tomadas, interpretando y sintetizando los resultados en el contexto del dominio de aplicación y estableciendo generalizaciones metodológicas a partir de aplicaciones concretas.
  • CG6 - Identificar oportunidades para aplicaciones innovadoras de la inteligencia artificial y la robótica en entornos tecnológicos en continua evolución.
  • CG8 - Observar un ejercicio ético de la profesión en todas sus facetas, aplicando criterios éticos en el diseño de sistemas,algoritmos, experimentos, utilización de datos, de acuerdo con los sistemas éticos recomendados por los organismos nacionales e internacionales, con especial énfasis en seguridad, robustez, privacidad, transparencia, trazabilidad, prevención de sesgos (de raza, género, religión, territorio, etc.) y respeto a los derechos humanos.
  • CG9 - Afrontar nuevos retos con una visión amplia de las posibilidades de la carrera profesional en el ámbito de la Inteligencia Artificial. Desarrollar la actividad aplicando criterios de calidad y mejora continua, y actuar con rigor en el desarrollo profesional. Adaptarse a los cambios organizativos o tecnológicos. Trabajar en situaciones de carencia de información y/o con restricciones temporales y/o de recursos.

    • Objetivos

    1. Definir y cuantificar las caractersticas de una imagen
      Competencias relacionadas: CB1, CE04,
    2. Comparar y seleccionar las herramientas más adecuadas de procesado de imágenes en función del problema a resolver.
      Competencias relacionadas: CE26, CB1, CE01, CE02, CE03, CE04, CE15, CE19,
    3. Segmentar y etiquetar las regiones de una imagen
      Competencias relacionadas: CE26, CG2, CG4, CB5, CE01, CE03, CE04, CE13, CE15,
    4. Encontrar los descriptores más significativos para caracterizar regiones o puntos de interés de un objeto
      Competencias relacionadas: CE26, CG2, CG4, CG8, CG9, CT6, CB5, CE14, CE15, CE18,
    5. Detectar y reconocer la presencia de determinados ítems en una imagen (con y sin deep learning)
      Competencias relacionadas: CE26, CG2, CG4, CG6, CG8, CG9, CT6, CE14, CE15, CE18, CE19,
    6. Realizar correctamente experimento para evaluar los métodos propuestos, sus limitaciones y points flacos, en base a resultados objetivos.
      Competencias relacionadas: CG2, CG4, CG8, CB2, CE01, CE02, CE03, CE14,

    Contenidos

    1. Fundamentos de la imagen digital
      La imagen digital, propiedades y características. Discretización y cuantificación. Espacios de color. Distancias.
    2. Procesado de imágenes lineal, no lineal y morfológico.
      Procesamiento lineal. Operaciones con la intensidad. Transformaciones geométricas. Filtrado de imágenes. Derivadas digitales. Procesado morfológico.
    3. Segmentación de imágenes
      Binarización. Detección de contornos. Clustering por color. Segmentación morfológica.
    4. Descriptores y características
      Descriptores topológicos, geométricos y estadísticos. El espacio de características. Funciones basadas en histograma, transformada de Hough y Harris. Puntos de interés SIFT, ORB y Haar.
    5. Reconocimiento de objetos.
      Reconocimiento mediante el uso de plantillas. Reconocimiento basado en clasificadores. Emparejamiento local. Emparejamiento global.
    6. Visión con aprendizaje profundo
      Reconocimiento, detección e identificación de objetos. Arquitecturas: YOLO, Fast/Faster R-CNN, Mask R-CNN. Visual transformers.

    Actividades

    Actividad Acto evaluativo


    Fundamentos de la imagen digital

    La imagen digital, propiedades y características. Discretización y cuantificación. Espacios de color. Distancias.
    Objetivos: 1
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    2h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    4h

    Procesado lineal, no-lineal y morfológico de imágenes (I)

    Procesamiento lineal. Operaciones con la intensidad. Transformaciones geométricas. Filtrado de imágenes. Derivadas digitales. Procesamiento morfológico.
    Objetivos: 2
    Contenidos:
    Teoría
    4h
    Problemas
    0h
    Laboratorio
    4h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    10h

    Procesado lineal, no-lineal y morfológico de imágenes (II)

    Procesamiento lineal. Operaciones con la intensidad. Transformaciones geométricas. Filtrado de imágenes. Derivadas digitales. Procesamiento morfológico.
    Objetivos: 2
    Contenidos:
    Teoría
    4h
    Problemas
    0h
    Laboratorio
    4h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    8h

    Segmentación de imágenes

    Binarización. Extracción de contornos. Clustering por color. Segmentación morfológica.
    Objetivos: 3
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    4h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    4h

    Primer parcial


    Objetivos: 1 2 3
    Semana: 7 (Fuera de horario lectivo)
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Segundo parcial


    Objetivos: 4 5 6
    Semana: 15 (Fuera de horario lectivo)
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Descriptores y características

    Descriptores topológicos, geométricos y estadísticos. El espacio de características. Características basadas en histogramas, transformada de Hough y Harris. Puntos de interés SIFT, ORB, y Haar
    Objetivos: 4
    Contenidos:
    Teoría
    6h
    Problemas
    0h
    Laboratorio
    6h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    10h

    Reconocimiento de objetos

    Reconocimiento mediante el uso de plantillas. Reconocimiento con el uso de clasificadores. Emparejamiento local. Emparejamiento global.
    Objetivos: 5 6
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    4h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    10h

    Visión con deep learning

    Reconocimiento, detección e identificación de objetos. Arquitecturas: YOLO, Fast/Faster R-CNN, Mask R-CNN. Visual transformers.
    Objetivos: 5 6
    Contenidos:
    Teoría
    6h
    Problemas
    0h
    Laboratorio
    6h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    20h

    Metodología docente

    Las clases teóricas se complementarán con la puesta en práctica sobre PC de las técnicas expuestas.
    En las clases de laboratorio se resolverán problemas reales de visión por computador.
    Se plantearán problemas de complejidad superior que el alumno tendrá que resolver en casa.

    Método de evaluación

    Habrá un primer examen parcial (P1), que tendrá un peso del 35 % de la nota final, y un examen final (EF), con un peso del 65 %.

    La nota final se calculará según la siguiente fórmula:

    NF = 0,35 · NP1 + 0,65 · NEF

    donde NP1 es la nota del primer parcial y NEF la nota del examen final.

    De manera excepcional, el examen final podrá sustituirse por un segundo parcial (P2) y por la evaluación de las prácticas finales (PF). En este caso, el primer parcial tendrá un peso del 35 %, el segundo parcial del 35 % y las prácticas finales del 30 %.

    Esta modalidad alternativa solo se aplicará si el estudiante cumple satisfactoriamente las siguientes condiciones: asistir a las sesiones prácticas, salvo causa mayor debidamente justificada; hacer un uso responsable de las herramientas de inteligencia artificial generativa; y mantener una actitud adecuada, así como un uso correcto de los laboratorios y recursos docentes.

    En este supuesto, la nota final se calculará de la siguiente manera:

    NF = 0,35 · NP1 + 0,35 · NP2 + 0,30 · NPF

    donde NP1 es la nota del primer parcial, NP2 la nota del segundo parcial y NPF la nota de las prácticas finales entregadas.

    La aplicación de esta modalidad alternativa quedará sujeta al cumplimiento satisfactorio de todos los requisitos anteriores.

    Solo podrán presentarse a la reevaluación aquellas personas que, habiéndose presentado a los exámenes, no los hayan superado. La nota máxima que se podrá obtener en la reevaluación será un 7.

    Bibliografía

    Básico

    Capacidades previas

    Álgebra lineal, cálculo vectorial y probabilidad.
    Estructuras de datos y programación