Titulació | Tipus | Curs | Semestre |
---|---|---|---|
4314099 Visió per Computador / Computer Vision | OB | 0 | 1 |
L’objectiu d’aquest mòdul és introduir les tècniques d’aprenentatge automàtic per resoldre problemes de visió per ordinador. L’aprenentatge automàtic tracta de l’anàlisi automàtica de dades a gran escala. Avui en dia s’ajusta als conceptes bàsics de molts mètodes de visió per ordinador, especialment els relacionats amb el reconeixement visual o la classificació de patrons, on els “patrons” engloben imatges d’objectes mundials, escenes i seqüències de vídeo d’accions humanes, per citar-ne algunes.
Aquest mòdul presenta els fonaments i les tècniques més importants per a la classificació de patrons visuals, centrats principalment en mètodes supervisats. També es tracten temes relacionats com els descriptors d'imatges i la reducció de dimensionalitat. En la mesura del possible, totes aquestes tècniques es proven i s’avaluen en un projecte pràctic sobre descripció d’escenes a partir d’imatges, en funció de les mètriques i procediments estàndards d’avaluació de rendiment com ara corbes de record de precisió i validació creuada de k.
Els resultats d'aprenentatge són:
(a) Distingiu els principals tipus de tècniques de ML per a la visió per ordinador: supervisat vs no supervisat, generatiu vs. discriminatori, espai de característiques original i nucli de vectors de característiques.
(b) Conèixer els punts forts i febles dels diferents mètodes, en part après durant la resolució d’un problema de classificació de patrons reals.
(c) Ser capaç d'utilitzar implementacions de mètodes existents i construir-les des de zero.
El mòdul aprofundeix en dues aproximacions principals per introduir ML al problema de classificació d’imatges. Utilitzant: a) descripció de la imatge amb descriptors definits manualment, b) descripció de la imatge basat en dades. En el primer cas s’utilitza el Bag of Words, en el segon, l’enfocament de l’aprenentatge profund. El contingut de DL es desenvolupa àmpliament proporcionant tant les bases teòriques de les diferents parts de les modernes acriliteres de Neural Networs, com les bones pràctiques per aplicar-lo en aplicacions reals.
Sesions supevisadws:
Sessions dirigides:
Treball autònom:
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Sessions teòriques | 20 | 0,8 | 3, 4, 8 |
Tipus: Supervisades | |||
Sessions de seguiment de projectes | 8 | 0,32 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 |
Tipus: Autònomes | |||
Treball autònom | 113 | 4,52 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 |
La Nota final d'aquest mòdul es calcula amb la següent fórmula:
Nota final = 0.4 x Examen + 0.55 x Projecte+ 0.05 x Assistència
on,
Exàmen: és la nota obtinguda en l'examen final del mòdul (ha de ser >= 3)
Assistència: és la nota derivada de l'assistència a les sessions (mínim 70%)
Projecte: és la nota que posa el coordinador del projecte d'acord amb els resultats del seguiment setmanal del projecte i de les entregues. Tot d'acord amb criteris específcis com ara:
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Assistència a sessions | 0.05 | 0,5 | 0,02 | 1, 3, 4, 5, 8 |
Exàmen | 0.4 | 2,5 | 0,1 | 1, 2, 4, 5, 7, 8, 10 |
Projecte | 0.55 | 6 | 0,24 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 |
Articles en revistes:
Llibres:
Informes tècnics: