Logo UAB
2022/2023

Visió per Computador

Codi: 104423 Crèdits: 6
Titulació Tipus Curs Semestre
2503740 Matemàtica Computacional i Analítica de Dades OT 4 2

Professor/a de contacte

Nom:
Felipe Lumbreras Ruiz
Correu electrònic:
felipe.lumbreras@uab.cat

Utilització d'idiomes a l'assignatura

Llengua vehicular majoritària:
espanyol (spa)
Grup íntegre en anglès:
No
Grup íntegre en català:
No
Grup íntegre en espanyol:

Altres indicacions sobre les llengües

alguns materials docents són en català, castellà i anglès

Prerequisits

No hi ha prerequisits. Aquesta assignatura és bastant autocontinguda. No obstant això, en aquesta assignatura es tocaran temes relacionats amb càlcul matemàtic, probabilitat i teoria del senyal, d'altra banda, problemes i pràctiques en molts casos seran petits programes, pel que es necessita una bona base en matemàtiques i en programació.

Objectius

Els objectius de l’assignatura es poden resumir en:

Coneixements:

    Conèixer, entendre i saber modelar l'adquisició amb diferents sensors, especialment amb càmeres.
    Descriure i relacionar les fases en què es divideix la solució a un problema d’anàlisi de processament del senyal.
    Identificar els avantatges i inconvenients dels algorismes de processament d'imatges.
    Resoldre problemes reals relacionats amb tècniques de processament d'imatges.
    Entendre el resultat i les limitacions de les tècniques de visió en diferents casos d’estudi.
    Saber escollir l’algorisme de processament d'imatges més adient per solucionar una tasca donada.
    Saber escollir les tècniques de visió per computador més adequades per solucionar problemes contextualitzats.

 Habilitats:

    Reconèixer les situacions en les quals l’aplicació d’algorismes de processament del senyal pot ser adient per solucionar un problema.
    Analitzar el problema a resoldre i dissenyar la solució òptima aplicant les tècniques apreses.
    Redactar documents tècnics relacionats amb l’anàlisi i la solució d’unproblema.
    Programar els algorismes bàsics per solucionar els problemes proposats.
    Avaluar els resultats de la solució implementada i valorar les possibles millores.
    Defensar i argumentar les decisions preses en la solució dels problemes proposats.

Competències

  • Avaluar de manera crítica i amb criteris qualitat el treball realitzat.
  • Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.
  • Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
  • Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes destacats d'índole social, científica o ètica.
  • Resoldre problemes relacionats amb l'anàlisi de grans volums de dades a través del disseny de sistemes intel·ligents i d'aprenentatge computacional.
  • Treballar cooperativament en un context multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
  • Utilitzar eficaçment la bibliografia i els recursos electrònics per obtenir informació.

Resultats d'aprenentatge

  1. Aplicar els mètodes bàsics de processament d'imatges a problemes específics.
  2. Avaluar de manera crítica i amb criteris de qualitat el treball desenvolupat.
  3. Desenvolupar aplicacions de visió per computador per solucionar problemes bàsics d'anàlisi d'imatges i vídeo.
  4. Extreure els descriptors de forma dels objectes presents en una escena.
  5. Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.
  6. Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
  7. Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes destacats d'índole social, científica o ètica.
  8. Treballar cooperativament en un context multidisciplinari assumint i respectant el rol dels diferents membres de l'equip.
  9. Utilitzar eficaçment la bibliografia i els recursos electrònics per obtenir informació.

Continguts

1.  Introducció al tractament del senyal, imatge i vídeo
2.  Formació de la imatge
3.  Processament d'imatges
4.  Filtrat lineal (espacial)
5.  Filtrat freqüencial
6.  Filtrat no lineal
7.  Transformacions geomètriques
8.  Segmentació
9.  Característiques
10. Classificació
11. Miscel·lània (aplicacions, moviment)
12. Deep Learning

Metodologia

Les diferents activitats que es duran a terme en l’assignatura s’organitzen de la següent manera:

Classes magistrals

S’exposaran els principals conceptes i algorismes de cada tema de teoria. Aquests temes suposen el punt de partida en el treball de l’assignatura.

Seminaris de problemes

Seran classes amb grups reduïts d'estudiants que facilitin la interacció. En aquestes classes es plantejaran casos pràctics que requereixin el disseny d'una solució en què es facin servir els mètodes vistos a les classes de teoria.

Pràctiques de laboratori

Hi haurà un seguit de pràctiques comunes que permetran assolir unes competències bàsiques en temes de visió. Una primera entrega fora d'hores de laboratori per conèixer les eines. Tres pràctiques temàtiques relacionades estretament amb la teoria que s'està donant al mateix temps o prèvia. Finalment un projecte escollit pels mateixos alumnes. A la segona part del semestre hauran d’analitzar aquest problema, dissenyar i implementar solucions basades en diferents algorismes de processament i visió vistos a classe, analitzar els resultats obtinguts en cadascun dels mètodes, defensar la seva solució i fer la presentació en públic dels resultats.

Els grups de treball estaran formats per grups de 2 a 3 alumnes i s’hauran de formar la segona setmana del curs. Aquests grups de treball s’hauran de mantenir fins al final del curs i s’hauran d’autogestionar: repartiment de rols, planificació del treball, assignació de tasques, gestió dels recursos disponibles, conflictes, etc. Tot i que el professor guiarà el procés d’aprenentatge, la seva intervenció en la gestió dels grups serà mínima.

Per desenvolupar el projecte, els grups treballaran de forma autònoma i les sessions de pràctiques s’han de dedicar principalment a resoldre dubtes amb el professor que farà el seguiment de l’estat del projecte, indicarà errors a corregir, proposarà millores, etc.

Algunes de les sessions es marcaran com sessions de control on s’haurà de lliurar una pràctica. En aquestes sessions els grups hauran d’explicar la feina feta i el professor farà qüestions a tots els membres del grup per valorar la feina realitzada. L’assistència a aquestes sessions és obligatòria.

En el lliurament final els grups faran una presentació del projecte on explicaran el projecte desenvolupat, la solució adoptada i els resultats obtinguts. En aquesta presentació cada membre del grup haurà de fer una part de la presentació.

El codi de les pràctiques comunes es desenvoluparà en llenguatge Matlab i python. La part del projecte serà lliure a escollir pels alumnes.

Tot i el que es diu en la guia i al ser el primer any es poden aplicar canvis sobre la marxa que millorin i adaptin la metodologia a la nova assignatura.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.

Activitats formatives

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classe magistral 20 0,8 1, 2, 3, 4, 5, 7, 8
Práctiques de laboratori 10 0,4 1, 3, 4, 5, 6, 7, 8, 9
Seminaris de problemes 11,5 0,46 1, 3, 4, 5, 6, 7, 9
Tipus: Supervisades      
Anàlisi i disseny del projecte 12 0,48 1, 2, 3, 4, 5, 6, 7, 8, 9
Documentació del projecte 6 0,24 3, 5, 6, 7, 8, 9
Tipus: Autònomes      
Estudi individual 45 1,8 1, 2, 3, 4, 5, 6, 7, 9
Presentació oral 12 0,48 2, 5, 6, 7, 8
Programació projecte 25 1 1, 2, 3, 4, 5, 6, 7, 8, 9

Avaluació

Actividades e instrumentos de evaluación:

Evaluación continua. El alumno ve en todo momento su evolución a la asignatura y como se alcanzan los diferentes objetivos tanto de prácticas como de problemas y teoría.

- Conocimientos teóricos

La nota final de teoría se calculará a partir de la nota de dos pruebas:

               Nota Teoría = 0.5 Bloque 1 + 0.5 Bloc2

Estas pruebas pretenden una evaluación individualizada del estudiante con sus capacidades de resolver problemas utilizando las técnicas explicadas en clase así como evaluar el nivel de conceptualización que el estudiante ha hecho de las técnicas vistas.

Recuperación (teoría). Si el alumno quiere subir nota o recuperar puede presentarse al examen final dividido también en dos bloques.

- Problemas

Los problemas serán evaluados junto con las pruebas de teoría, ya que los problemas complementan la teoría. La recuperación de esta parte se hará junto con la teoría. Examen de recuperación.
Recuperación (problemas). Si el alumno quiere subir nota o recuperar puede presentarse al examen final dividido también en dos bloques.

              Nota de Problemas = 0.5 Bloque 1 + 0.5 Bloc2

- Prácticas

La parte práctica es una serie de pequeños proyectos. La evaluación de esta parte incluirá:

    Evaluación individual del Lab0 que introduce las herramientas de trabajo que se utilizarán en las prácticas. También las partes de exposición del proyecto final son evaluadas de forma individual.
    Evaluación conjunta de las prácticas: nota única para todos los miembros del grupo de trabajo que valorará los resultados obtenidos y la calidad del código.
    Evaluación del proyecto que valorará, los objetivos alcanzados tanto por el grupo como individualmente, los resultados obtenidos y la presentación.

La nota de esta parte se calculará según la fórmula:

            Nota Prácticas = (1/20) Lab0 + (3/20) Lab1 + (3/20) Lab2 + (3/20) Lab3 + (10/20) Proyecto

Recuperación (prácticas). La recuperación de esta parte consistirá en la entrega del material no entregado antes pero con un factor de penalización multiplicativo de 0.8.

- Evaluación final

La Nota Final de la asignatura se obtiene combinando la evaluación de estas actividades de la siguiente forma:

            Nota Final = 0.3 Nota Teoría + 0.3 Nota Problemas + 0.4 Nota Prácticas

La nota final que aparecerá en el expediente salvo casos particulares de copia y plagios o "No evaluable" será el resultado de aplicar la fórmula Nota final, también por los casos de suspenso.

Las matrículas de honor (MH) se darán a las personas con mejor nota que superen el 9 por orden de llegada a esta nota y se darán tantas como se puedan dar por la ratio de matriculados.

Els alumnes que no participin en cap dels diferents elements avaluables (test, reptes, exàmens, pràctiques) rebran una nota de "No Avaluable".


Condiciones:

Si el alumno se presenta a un examen parcial o si se presenta a una sesión de control de prácticas, ya no podrá ser evaluado como "No evaluable" en caso de que no se presente alas otras evaluaciones, sino que se le calculará la nota final a partir de aquellas evaluaciones continuadas a que se haya presentado.

Aclaraciones:

    No hay notas mínimas en ninguna de las evaluaciones excepto en la final. La nota para aprobar la asignatura es 5.0.

    En el caso de los estudiantes repetidores, las prácticas del año anterior, si se mantiene la temática, se pueden volver a presentar. Esto no significa una convalidación directa sino que se han de volver a defender en una única entrevista con el profesor de prácticas. El resto de actividades de evaluación (teoría y problemas) se tienen que volver a evaluar de la manera establecida.

    Las fechas de evaluación continua y entrega de trabajos se publicarán en la página web de la asignatura y en Caronte y pueden estar sujetos a cambios de programación por motivos de adaptación a posibles incidencias; siempre se informará en la página web de la asignatura y en Caronte sobre estos cambios, ya que se entiende que la página web de la asignatura y Caronte son los mecanismos habituales de intercambio de información entre profesor y estudiantes.

    Para cada actividad de evaluación, se indicará un lugar, fecha y hora de revisión en la que el estudiante podrá revisar la actividad con el profesor. En este contexto, se podrán hacer reclamaciones sobre la nota de la actividad, que serán evaluadas por el profesorado responsable de la asignatura. Si el estudiante no se presenta en esta revisión, no se revisará posteriormente esta actividad.

    Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, las irregularidades cometidas por un estudiante que puedan conducir a una variación de la calificación se calificarán con un cero (0). Las actividades de evaluación calificadas de esta formay por este procedimiento no serán recuperables. Si es necesario superar cualquiera de estas actividades de evaluación para aprobar la asignatura, esta asignatura quedará suspendida directamente, sin oportunidad de recuperarla en el mismo curso. Estas irregularidades incluyen, entre otros:
    - la copia total o parcial de una práctica, informe, o cualquier otra actividad de evaluación;
    - dejar copiar;
    - presentar un trabajo de grupo no hecho íntegramente por los miembros del grupo;
    - presentar como propios materiales elaborados por un tercero, aunque sean traducciones o adaptaciones, y en general trabajos con elementos no originales y exclusivos del estudiante;
    - tener dispositivos de comunicación (como teléfonos móviles, smart watches, etc.) accesibles durante las pruebas de evaluación teórico-prácticas individuales (exámenes).
    La nota numérica del expediente será el valor menor entre 3.0 y la media ponderada de las notas en caso de que el estudiante haya cometido irregularidades en un acto de evaluación (y por tanto no será posible el aprobado por compensación).
    En resumen: copiar, dejar copiar o plagiar en cualquiera de las actividades de evaluación equivale a un SUSPENSO con nota inferior a 3.0.

Activitats d'avaluació

Títol Pes Hores ECTS Resultats d'aprenentatge
Avaluació del grup 10 0,25 0,01 1, 2, 3, 4, 6, 7
Presentació del projecte 10 0,25 0,01 1, 2, 3, 4, 5, 6, 7, 8
Proves teòriques individuals 60 6 0,24 1, 2, 3, 4, 5, 6, 7, 9
Pràctiques 20 2 0,08 1, 2, 3, 4, 5, 6, 7, 8, 9

Bibliografia

    Rafael C. Gonzalez and Richard E. Woods, Digital Image Processing (3rd Edition), Prentice Hall 2007.
    Simon J.D. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012.(http://www.computervisionmodels.com/)
    David A. Forsyth and Jean Ponce, Computer Vision: A Modern Approach (2nd Edition), Prentice Hall 2011.
    Richard Szeliski, Computer Vision: Algorithms and Applications, Springer (Texts in computer Science) 2011. (http://szeliski.org/Book/)
    Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016. (http://www.deeplearningbook.org)
    Aurélien Géron, Hands-On Machine Learning with Scikit-Learn & TensorFlow, O'Reilly, 2017.
    Joan Serrat, Llibre d'apunts de Processament d'imatges, 2006. (llibre)

Cursos similar i complementaris online

    Curs online (MOOC Coursera): Image and video processing: From Mars to Hollywood with a stop at the hospital. (https://www.coursera.org/course/images)
    Curs online (MOOC Coursera): Detección de objetos (UAB). (https://www.coursera.org/learn/deteccion-objetos)
    Curs online (MOOC Coursera): Fundamentos del Procesamiento de Vídeo e Imagen Digital. (https://www.coursera.org/course/digital)
    Curs online (MOOC Coursera): Clasificación de imágenes: ¿cómo reconocer el contenido de una imagen? (UAB). (https://www.coursera.org/learn/clasificacion-imagenes)
    Curs online (MOOC Edx ): Introducción a la visión por computador: desarrollo de aplicaciones con OpenCV. (https://www.edx.org/course/introduccion-la-vision-por-computador-uc3mx-isa-1x)
    Curs online (MOOC Udacity ): Computational Photography.(https://eu.udacity.com/course/computational-photography--ud955)
    Curs online (MOOC Coursera): Machine Learning. (https://es.coursera.org/learn/machine-learning)

Programari

MatLab

Python