Logo UAB
2023/2024

Análisis de Video

Código: 44778 Créditos ECTS: 9
Titulación Tipo Curso Semestre
4318299 Visión por Computador OB 0 2

Contacto

Nombre:
Maria Isabel Vanrell Martorell
Correo electrónico:
maria.vanrell@uab.cat

Idiomas de los grupos

Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.

Equipo docente

Javier Ruiz Hidalgo
Ramon Morros Rubio
Montse Pardàs Feliu
Federico Sukno
Sergio Escalera Guerrero

Equipo docente externo a la UAB

Albert Clapés

Prerrequisitos

Un grado en Ingeniería, Matemáticas, Física o similar.

Asignatura C3: Machine Learning for Computer Vision

Competencias en programación en Python.


Objetivos y contextualización

Coordinador del módulo: Dr. Javier Ruiz

El objetivo de este módulo es presentar los principales conceptos y tecnologías que son necesarios para el análisis de video. En primer lugar, se presentan las aplicaciones de análisis de secuencias de imágenes y los diferentes tipos de datos donde se aplicarán estas técnicas. Además se proporciona una descripción general de las técnicas de procesamiento de señales y las arquitecturas generales de aprendizaje profundo en las que se basa el análisis de video. Se darán ejemplos para secuencias de video monocámara, multicámara y cámaras de profundidad. Se estudiarán tanto las bases teóricas como los algoritmos más utilizados. Para cada materia, se presentarán técnicas clásicas junto con las técnicas de aprendizaje profundo del estado del arte que conducen a diferentes enfoques. Los temas principales serán la segmentación de video, la sustracción y modelado del fondo, la estimación de movimiento, los algoritmos de seguimiento y el análisis basado en modelos. También se estudiarán técnicas de nivel superior, como el reconocimiento de gestos o acciones, la generación profunda de de videos y el aprendizaje profundo multimodal. Los estudiantes trabajarán en un proyecto sobre monitoreo de tráfico aplicado a ADAS (sistemas avanzados de asistencia al conductor) donde aplicarán los conceptos aprendidos en el curso. El proyecto se centrará en la detección y segmentación de objetos de video, la estimación del flujo óptico y el seguimiento de vehículos con múltiples objetivos / cámaras.


Resultados de aprendizaje

  • CA03 (Competencia) Definir todos los componentes que cooperan en un sistema completo de análisis de secuencias de imágenes.
  • CA06 (Competencia) Conseguir los objetivos de un proyecto de visión realizado en equipo.
  • KA06 (Conocimiento) Identificar los problemas básicos que se deben solucionar en un problema de secuencias de imágenes de escenas.
  • KA14 (Conocimiento) Proporcionar la mejor modelización para solucionar problemas de segmentación de vídeos, de estimación del movimiento o del seguimiento de objetos.
  • SA05 (Habilidad) Resolver un problema de reconocimiento visual entrenando una arquitectura de red neuronal profunda y evaluar los resultados.
  • SA11 (Habilidad) Definir los mejores conjuntos de datos para entrenar arquitecturas de reconocimiento visual.
  • SA15 (Habilidad) Preparar un informe que describa, justifique e ilustre el desarrollo de un proyecto de visión.
  • SA17 (Habilidad) Preparar presentaciones orales que permitan debatir los resultados del desarrollo de un proyecto de visión.

Contenido

  1. Segmentación de vídeo
  2. Estimación del movimiento
  3. Seguimiento de objetos
  4. Redes Neuronales Recurrentes
  5. Atención y Transformers para vídeo
  6. Arquitecturas Neuronales para vídeo
  7. Reconocimiento de acciones
  8. Aprendizaje con supervisión propia para vídeo
  9. Aprendizaje Multi-modal para vídeo
  10. Análisis de humanos en vídeos
  11. Adaptación al dominio para vídeo.

Metodología

Sesiones supervisadas:  (Algunas de estas sesiones podrían ser en línea síncronas)

  • Sesiones de teoría, donde los profesores explican contenidos generales sobre los diferentes temas. Algunos de ellos se usarán para resolver los problemas.

Sesiones dirigidas:  

  • Sesiones de proyecto, donde los problemas y los objectivos de los proyectos serán presentados y discutidos, los estudiantes interactuarán con el coordinador del proyecto sobre problemas y ideas para resolver el proyecto (aprox. 1 hora/semana).
  • Sesión de presentación, donde los estudiantes hacen una presentación oral sobre cómo han resuelto el proyecto y una demostración de los resultados.
  • Sesión de examen, donde los estudiantes son evaluados de forma individual sobre el conocimiento obtenido y las habilidades para resolver problemas.

Trabajo autónomo:

  • El estudiante estudiará de forma autónoma y trabajará los materiales derivados de las sesiones teóricas.
  • El estudiante trabajará en grupos para resolver los problemas del proyecto con entregas de:
    • Código
    • Informes
    • Presentación oral

 

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.


Actividades

Título Horas ECTS Resultados de aprendizaje
Tipo: Dirigidas      
Sesiones teóricas 35 1,4 KA06, KA14, KA06
Tipo: Supervisadas      
Sesiones de seguimiento de proyecto 10 0,4 CA03, CA06, SA05, SA11, SA15, SA17, CA03
Tipo: Autónomas      
Trabajo autónomo 171 6,84 CA03, CA06, SA05, SA11, SA15, SA17, CA03

Evaluación

La Nota final de este módulo se calcula con la seguiente fórmula:

Nota final = 0.4 x Examen + 0.55 x Proyecto+ 0.05 x Asistencia

donde,

Examen: es la nota obtenida en el examen final del módulo (debe ser >= 3).

Assistencia: es la nota derivada de la asistencia a las sesiones (mínimo 70%).

Proyecto: es la nota que pone el coordinador del proyecto de acuerdo con los resultados del seguimiento semanal del proyecto y de las entregas (debe ser >= 5).. Todo de acuerdo con criterios específicos, tales como:

    • Participación en les sesiones de discusión y en el trabajo en equipo (evaluación entre-miembros).
    • Entrega de las partes obligatorias y opcionales del proyecto.
    • Desarrollo del código (estilo, comentarios, etc.)
    • Informe (justificación de las decisiones tomadas en el desarrollo del proyecto)
    • Presentación (Presentación y demostración del proyecto desarrollado)

Sólo los estudiantes que han suspendido (nota final < 5.0) podran hacer el examen de recuperación.


Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Asistencia a sesiones 0.05 0,5 0,02 CA06, KA06, KA14
Examen 0.4 2,5 0,1 KA06, KA14
Proyecto 0.55 6 0,24 CA03, CA06, SA05, SA11, SA15, SA17

Bibliografía

Artículos:

  1. M. Piccardi. “Background subtraction techniques: a review”. Journal: IEEE Int. Conf. On Systems, Man and Cybernetics 2004 , v. 4, pp. 3099-3104, 2004.
  2. A. Sobral, A. Vacavant, “A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos”, Journal: Computer Vision and Image Understanding Vol. 122, pp. 4-21 · May 2014.
  3. S. Baker, D. Scharstein, JP. Lewis, S. Roth, M. Black, R. Szeliski. “A database and evaluation methodology for optical flow”. Journal: International Journal of Computer Vision, Vol. 92:1, pp. 1-31, 2011.
  4. T. Cootes, G. Edwards, C. Taylor. “Active appearance models”. Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 6, pp. 681--685, 2001.
  5. R. Poppe. “Vision-based Human motion analysis: an overview”. Journal: Computer Vision and Image Understanding 108 (1-2): 4-18, 2007

Libros:

  1. “Sequential Monte Carlo methods in practice”, A. Doucet, N. de Freitas and N.Gordon (Eds.), Springer, 2001.

Software

Entorno de programación en Python  con especial atención a las librerías de visión por computador y Pythorch