Objectius

Coordinador del mòdul: Dr. Ramon Baldrich Caselles

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 depatrons 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.