Visió per Computador
Codi: 45518 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| Humanitats i Patrimoni Digitals | OP | 1 |
Professor/a de contacte
- Nom:
- Juan Antonio Barceló Álvarez
- Correu electrònic:
- juanantonio.barcelo@uab.cat
Equip docent
- Sonia Boadas Cabarrocas
- (Extern) David R. Gonzàlez
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
No es requereixen coneixements previs d'informàtica o programació, tret de familiaritat amb equips informàtics a nivell d' usuari avançat. Els coneixements previs en matemàtiques son els propis de l' ensenyament secundari obligatori.
Es aconsellable una certa familiaritat amb temes humanístics i/o culturals.
Aquesta assignatura assumeix que s' ha cursat previament l'assignatura 45527 Patrimoni Cultural Digital.
Objectius
En aquesta assignatura s’aborda l’ús de tecnologies de visió per computador i vídeo digital en àmbits culturals i humanístics. Es presenten mètodes de processament d’imatges digitals, d’anotació semàntica, catalogació i indexació. Pel que fa a la modelització 3D, es treballa el reconeixement d’objectes mitjançant tècniques d’intel·ligència artificial i es desenvolupa, a un nivell més avançat, allò que s’ha introduït a l’assignatura 45527 Patrimoni Cultural Digital sobre models geomètrics, reconstrucció (anastilosi digital), renderització i animació.
Resultats d'aprenentatge
- CA16 (Competència) Explicar el funcionament de sistemes de visió per computador que aportin solucions concretes a problemes derivats de l'ús públic i l'accés obert a la cultura.
- CA17 (Competència) Discriminar els límits i inconvenients d'algunes de les metodologies de visió per computador aplicades a l'estudi i la divulgació del patrimoni històric i cultural.
- KA19 (Coneixement) Identificar les diferents tecnologies de visió computacional que es poden fer servir en estudis culturals i humanístics.
- KA20 (Coneixement) Distingir diferents maneres de gestionar la informació geomètrica d'un model visual agregant-hi informació semàntica.
- SA23 (Habilitat) Editar models geomètrics resultants de la digitalització 3D d'objectes històrics i arquitectònics.
- SA24 (Habilitat) Renderitzar models geomètrics resultants de la digitalització 3D d'objectes històrics i arquitectònics.
- SA25 (Habilitat) Fer servir diferents tecnologies i enfocaments en la reconstrucció virtual d'elements patrimonials.
Continguts
-
Introducció a la Fotografia Digital i al Processament Digital d’Imatges
-
Mètodes Avançats per a l’Anàlisi i Processament d’Imatges Històriques i Documents Antics. Catalogació i Anotació. Segmentació.
-
Ús d’Imatges Multiespectrals per a l’Anàlisi i Restauració de Documents Històrics i Obres d’Art
-
Reconeixement i Classificació d’Imatges. Introducció al Machine Learning
-
Reconeixement i Classificació d’Imatges. Processament Previ d’Imatges
-
Reconeixement i Classificació d’Imatges. Xarxes Neuronals Convolucionals en Història de l’Art i altres Estudis Culturals
-
Reconeixement i Classificació d’Imatges. Xarxes Neuronals Convolucionals en Arqueologia
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Assistència a classes teòriques dirigides pel professorat | 18 | 0,72 | CA16, CA17, KA19, KA20 |
| Pràctiques de laboratori amb equipament informàtic | 18 | 0,72 | SA23, SA24, SA25 |
| Tipus: Supervisades | |||
| Prácticas suplementarias con equipo informático | 34 | 1,36 | CA17, KA19, KA20, SA23, SA24, SA25 |
| Tipus: Autònomes | |||
| Estudio personal y consulta bibliográfica | 60 | 2,4 | CA16, CA17, KA19, KA20, SA23, SA24, SA25 |
Assistència a classes teòriques dirigides pel/la professor/a.
Assistència a sessions de seminaris i pràctiques amb ordinadors i programari específic dirigides pel/la professor/a.
Les classes s’imparteixen en una aula especial d’informàtica.
Lectura comprensiva de textos.
L’estudiant haurà de dedicar un esforç autònom a la consulta de bibliografia especialitzada. Part de la documentació està en anglès.
Debats a classe, moderats pel professorat, sobre els temes més rellevants.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Avaluació dels exercicis pràctics demanats pel professorat | 40% | 10 | 0,4 | CA17, KA19, KA20, SA23, SA24, SA25 |
| Presentació de comentaris de text basatsne en la bibliografia recomanada | 30% | 5 | 0,2 | CA16, CA17, KA19, KA20, SA23, SA24, SA25 |
| Presentació d'un text crític utrilitzant Intel.ligència Artificial Generativa | 30% | 5 | 0,2 | CA16, CA17, KA19, KA20, SA23, SA24, SA25 |
La metodologia d’avaluació d’aquest màster es basa en la participació activa i reflexiva de l’alumnat. S’avaluaran les seves habilitats analítiques mitjançant la realització d’exercicis pràctics amb programari informàtic sol·licitats pel professorat. A més, també es demanaran comentaris sobre articles i referències bibliogràfiques.
En finalitzar el curs, l’alumnat haurà de preparar resums crítics de diferents tecnologies, expressant i argumentant criteris de bones pràctiques.
Un altre component clau de l’avaluació serà una tasca crítica que implicarà l’ús d’eines d’Intel·ligència Artificial Generativa, aplicades a un dels temes tractats durant el curs. Aquesta tasca haurà d’incloure una reflexió sobre les limitacions i el potencial d’aquestes tecnologies en l’àmbit de les Humanitats Digitals. Els detalls específics sobre el format, els criteris i els terminis seran explicats i debatuts a classe pel professorat.
No es permet l’avaluació única.
En el moment de realitzar cada activitat d’avaluació, el professorat informarà l’alumnat (a través del Moodle) del procediment i la data per a la revisió de qualificacions.
Procediment de recuperació: només serà recuperable la tasca final (resum crític). Aquesta decisió es prendrà cas per cas, després d’una entrevista personal entre l’estudiant i el professorat.
La data de lliurament per a la recuperació també es determinarà cas per cas i de mutu acord entre el professorat i l’estudiant.
L’estudiant rebrà una qualificació de "No avaluable" si no lliura cap de les activitats sol·licitades.
Si un/a estudiant comet alguna irregularitat que pugui alterar de manera significativa la qualificació d’una activitat d’avaluació, aquesta activitat serà qualificada amb un 0, independentment de qualsevol procediment disciplinari que es pugui iniciar. Si es produeixen múltiples irregularitats en les activitats d’avaluació d’una mateixa assignatura, la qualificació final serà 0.
Aquest curs recomana l’ús de tecnologies d’Intel·ligència Artificial (IA) com a part integral del desenvolupament de les tasques, sempre que el resultat final reflecteixi una aportació significativa de l’estudiant en termes d’anàlisi i reflexió personal. L’estudiant haurà de:
(i) identificar quines parts han estat generades amb IA;
(ii) especificar les eines utilitzades; i
(iii) incloure una reflexió crítica sobre com aquestes eines han influït en el procés i en el resultat final de l’activitat.
La manca de transparència en l’ús de la IA en aquesta activitat avaluable serà considerada una falta d’honestedat acadèmica i es penalitzarà amb una qualificació de 0 sense possibilitat de recuperació, o amb sancions més greus en els casos més severs.
Bibliografia
Referencies adicionals es proporcionaràn a través del Campus Virtual-MOOC
Referencies generals:
Alkemade, H., Claeyssens, S., Colavizza, G., Freire, N., Lehmann, J., Neudeker, C., & Osti, G. (2023). Datasheets for digital cultural heritage datasets. Journal of open humanities data, 9(17), 1-11.
Belhi, A., Bouras, A., Al-Ali, A. K., & Sadka, A. H. (2021). Data Analytics for Cultural Heritage. Springer International Publishing.
Bishop, C. M., & Bishop, H. (2023). Deep learning: Foundations and concepts. Springer Nature.
Burger, W., & Burge, M. J. (2022). Digital image processing: An algorithmic introduction. Springer Nature.
Cameron, F. R. (2021). The future of digital data, heritage and curation: in a more-than-human world. Routledge.
Chen, L., Li, S., Bai, Q., Yang, J., Jiang, S., & Miao, Y. (2021). Review of image classification algorithms based on convolutional neural networks. Remote Sensing, 13(22), 4712.
D'Amico, S., & Venuti, V. (Eds.). (2022). Handbook of Cultural Heritage Analysis. Cham: Springer.
Jung, A. (2022). Machine learning: the basics. Springer Nature.
Lauro, V., & Lombardo, V. (2023). The cataloging and conservation of digital survey in archaeology: A photogrammetry protocol in the context of digital data curation. Heritage, 6(3), 3113-3136.
Mason, M., & Vavoula, G. (2021). Digital cultural heritage design practice: a conceptual framework. The Design Journal, 24(3), 405-424.
Mueller, J. P., & Massaron, L. (2021). Machine learning for dummies. John Wiley & Sons.
Petrou, M. M., & Kamata, S. I. (2021). Image processing: dealing with texture. John Wiley & Sons.
Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. Packt Publishing Ltd.
Salaba, A., & Chan, L. M. (2023). Cataloging and classification: an introduction. Rowman & Littlefield.
Shih, F. Y. (2010). Image processing and pattern recognition: fundamentals and techniques. John Wiley & Sons.
Uchida, S. (2013). Image processing and recognition for biological images. Development, growth & differentiation, 55(4), 523-549.
Werling, S., & Radio, E. (2025). Comparing Critical Cataloging Procedures and Developing Local Policies in the Context of Digital Library Metadata. Journal of Library Metadata, 25(1), 33-55.
Tejasree, G., & Agilandeeswari, L. (2024). An extensive review of hyperspectral image classification and prediction: techniques and challenges. Multimedia Tools and Applications, 83(34), 80941-81038.
Zhang, D., Islam, M. M., & Lu, G. (2012). A review on automatic image annotation techniques. Pattern Recognition, 45(1), 346-362.
Programari
En general:
The GIMP, https://www.gimp.org/
Google Teachable Machines, https://teachablemachine.withgoogle.com/
Altres prograes seràn recomanats a classe
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (SEMm) Seminaris (màster) | 1 | Espanyol | segon quadrimestre | tarda |