Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 109 Horas de Titorías: 1 Clase Expositiva: 14 Clase Interactiva: 26 Total: 150
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Departamento externo vinculado ás titulacións
Áreas: Área externa Máster en Visión por Computador / Computer Vision
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
-Estudar e aplicar técnicas avanzadas de procesamento de imaxe dixital.
-Estudar e aplicar técnicas avanzadas de análise de imaxe dixital.
- Análise de problemas reais así como deseño e desenvolvemento de solucións baseadas en tecnoloxías avanzadas de procesado e análise de imaxe.
-Avaliación da adecuación das metodoloxías aplicadas en problemas específicos.
Esta materia contén temas avanzados en procesado e análise de imaxe e preséntase como a segunda parte doutra materia onde se tratan os temas fundamentais. Foi deseñada para proporcionar os fundamentos esenciais para estudantes que queiran continuar coa investigación nesta área. Ademais do estudo de técnicas avanzadas en procesado e análise de imaxe, estudaranse aplicacións nesta área para resolver
problemas reais. Esta materia proporciona as ferramentas necesarias para aplicar os algoritmos estudados en casos prácticos así como para desenvolver novos algoritmos.
-Detección de bordes avanzada
Filtro bilateral
Difusión anisotrópica
Congruencia de fase
-Segmentación avanzada Modelos deformables
Métodos de conxuntos de niveis
Markov Random Fields
Graph cuts
-Segmentación basada en aprendizaxe
Active shape/appearance models
-Modelos de atención e prominencia
-Temas seleccionados en procesado e análise de imaxe avanzada
Segmentación semántica
Mellora multivista
Superresolución
Inpainting
Coloring
Photo stitching
Eliminación de fondo
Bibliografía básica
Gary Bradski, Adrian Kaehler (2008). Learning OpenCV. O'Reilly
David A. Forsyth, Jean Ponce (2002). Computer vision: a modern approach. Prentice - Hall
Richard Szeliski (2010). Computer vision: algorithms and applications. Springer
Simon J.D. Prince (2012). Computer Vision: Models, Learning, and Inference.Cambridge University Press
Ian Goodfellow, Yoshua Bengio, Aaron Courville (2016). Deep learning. MIT Press
M. Sonka, V. Hlavac, R. Boyle. Image Processing, Analysis, and Machine Vision. 4th edition. Cengage Learning. 2015
A1 CE1 - Coñecer e aplicar os conceptos, metodoloxías e tecnoloxías de procesado de imaxe
A3 CE3 - Coñecer e aplicar os conceptos, metodoloxías e tecnoloxías de análises de imaxe e vídeo
A4 CE4 - Concibir, desenvolver e avaliar sistemas complexos de visión por computador
A5 CE5 - Analizar e aplicar métodos do estado da técnica en visión por computador
B1 CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
B5 CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomoB7 CG2 - Capacidade para analizar as necesidades dunha empresa no ámbito da visión por computador e determinar a mellor solución tecnolóxica para a mesma
B8 CG3 - Capacidade para desenvolver sistemas de visión por computador dependendo das necesidades existentes e aplicar as ferramentas tecnolóxicas máis axeitadas
B10 CG5 - Capacidade para identificar problemas sen resolver e achegar solucións innovadoras
B12 CG7 - Capacidade de aprendizaxe autónoma para a especialización nun ou máis campos de estudo
Prácticas de laboratorio:
Análise e resolución de casos prácticos usando técnicas aprendidas nas sesións maxistrais.
Proba obxectiva:
Exame escrito con preguntas sobre os contidos teóricos e problemas prácticos da materia.
Sesión maxistral:
Exposición oral complementada co uso de medios audiovisuais e na introducción de preguntas dirixidas aos estudantes, coa finalidade de
transmitir coñecementos e facilitar a aprendizaxe.
Alternativa 1:
Prácticas de laboratorio: Resolución de exercicios prácticos relacionados coas sesións maxistrais. Valorarase a adecuación das solucións propostas aos problemas, a calidade dos resultados obtidos e a comprensión das técnicas utilizadas
Cualificación: 80%
Competencias: A1 A3 A4 A5 B5 B7 B8 B10 B12
Proba de resposta breve: Probas presenciais con cuestións breves sobre os contidos da materia que se utilizarán para avaliar a adquisición dos coñecementos.
Calificación: 20%
Competencias: B1 B8 B10
Alternativa 2:
A proba obxectiva presencial supón o 100% da cualificación final.
O tempo de estudo medio recomendable é de 2 horas semanais. Adicionalmente, deberá contarse o tempo dedicado á realización de traballos de prácticos que estimamos en 6.5 h./semana máis. En total suman arredor de 120h/semestre.
Materias que se recomenda ter cursado previamente:
Fundamentos de Aprendizaxe Automática para Visión por Computador/614535007
Fundamentos de Procesamento e Análise de Imaxe/614535001
Descrición e Modelaxe de Imaxe/614535004
Materias que se recomenda cursar simultaneamente:
Recoñecemento Visual/614535005
Aprendizaxe Automática Avanzada para Visión por Computador/614535008