Guia docente | ||||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2018_19 | |||||||||||||||||||||||||||||||||||||||
Asignatura | VISION ARTIFICIAL | Código | 00709043 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
6 | Optativa | Cuarto | Segundo |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | ING.ELECTR.DE SIST. Y AUTOMATI |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | ealeg@unileon.es vgonc@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http:// | |||||||||||||||||||||||||||||||||||||||
Descripción general | Este curso cubre los aspectos fundamentales de la visión artificial enfocándose principalmente en sus aplicaciones prácticas como son la detección de personas y objetos, el reconocimiento de rostros, la detección y recuperación de imágenes y videos similares. Durante las clases teóricas se explican los principales conceptos relacionados con la visión artificial. En el laboratorio, se aprende Python durnate las primeras sesiones introduciendo gradualmente el uso de librerías para procesar imágenes, video y relacionadas con aprendizaje automático. La asignatura se evalúa a través de los resultados presentados por el alumno en la realización de un proyecto sobre visión, elegido por él de entre los propuestos y realizado en Python. | |||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Código | |
A8497 | 709CA32 Capacidad para detectar qué problemas son resolubles mediante técnicas de visión artificial |
A8499 | 709CA34 Capacidad para diseñar sistemas de adquisición de imágenes, procesarlas y utilizarlas para analizar su contenido. |
A8504 | 709CA39 Capacidad para evaluar sistemas de visión artificial y los beneficios de su aplicación |
A8571 | 709CAT1 Análisis y resolución de problemas |
A8602 | 709CAT35 Trabajo en equipo |
C2 | CMECES2 Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio. |
C4 | CMECES4 Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado |
C5 | CMECES5 Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía |
Resultados de aprendizaje |
Resultados | Competencias | ||
Comprender los principales conceptos relacionados con la visión por computador y el procesamiento digital de imagen Entender y saber programar técnicas de descripción y reconocimiento de objetos basadas en visión artificial Aprender a utilizar Matlab para programar aplicaciones sencillas de visión artificial Ser capaz de utilizar las técnicas de visión artificial aprendidas para resolver nuevos problemas | A8497 A8499 A8504 A8571 A8602 |
C2 C4 C5 |
Contenidos |
Bloque | Tema |
Teoría | 1. Introducción a la Visión Artificial 2. Conceptos Básicos 3. Preprocesamiento 4. Detección de bordes 5. Segmentación 6. Detección de esquinas 7. Descriptores 8. Clasificación 9. Aprendizaje profundo |
Prácticas | Diversas prácticas relacionadas con los temas impartidos en teoría, orientadas a aprender a programar en Python y, al mismo tiempo, a utilizar dicho lenguaje para resolver problemas relacionados con visión artificial. |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Resolución de problemas/ejercicios en el aula ordinaria | 20 | 0 | 20 | ||||||
Prácticas en laboratorios | 75 | 0 | 75 | ||||||
Sesión Magistral | 45 | 0 | 45 | ||||||
Realización y exposición de trabajos. | 10 | 0 | 10 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Resolución de problemas/ejercicios en el aula ordinaria | Ejercicios resueltos en el encerado y también mediante diapositivas y ejemplos utilizando Excel. |
Prácticas en laboratorios | Las prácticas de la asignatura se realizarán utilizando Python (3.5 o posterior). Disponible en el laboratorio F3 aunque se recomienda que cada estudiante lo instale también en su ordenador personal. Se realizará una primera práctica de instalación y conocimiento del entorno, varias prácticas orientadas al aprendizaje básico de Python y en el resto de prácticas se utilizarán diversas librerías de visión y aprendizaje para practicar en la aplicación de descriptores a imágenes y su clasificación. Utilización de Python 3.5 a partir de la instalación del entorno Anaconda (https://www.continuum.io/downloads). Se utilizará el IDE Spyder, incluido en dicha instalación. |
Sesión Magistral | Sesiones teóricas en el aula utilizando diapositivas. |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Realización y exposición de trabajos. | La asignatura se evaluará mediante la realización y presentación de un proyecto que se dividirá en las siguientes 5 fases, valiendo cada una de ellas 20 puntos con los que se evalúa el trabajo propuesto. 1. El estudiante realizará un estudio teórico del tema que reflejará en una memoria que entregará y será evaluada. Dicha memoria contendrá una descripción del problema, explicación de su interés y una revisión de trabajos realizados publicados. Este estudio se entregará a mediados de marzo. 2. En una segunda etapa, el estudiante realizará una revisión de las posibles implementaciones disponibles relacionadas con la temática seleccionada. Será una revisión crítica que concluirá con unas conclusiones sobre las posibilidades y limitaciones de las implementaciones de los métodos revisados. Este estudio se entregará a finales de marzo. 3. Como resultado del estudio anterior el estudiante seleccionará una de las implementaciones revisadas, o realizará una implementación propia si así lo desea, y evaluará el método con un dataset conocido o con uno propio construido por él mismo. Con esta implementación el estudiante evaluará el método estudiado y comprobará, de forma práctica, su funcionamiento. 4. El estudiante preparará y realizará una breve presentación durante las últimas semanas de clase. La presentación es parte de la evaluación y se pide la asistencia a esa clase a todos los alumnos. 5. Después de la presentación, se realizará un examen de validación donde cada estudiante tendrá que contestar diversas preguntas relacionadas con el tema estudiado. |
90 | |
Otros | Participación en la asignatura medida en función de la intervención y actitud del alumno en las clases teóricas, su colaboración en la revisión de los materiales y su interacción con el profesor. Adicionalmente, será posible pedirles a los estudiantes que completen cursos online en la plataforma MOOC Datacamp, si esta sigue disponible para el curso. Cada curso finalizado podrá sumar hasta 5 puntos adicionales al estudiante. En ese caso, las 5 actividades de evaluación previas tendrán un valor de 15 puntos cada una, en lugar de los 20 asignados en el caso de que los cursos de Datacamp no estén disponibles. |
10 | |
Otros comentarios y segunda convocatoria | |||
<p>Las entregas retrasadas sufrirán una penalización en la nota.</p><div><br /></div><div>Los alumnos que no superen alguna de las asignaciones (homework) o el proyecto final (Final Project) en la evaluación continua, podrán entregar lo que les falte en el periodo correspondiente a la primera convocatoria ordinaria. </div><div><br /></div><div><br /></div><div>Para superar la asignatura en la segunda convocatoria ordinaria, el alumno deberán entregar las dos asignaciones solicitadas y el proyecto final (homeworks y FinalProject). La superación de la asignatura en la segunda convocotaria supone una penalización que se aplicará sobre la nota obtenida.</div> |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica | |
Richard Szeliski. Computer Vision: Algorithms and Applications, Springer, 2011 (pdf available online: http://szeliski.org/Book/) Pattern Classification (2nd Edition), by R.O. Duda, P.E. Hart, and D.G. Stork, Wiley-Interscience, 2000. Alegre, E., Sánchez, L., Fernández, R.A. y Mostaza, J.C. (2003). Procesamiento Digital de Imagen: Fundamentos y Prácticas con Matlab. Secretariado de Publicaciones y Medios Audiovisuales de la Universidad de León. González, R. C. y Woods, R. E. (2008). Digital Image Processing (Third Edition). Prentice Hall. |
|
Complementaria | |
Pajares, G y de la Cruz, J.M. (2001). Visión por Computador. Ra-ma. González, J. (2000). Visión por Computador. Paraninfo. González, R. C. y Woods, R. E. (1996). Tratamiento digital de imágenes. Addison-Wesley /Diaz de Santos. Shapiro, L. & Stockman G. (2001). Computer Vision. Prentice-Hall. Parker, J.R. (1997). Algorithms for image processing and computer vision. John Wiley & Sons, Inc. Trucco, E. & Verri, A. (1998). Introductory Techniques for 3-D Computer Vision. Prentice-Hall. Maravall, D. (1993). Reconocimiento de formas y visión artificial. Ra-ma Davies, E.R. (1996). Machine Vision: Theory, Alforithms, Practicalities. Academic Press. |
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente | ||
|