Tribunal titular

Cargo

Departamento

Profesor

Presidente

ING.ELECTR.DE SIST. Y AUTOMATI

FOCES MORAN , JOSE MARIA

Secretario

ING.ELECTR.DE SIST. Y AUTOMATI

FUERTES MARTINEZ , JUAN JOSE

Vocal

ING.ELECTR.DE SIST. Y AUTOMATI

REGUERA ACEVEDO , PERFECTO

Tribunal suplente

Cargo

Departamento

Profesor

Presidente

ING.ELECTR.DE SIST. Y AUTOMATI

RIESCO PELAEZ , FELIX

Secretario

ING.ELECTR.DE SIST. Y AUTOMATI

ALAIZ RODRIGUEZ , ROCIO

Vocal

ING.ELECTR.DE SIST. Y AUTOMATI

GARCIA RODRIGUEZ , ISAIAS

Básica

Mohamed Elgendy. Deep Learning for Vision Systems. Manning. 2020

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.

Código
A18131	709ULE13 Capacidad para diseñar sistemas de adquisición de imágenes, procesarlas y utilizarlas para analizar su contenido.
B5614	709CG4 Capacidad para definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas, de acuerdo con los conocimientos adquiridos.
B5619	709CG9 Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.
B5623	709CT1 Capacidad para el análisis, síntesis, resolución de problemas y la toma de decisiones.
B5625	709CT3 Capacidad para comunicar y transmitir de forma oral o por escrito conocimientos y razonamientos derivados de su trabajo individual o en grupo de forma clara y concreta.
B5627	709CT5 Capacidad de trabajo en equipo, asumiendo diferentes roles dentro del grupo.
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	Competencias
Conocer los conceptos básicos del procesamiento de imágenes y de los sistemas de visión artificial	A18131	B5614 B5619 B5623 B5625	C2 C5
Conocer y saber aplicar las principales operaciones de preprocesamiento, segmentación y descripción de imágenes y objetos en imágenes.	A18131	B5614 B5623	C4 C5
Saber reconocer o clasificar objetos e imágenes.	A18131	B5614 B5619 B5623 B5625	C2 C4 C5
Ser capaz de aplicar Python para ejecutar y crear sistemas básicos de visión artificial	A18131	B5614 B5619 B5623 B5625 B5627	C4 C5

Bloque	Tema
Bloque I. TEORÍA	Tema 1: INTRODUCCIÓN A LA VISIÓN ARTIFICIAL Qué es la visión artificial. Su uso. Ventajas y limitaciones. Tema 2: CONCEPTOS BÁSICOS Conceptos de imagen, resolución, modelos y modos de color. Tema 3: PREPROCESAMIENTO Principales operaciones para preprocesar imágenes (aritméticas, lógicas, morfológicas) Tema 4: DETECCIÓN DE BORDES Concepto de borde. Métodos para detectar bordes. Filtros paso alto para detección de bordes. Tema 5: DETECCIÓN DE ESQUINAS Concepto de esquina. Principales detectores (Moravec y Harris). Tema 6: SEGMENTACIÓN Concepto de segmentación. Uso de filtros como forma de segmentación. Métodos de segmentación por umbralización. Segmentación orientada a regiones. Tema 7: DESCRIPTORES Concepto de descriptor. Descriptores de forma. Descriptores de textura. Descriptores basados en características locales invariantes. BoVW. Clasificación de imágenes con BoVW. Tema 8: APRENDIZAJE AUTOMÁTICO Aprendizaje supervisado. Principales métodos de aprendizaje supervisado. Clustering. Métodos de evaluación. Tema 9: DEEP LEARNING Partes fundamentales de las redes neuronales. Función de coste. Entrenamiento de redes neuronales. Optimización. Apredinzaje profundo para clasificación de imágenes.
Bloque II. PRÁCTICAS	Diversas prácticas orientadas a aprender a programar en Python y, al mismo tiempo, a utilizar dicho lenguaje para resolver problemas relacionados con visión artificial.

Metodologías :: Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Resolución de problemas/ejercicios en el aula ordinaria	8	12	20

Prácticas en laboratorios	30	24	54

Sesión Magistral	22	44	66

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

	descripción
Resolución de problemas/ejercicios en el aula ordinaria	Realización de ejercicios usando diversos medios como puede ser en la tableta, en el encerado y también mediante diapositivas y ejemplos utilizando Excel. También se podrán dejar ejercicios en Agora, con soluciones, la mayoría de las veces también con ejemplos resueltos en Excel.
Prácticas en laboratorios	Las prácticas de la asignatura se realizarán utilizando Python (3.X). 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.X a partir de la instalación del entorno Anaconda (https://www.continuum.io/downloads). Preferiblemente se utilizará el IDE Spyder, incluido en dicha instalación. Las prácticas se realizarán siguiendo los guiones dejados en Agora. Las dudas se resolverán consultando al profesor. Se entregará su solución en una tarea habilitada para ello en Agora.
Sesión Magistral	Sesiones teóricas en el aula utilizando diapositivas. También se podrán dejar presentaciones o documentos correspondientes a los materiales de cada lección en Agora. Las lecciones podrán ir acompañadas de vídeos relacionados con los conceptos presentados, algunos grabados por los profesores y otros procedentes de recursos de internet que los profesores consideren especialmente apropiados. Algunas lecciones irán acompañadas de un cuestionario con preguntas, que podrán ser tanto teóricas como prácticas, cuyas entregas serán evaluables. Previsiblemente se utilizarán cursos de la plataforma Datacamp, o cursos similares, para reforzar algunas lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios.

	descripción	calificación
Realización y exposición de trabajos.	55 puntos (sobre 100) La asignatura se evaluará mediante la realización y presentación de un proyecto que se dividirá en las siguientes cuatro fases. 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. 2. 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. 3. El estudiante preparará y realizará una breve presentación que contendrá tanto la parte teórica como la práctica. La presentación será evaluada por el profesor. 4. Después de la presentación, se realizará un examen de validación donde cada estudiante tendrá que contestar diversas preguntas relacionadas con el tema estudiado.	55
Otros	30 puntos (sobre 100) Se evaluará las actividades obligatorias presentadas por los alumnos. El alumno deberá entregar todas las actividades indicadas como obligatorias que serán evaluadas por el profesorado. Para aprobar el curso, debe entregarse correctamente al menos el 50% de las actividades obligatorias. 15 puntos (sobre 100) Participación en la asignatura medida en función de la intervención y actitud del alumno en las clases teóricas, la entrega de actividades voluntarias propuestas, su colaboración en la revisión de los materiales y su interacción con el profesor. Se valorará especialmente la realización de actividades voluntarias.	45

Otros comentarios y segunda convocatoria
Las entregas retrasadas sufrirán una penalización en la nota. Todas las entregas del proyecto serán evaluadas adicionalmente mediante un examen de validación. Los estudiantes que no pasen la evaluación continua, podrían entregar en la segunda convocatoria, lo que les falta por entregar de la primera convocatoria ordinaria. Opcionalmente, los estudiantes también podrían aprobar el curso en la segunda convocatoria, realizando un examen teórico y práctico que cubrirá todos los materiales presentados durante el curso. Para aprobar en la segunda convocatoria, será obligatorio presentar el Proyecto de la asignatura. Debe entregarse y superarse al menos el 50% de las actividades obligatorias para aprobar el curso.