Guía docente de Extracción de Características en Imágenes (M51/56/3/20)

Curso 2022/2023
Fecha de aprobación por la Comisión Académica 05/07/2022

Máster

Máster Universitario en Ciencia de Datos e Ingeniería de Computadores

Módulo

Módulo de Modelos Avanzados de Ciencias de Datos

Rama

Ingeniería y Arquitectura

Centro Responsable del título

International School for Postgraduate Studies

Semestre

Primero

Créditos

3

Tipo

Optativa

Tipo de enseñanza

Presencial

Profesorado

  • Jesús Chamorro Martínez
  • Rafael Molina Soriano

Tutorías

Jesús Chamorro Martínez

Email
  • Tutorías 1º semestre
    • Martes 18:00 a 29:00 (D28 Etsiit)
    • Miércoles 18:00 a 20:00 (D28 Etsiit)
    • Miercoles 18:00 a 20:00 (D28 Etsiit)
    • Jueves 18:00 a 20:00 (D28 Etsiit)
  • Tutorías 2º semestre
    • Lunes 19:30 a 21:30 (D28 Etsiit)
    • Martes 18:30 a 20:30 (D28 Etsiit)
    • Miercoles 19:30 a 21:30 (D28 Etsiit)
    • Miércoles 19:30 a 21:30 (D28 Etsiit)

Rafael Molina Soriano

Email
  • Tutorías 1º semestre
    • Lunes 8:00 a 9:30 (D6 Etsiit)
    • Martes 8:00 a 9:30 (D6 Etsiit)
    • Martes 17:00 a 20:00 (D6 Etsiit)
  • Tutorías 2º semestre
    • Miércoles 10:30 a 13:30 (D6 Etsiit)
    • Miercoles 10:30 a 13:30 (D6 Etsiit)
    • Jueves 10:30 a 13:30 (D6 Etsiit)

Breve descripción de contenidos (Según memoria de verificación del Máster)

  • Problemas de interés en la clasificación de imágenes
  • Técnicas de detección y descripción de regiones relevantes
  • El modelo de bolsa de palabras: estimación del diccionario
  • Técnicas de codificación de nuevas observaciones.
  • Combinación de características: modelos espaciales y piramidales
  • Técnicas de normalización y reducción de dimensionalidad
  • Técnicas de aprendizaje automático de características

Prerrequisitos y/o Recomendaciones

No es necesario que los estudiantes tengan aprobadas asignaturas, materias o módulos previos como requisito indispensable para cursar la asignatura

Competencias

Competencias Básicas

  • CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
  • CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Resultados de aprendizaje (Objetivos)

  • Capacidad para comprender la imagen como un dato
  • Capacidad para identificar y extraer las informaciones codificadas en la imagen
  • Capacidad de resumir una imagen en un conjunto de regiones de interés
  • Capacidad para usar los modelos de representación de una imagen basados en diccionarios
  • Capacidad para  modelar la extracción automática de características
  • Capacidad para usar los rasgos en modelos de regresión y clasificación probabilísticos

Programa de contenidos Teóricos y Prácticos

Teórico

 

  • Introducción
  • Extracción y Representación de Rasgos
    • Representación de rasgos
    • Rasgos de objetos binarios
    • Rasgos basados en color
    • Rasgos basados en texturas
    • Rasgos basados en formas
    • Rasgos basados en histogramas
  • Reducción de dimensionalidad
    • Selección de rasgos
    • Análisis de Componentes Principales (PCA)
    • Núcleos (Kernels)
    • KPCA
  • Fundamentos de Probabilidad
    • Variable aleatoria
    • Probabilidad conjunta
    • Marginalización
    • Probabilidad condicionada
    • La regla de Bayes
    • Indepencia
    • Esperanza
    • La distribución normal
  • Modelos probabilísticos para patrones visuales. PPCA
    • Modelo
    • Estimación de parámetros por máxima verosimilitud
    • Estimación usando inferencia variacional
  • Introducción al aprendizaje profundo probabilístico
    • Modelización
    • Inferencia Variacional
    • Procesos Gaussianos
    • Autoencoder Variacional (VAE)

Práctico

Realización de guiones de prácticas sobre

  1. Extracción y representación de rasgos
  2. Proyección y detección de anomalías en imágenes usando PCA
  3. Proyección y detección de anomalías en imágenes usando PPCA
  4. Generación de imágenes VAEs 

Bibliografía

Bibliografía fundamental

  • M. Nixon, A.S. Aguado Feature Extraction & Image Processing for Computer Vision, Academic Press, 2012
  • S. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012 http://www.computervisionmodels.com/
  • K.P. Murphy, Probabilistic Machine Learning a book series, 2022, https://probml.github.io/pml-book/
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016 http://www.deeplearningbook.org/

Bibliografía complementaria

Enlaces recomendados

Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: http://masteres.ugr.es/datcom/

Metodología docente

Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)

Evaluación Ordinaria

Todo lo relativo a la evaluación se regirá por la Normativa de evaluación y calificación de los estudiantes vigente en la Universidad de Granada, que puede consultarse en: 

http://secretariageneral.ugr.es/bougr/pages/bougr112/_doc/examenes/!

Preferentemente, la evaluación se ajustará al sistema de evaluación continua del aprendizaje del estudiante siguiendo el artículo 7 de la anterior Normativa.

 

Convocatoria ordinaria

Se utilizarán las siguientes técnicas de evaluación:

Actividades Formativas

Ponderación

Parte Prácticas (Cuatro entregas)  

100.00%

 

  1. Para la parte práctica se propondrán la realización de diversos proyectos individuales que se evaluarán a lo largo de la asignatura. La ponderación de este bloque es el  100%.

 

la nota final será:

Nota final = 0.4*Entrega1+0.2*Entrega2+0.2*Entrega3+0.2*Entrega4

 

Nota: En llas entregas prácticas se cubren también los aspectos teóricos de la asignatura. Éstos representarán el 50% de la calificación total.

Evaluación Extraordinaria

Convocatoria extraordinaria

La siguiente tabla se utilizará para la evaluación extraordinaria

Actividades Formativas

Ponderación

Parte Teórica (examen)

20.00%

Parte Práctica (entrega de 3 trabajos)

 80.00%

 

la nota final será:

Nota final = 0,2* examen+0.4*entrega1+0.2*entrega2+0.2*entrega3

Evaluación única final

El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante que no pueda cumplir con el método de evaluación continua por causas justificadas.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

Esta modalidad de evaluación se realizará en un único acto académico en la fecha establecida por el Centro y consistirá en un examen escrito puntuado entre 0 y 2 puntos y la entrega de las tres mismas prácticas que en el convocatoria extraordinaria y con la misma ponderación que en dicha convocatoria.

Información adicional