Guía docente de Visión por Computador (Especialidad Computación y Sistemas Inteligentes) (296114B)

No es necesario que los alumnos tengan aprobadas asignaturas, materias o módulos previos como requisito indispensable para cursar este módulo. No obstante, se recomienda la superación de los contenidos y adquisición de competencias de las materias de formación básica y de rama. En particular, se recomienda haber superado la asignatura de Aprendizaje Automático para poder comprender, con mayor facilidad y en mayor medida, las técnicas de Deep Learning (y otras basadas en aprendizaje) que se aplican en problemas de visión. Del mismo modo, resulta muy recomendable cierta familiaridad con el lenguaje Python, así como con conceptos básicos de álgebra lineal, cálculo y probabilidades. Finalmente, también se recomienda un cierto nivel de inglés (a nivel de lectura), dado que los materiales de teoría están en ese idioma.

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. En este sentido, se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para usar la IA en la UGR" disponible en la siguiente ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia

• Formación de la imagen digital.
• Modelos de representación.
• Técnicas de pre-procesamiento y extracción de características.
• Estimación del movimiento en imágenes.
• Aplicaciones.

Objetivos formativos de carácter general (Competencias según BOE de 4 de Agosto de 2009)

Adquirir, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.

Objetivos formativos de carácter específico:

• Conocer qué es la Visión por Computador, su utilidad, y los problemas y aplicaciones que le son propias.
• Comprender cómo se adquiere y representa una imagen.
• Comprender los fundamentos y técnicas de extracción y emparejamiento de características.
• Aprender a clasificar, caracterizar, segmentar y detectar formas y objetos presentes en imágenes.
• Familiarizarse con las principales técnicas y familias de métodos en el campo de la Visión por Computador, tanto en su vertiente de aprendizaje a partir de datos como en su vertiente geométrica.
• Conocer diferentes ejemplos de aplicación de técnicas de Visión por Computador en problemas reales.

• Tema 1. Introducción a la Visión por Computador.
• Tema 2. Adquisición, representación y filtrado de la imagen digital. Introducción al espacio de escalas.
• Tema 3. Extracción y aprendizaje de características.
• Tema 4. Deep Learning: aprendizaje automático en visión por computador. Ventajas y limitaciones.
• Tema 5. Clasificación, detección y segmentación de escenas y objetos.
• Tema 6. Emparejamiento de características y registrado de imágenes.

• Práctica 1: Filtrado de imágenes (convolución, derivadas y representaciones multiescala)
• Práctica 2: Deep Learning en Visión por Computador
• Práctica 3: Registrado de Imágenes
• Práctica 4: Proyecto Final

• Szeliski, R. (2022). Computer vision: algorithms and applications. Springer Nature.
• Deep Learning for Computer Vision (http://cs231n.stanford.edu/)

• Hartley, R., & Zisserman, A. (2011). Multiple view geometry in computer vision. 2nd Edition. Cambridge university press.
• Forsyth, D. A., & Ponce, J. (2012). Computer vision: a modern approach. 2nd Edition. Pearson.
• Sonka, M., Hlavac, V., & Boyle, R. (2015). Image processing, analysis, and machine vision. 4th Edition. Cengage Learning.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
• Birchfield, S. (2018). Image processing and analysis. Cengage Learning
• Gonzalez, R.C. & Woods, R.E. (2018). Digital Image Processing. Global Edition. 4th Edition. Pearson.
• Molnar, C. (2022). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. 2nd Edition.
• Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning. Cambridge University Press.
• Torralba, A., Isola, P., & Freeman, W.T. (2024). Foundations of Computer Vision. MIT Press.
• Bishop, C.M. & Bishop, H. (2024). Deep Learning. Foundations and Concepts. Springer.

• OpenCV
• fastai
• Keras
• Computer Vision News
• The Computer Vision Foundation
• DeepLearningAI - Computer Vision (Andrew Ng)
• Fundamentals of Computer Vision (Mubarak Shah)
• Deep Learning for Computer Vision (Justin Johnson)
• Computer Vision (Andreas Geiger)
• Distill

• MD01. Lección Magistral (Clases Teóricas-Expositivas) 
• MD02. Actividades Prácticas (Resolución de Problemas, Resolución de Casos Prácticos, Desarrollo de Proyectos, Prácticas en Laboratorio, Taller de Programación, Aula de Informática, Prácticas de Campo). 
• MD03.  Seminarios (Debates, Demos, Exposición de Trabajos Tutelados, Conferencias, Visitas Guiadas, Monografías). 
• MD04. Actividades no presenciales Individuales. 
• MD05. Actividades no presenciales Grupales. 
• MD06. Tutorías Académicas. 

• MD01. Lección magistral.
• MD02. Actividades prácticas.
• MD03. Seminarios.
• MD04. Actividades no presenciales.
• MD05. Tutorías académicas.

Se utilizarán las siguientes técnicas de evaluación:

• Para la parte teórica, se realizará la evaluación a través de una prueba que abarcará cuestiones sobre la materia presentada. Dicha prueba se realizará en horas de clase, y tendrá lugar el última día de clase de teoría.
• Para la parte práctica, se desarrollarán tres prácticas individuales de implementación en Python.
• Se desarrollará un proyecto completo de visión por computador. Este proyecto se realizará en grupo (de cara a potenciar el trabajo en equipo), ahormará aspectos prácticos y teóricos relativos a la resolución de un problema real, y será defendido de forma oral por los estudiantes en la fecha de la convocatoria ordinaria (y días colindantes, en caso de ser necesario por el volumen de alumnos matriculados). Con esta evaluación se busca reforzar la expresión oral del alumnado, así como la capacidad de defender y presentar el trabajo desarrollado, sirviendo también como preparación y ensayo para la exposición y defensa del Trabajo de Fin de Grado (TFG).

El resultado de la evaluación será una calificación numérica obtenida mediante la suma ponderada de las calificaciones correspondientes a una parte teórica, una parte práctica, y la realización del proyecto final. Para aprobar la asignatura es necesario tener una calificación numérica superior o igual a 5 (sobre 10). El peso en la evaluación de cada una de las actividades formativas descritas se ajustará a lo indicado en la siguiente tabla:

La evaluación extraordinaria constará de un examen individual que incluirá contenidos teóricos y prácticos. El objetivo es verificar que el alumno ha adquirido la totalidad de las competencias descritas en esta misma guía docente. Dicho examen representará el 100% de la calificación, en donde al contenido teórico le corresponderá el 50% y al contenido práctico el otro 50%.

La evaluación constará de una evaluación teórica (examen) y del desarrollo de un proyecto completo de visión por computador (de modo individual) cuya defensa se realizará de forma oral. El objetivo, tanto del examen de teoría como del desarrollo del proyecto, es verificar que el alumno ha adquirido la totalidad de las competencias descritas en esta misma guía docente. Ambas pruebas representarán el 50% de la calificación, y se desarrollarán en las mismas fechas que la convocatoria ordinaria.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).