Guía docente de Extracción de Características en Imágenes (M51/56/3/20)
Máster
Módulo
Rama
Centro Responsable del título
Semestre
Créditos
Tipo
Tipo de enseñanza
Profesorado
- Jesús Chamorro Martínez
- Rafael Molina Soriano
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
- Extracción y representación de rasgos
- Proyección y detección de anomalías en imágenes usando PCA
- Proyección y detección de anomalías en imágenes usando PPCA
- 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/
- I. Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016 http://www.deeplearningbook.org/
- C.M. Bishop and H. Bishop, Deep Learning: Foundations and Concepts, Springer, 2024 (accesible desde la UGR)
- S.J.D. Prince, Understanding Deep Learning, MIT Press https://udlbook.github.io/udlbook/
Bibliografía complementaria
- R. Szeliski, Computer Vision: Algorithms and Applications, Springer, 2022. http://szeliski.org/Book/
- Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J., Dive into Deep Learning, 2022. https://d2l.ai/
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 (Teórico/Prácticas) |
Ponderación |
|
Entrega 1: Extracción, representación y clasificación de rasgos basada en descriptores |
40% |
| Entrega 2: Reducción de dimensionalidad basadas en PCAs | 20% |
| Entrega 3: Modelos probabilísticos de PCAs | 20% |
| Entrega 4: Inferencia Variacional y modelos generativos | 20% |
|
Total |
100.00% |
En las actividades formativas se propondrá la realización de diversos proyectos individuales que se evaluarán a lo largo de la asignatura. Estos proyectos contendrán tanto preguntas teóricas como la implementación práctica de diversos modelos para la extracción de rasgos y clasificación. Las preguntas teóricas representarán el 50% de la calificación total.
La nota final será:
Nota final = 0.4*Entrega1+0.2*Entrega2+0.2*Entrega3+0.2*Entrega4
Evaluación Extraordinaria
Convocatoria extraordinaria
La siguiente tabla se utilizará para la evaluación extraordinaria
|
Actividades Formativas (Teórico/Prácticas) |
Ponderación |
|
Entrega 1: Extracción, representación y clasificación de rasgos basada en descriptores |
40% |
| Entrega 2: Reducción de dimensionalidad basadas en PCAs | 20% |
| Entrega 3: Modelos probabilísticos de PCAs | 20% |
| Entrega 4: Inferencia Variacional y modelos generativos | 20% |
|
Total |
100.00% |
En las actividades formativas se propondrá la realización de diversos proyectos individuales que se evaluarán a lo largo de la asignatura. Estos proyectos contendrán tanto preguntas teóricas como la implementación práctica de diversos modelos para la extracción de rasgos y clasificación. Las preguntas teóricas representarán el 50% de la calificación total.
La nota final será:
Nota final = 0.4*Entrega1+0.2*Entrega2+0.2*Entrega3+0.2*Entrega4
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 las mismas cuatro entregas que en la convocatoria extraordinaria, con la misma ponderación que en dicha convocatoria. |