| Competencias del título |
| Código | Competencias del título |
| A1 | CE1 - Conocer y aplicar los conceptos, metodologías y tecnologías de procesado de imagen |
| A3 | CE3 - Conocer y aplicar los conceptos, metodologías y tecnologías de análisis de imagen y vídeo |
| A4 | CE4 - Concebir, desarrollar y evaluar sistemas complejos de visión por computador |
| A5 | CE5 - Analizar y aplicar métodos del estado de la técnica en visión por computador |
| B1 | CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
| B5 | 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 |
| B7 | CG2 - Capacidad para analizar las necesidades de una empresa en el ámbito de la visión por computador y determinar la mejor solución tecnológica para la misma |
| B8 | CG3 - Capacidad para desarrollar sistemas de visión por computador dependiendo de las necesidades existentes y aplicar las herramientas tecnológicas más adecuadas |
| B10 | CG5 - Capacidad para identificar problemas sin resolver y aportar soluciones innovadoras |
| B12 | CG7 - Capacidad de aprendizaje autónomo para la especialización en uno o más campos de estudio |
| Resultados de aprendizaje | |||
| Resultados de aprendizaje | Competencias del título | ||
| Estudiar y aplicar técnicas avanzadas de procesamiento de imagen digital. | AM1 |
BM5 BM12 |
|
| Estudiar y aplicar técnicas avanzadas de análisis de imagen digital. | AM3 |
BM5 BM12 |
|
| Análisis de problemas reales, y diseño y desarrollo de soluciones basadas en tecnologías avanzadas de procesado y análisis de imagen. | AM4 AM5 |
BM1 BM5 BM7 BM8 BM10 BM12 |
|
| Evaluación de la adecuación de las metodologías aplicadas en problemas específicos. | AM4 |
||
| Contenidos |
| Tema | Subtema |
| Eliminación de ruido avanzado | Total variation |
| Detección de bordes avanzada | Filtro bilateral Difusión anisotrópica Congruencia de fase |
| Segmentación avanzada | Modelos deformables Métodos de conjuntos de niveles Markov Random Fields Graph cuts |
| Segmentación basada en aprendizaje | Active shape/appearance models |
| Modelos de atención y prominencia | |
| Temas seleccionados en procesado y análisis de imagen avanzada | Segmentación semántica Mejora multivista Superresolución Inpainting Coloring Photo stitching Eliminación de fondo |
| Planificación | ||||
| Metodologías / pruebas | Competéncias | Horas presenciales | Horas no presenciales / trabajo autónomo | Horas totales |
| Prácticas de laboratorio | A1 A3 A4 A5 B5 B7 B8 B10 B12 | 25 | 84 | 109 |
| Prueba objetiva | B1 B8 B10 | 3 | 0 | 3 |
| Sesión magistral | A1 A3 | 14 | 24 | 38 |
| Atención personalizada | 0 | 0 | ||
| (*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos | ||||
| Metodologías |
| Metodologías | Descripción |
| Prácticas de laboratorio | Análisis y resolución de casos prácticos usando técnicas aprendidas en las sesiones magistrales. |
| Prueba objetiva | Examen escrito con preguntas sobre los contenidos teóricos y problemas prácticos de la materia. |
| Sesión magistral | Exposición oral complementada con el uso de medios audiovisuales y la introducción de preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. |
| Atención personalizada |
|
|
| Evaluación | |||
| Metodologías | Competéncias | Descripción | Calificación |
| Prueba objetiva | B1 B8 B10 | Prueba escrita con cuestiones teóricas y problemas prácticos a resolver. | 40 |
| Prácticas de laboratorio | A1 A3 A4 A5 B5 B7 B8 B10 B12 | Tareas que consistirán en el desarrollo de aplicaciones de procesado de imagen y visión por computador. Se evaluará la adecuación de las soluciones propuestas y la calidad dos resultados obtenidos. | 60 |
| Observaciones evaluación | |||
| Fuentes de información |
| Básica |
Simon J.D. Prince (2012). Computer Vision: Models, Learning, and Inference. Cambridge University Press
David A. Forsyth, Jean Ponce (2002). Computer vision: a modern approach. Prentice - Hall
Richard Szeliski (2010). Computer vision: algorithms and applications. Springer
Ian Goodfellow, Yoshua Bengio, Aaron Courville (2016). Deep learning. MIT Press
Gary Bradski, Adrian Kaehler (2008). Learning OpenCV. O'Reilly |
|
|
|
| Complementária | |
|
|
| Recomendaciones | |||
| Asignaturas que se recomienda haber cursado previamente | |||
|
| Asignaturas que se recomienda cursar simultáneamente | ||
|
| Asignaturas que continúan el temario |
| Otros comentarios | |