Acerca de este Curso
8,889

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Aprox. 31 horas para completar

Sugerido: 6 weeks, 5 - 6 hours per week...

Español (Spanish)

Subtítulos: Español (Spanish)

Habilidades que obtendrás

Machine LearningAlgorithmsSupport Vector Machine (SVM)Object DetectionImage Processing

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Aprox. 31 horas para completar

Sugerido: 6 weeks, 5 - 6 hours per week...

Español (Spanish)

Subtítulos: Español (Spanish)

Programa - Qué aprenderás en este curso

Semana
1
3 horas para completar

INTRODUCCIÓN A LA DETECCIÓN DE OBJETOS

En esta primera semana explicaremos los fundamentos de un detector de objetos. Empezaremos introduciendo los conceptos básicos de la formación y el análisis de imágenes, para aplicarlos en el diseño de detectores simples basados en las características de los píxeles de la imagen. Finalmente, explicaremos los conceptos de correlación y convolución y veremos cómo se pueden utilizar en la detección de objetos....
7 videos (Total 93 minutos), 5 readings, 1 quiz
7 videos
L1.1. Introducción a la detección de objetos11m
L1.2. Formación de la imagen11m
L1.3. Características de píxel13m
L1.4. Componentes conexas14m
L1.5. Template matching22m
L1.6. Características locales17m
5 lecturas
Temario10m
Formato del curso y evaluación10m
Preguntas frecuentes10m
Enlaces relacionados10m
Materiales complementarios10m
1 ejercicio de práctica
Cuestionario 120m
Semana
2
2 horas para completar

CLASIFICACIÓN DE OBJETOS

En esta semana explicaremos el concepto de clasificador de ventana como forma de decidir si una ventana candidata contiene una instancia del objeto que queremos detectar o no. Lo ilustraremos utilizando LBP como descriptor de la imagen y la regresión logística cómo método de clasificación. Nos fijaremos tanto en la parte de aprendizaje del clasificador como en su utilización para determinar el contenido de una ventana....
9 videos (Total 117 minutos), 1 reading, 1 quiz
9 videos
L2.2.a. Local Binary Patterns13m
L2.2.b. Local Binary Patterns - Variantes (LBP Uniforme)9m
L2.2.c. Histograma LBP por bloques10m
L2.3.a. Regresión logística - Clasificación (I)9m
L2.3.b. Regresión logística - Clasificación (II)13m
L2.4.a. Regresión Logística – Aprendizaje (I)17m
L2.4.b. Regresión Logística – Aprendizaje (II)14m
L2.4.c. Regresión Logística – Aprendizaje (III)23m
1 lectura
Materiales adicionales10m
1 ejercicio de práctica
Cuestionario 220m
Semana
3
2 horas para completar

DETECCIÓN DE OBJETOS

En esta semana nos centraremos primero en la fase de detección de posibles candidatos en la imagen. El conjunto de candidatos que se detecten serán analizados por el clasificador que explicamos en la semana 2 para determinar la presencia del objeto. Además, explicaremos también los pasos necesarios para poder preparar correctamente todos los datos que se utilizan en el aprendizaje y evaluación del detector. Finalmente, veremos cómo podemos evaluar de forma objetiva el rendimiento del detector. ...
9 videos (Total 85 minutos), 3 readings, 1 quiz
9 videos
L3.2.a. Generación de Candidatos – Ventana Deslizante9m
L3.2.b. Generación de Candidatos – Pirámide7m
L3.3. Generación de Candidatos – Refinación10m
L3.4. Anotación, Bootstrapping, Aprendizaje Activo16m
L3.5.a. Evaluación de la clasificación por ventana (I)9m
L3.5.b. Evaluación de la clasificación por ventana (II)10m
L3.6 Evaluación del rendimiento - Evaluación del detector8m
L3.7 Conjuntos de Entrenamiento, Evaluación y Validación9m
3 lecturas
Código ejemplo de detector10m
Ejercicios propuestos sobre el código del detector10m
Materiales adicionales10m
1 ejercicio de práctica
Cuestionario 320m
Semana
4
2 horas para completar

DETECTOR BASADO EN HOG/SVM

En esta semana veremos un segundo ejemplo de sistema de detección de objetos que se basará en la utilización de HOG como descriptor de la imagen y SVM como clasificador. ...
6 videos (Total 70 minutos), 4 readings, 3 quizzes
6 videos
L4.2. HOG - Cálculo del gradiente8m
L4.3. HOG – Cálculo de los histogramas13m
L4.4. HOG – Cálculo del descriptor11m
L4.5. Support Vector Machines (SVM) – Conceptos básicos13m
L4.6. Support Vector Machines (SVM) – Desarrollo matemático12m
4 lecturas
Código ejemplo de detector10m
Ejercicios propuestos sobre el código del detector10m
Materiales adicionales10m
Referencias adicionales10m
3 ejercicios de práctica
Prueba tus conocimientos8m
Prueba tus conocimientos8m
Cuestionario 420m
Semana
5
2 horas para completar

DETECTOR BASADO EN HAAR/ADABOOST

En esta semana veremos un tercer sistema de detección basado en las características de Haar para describir la imagen y Adaboost como clasificador. Para poder explicar las características de Haar explicaremos también el concepto de imagen integral. Veremos cómo entrenar un clasificador con Adaboost que nos permita seleccionar el mejor subconjunto de las características de Haar. Finalmente, explicaremos cómo combinar varios clasificadores en una cascada para poder implementar un sistema completo de detección....
6 videos (Total 66 minutos), 2 readings, 3 quizzes
6 videos
L5.2. Características de Haar 9m
L5.3. Imagen Integral9m
L5.4. Adaboost 15m
L5.5. Cascada de clasificadores13m
L5.6. Detalles de implementación 8m
2 lecturas
Materiales adicionales10m
Referencias adicionales10m
3 ejercicios de práctica
Prueba tus conocimientos8m
Prueba tus conocimientos8m
Cuestionario 520m
Semana
6
3 horas para completar

TÉCNICAS AVANZADAS

En las semanas anteriores hemos visto los métodos más habituales para la detección de objetos. En esta última semana explicaremos algunas técnicas más avanzadas que se pueden utilizar en diferentes fases de la detección y que pueden ser útiles en problemas de detección más complejos. Entre estas técnicas están los modelos no holísticos (DPM, Random Forests), métodos de adaptación de dominio, la utilización de redes neuronales convolucionales, explotar la multi-modalidad en las imágenes y técnicas alternativas para la generación de candidatos....
7 videos (Total 139 minutos), 1 reading, 2 quizzes
7 videos
L6.2. Modelos no holísticos: DPM23m
L6.3. Modelos no holísticos: conjunto de expertos locales16m
L6.4. Adaptación de Dominio30m
L6.5. Convolutional Neural Networks (CNNs)30m
L6.6. Otras modalidades de imagen17m
L6.7. Generación de candidatos13m
1 lectura
Materiales adicionales10m
2 ejercicios de práctica
Cuestionario 620m
Examen final del curso24m
4.6
80 revisionesChevron Right

Principales revisiones

por AMMar 4th 2016

Es un excelente curso de introducción a la detección de objetos. Es claro y posee ejemplos didácticos para entender las diferentes metodologías y algoritmos de este complejo y apasionante tema.

por YMMay 2nd 2018

Una muy buena introducción al tema de la detección de objetos y reconocimiento de patrones, con buenas referencias para iniciar una investigación propia a los tópicos avanzados.

Instructores

Avatar

Antonio López Peña

Titular de Universidad
Departamento de Ciencias de la Computación
Avatar

Ernest Valveny

Catedrático Escuela Universitaria
Departamento de Ciencias de la Computación
Avatar

Maria Vanrell

Profesora Titular de Universidad
Departamento de Ciencias de la Computación

Acerca de Universitat Autònoma de Barcelona

The Universitat Autònoma de Barcelona (UAB) is a public university located in the metropolitan area of Barcelona. International in its outlook, it is fully consolidated within its local surroundings, and offers quality education in close association with research activity, the transfer of scientific, technological, cultural and educational knowledge, the promotion of its human potential and the responsible management of available resources. The UAB currently offers 81 degrees, 130 official Master Programmes and 183 UAB-specific Masters Degrees. In addition, it offers 174 lifelong learning programmes and 65 PhD Programmes, 27 of which have been distinguished through Quality Awards. The UAB has a total of over 3,500 teaching and research staff, over 2,000 administrative staff and over 40,000 students....

Preguntas Frecuentes

  • Una vez que te inscribes para obtener un Certificado, tendrás acceso a todos los videos, cuestionarios y tareas de programación (si corresponde). Las tareas calificadas por compañeros solo pueden enviarse y revisarse una vez que haya comenzado tu sesión. Si eliges explorar el curso sin comprarlo, es posible que no puedas acceder a determinadas tareas.

  • Cuando compras un Certificado, obtienes acceso a todos los materiales del curso, incluidas las tareas calificadas. Una vez que completes el curso, se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes participar del curso como oyente sin costo.

  • Sí, puedes solicitar el certificado antes, durante, o al finalizar el curso.

  • Aunque el curso esté diseñado e impartido por la Universidad Autónoma de Barcelona, el certificado lo emite Coursera.

    ¿Qué información incluye?

    · el título del curso

    · la firma del (o de los) instructor(es)

    · el logo de la UAB

    · una url de verificación que permite a terceras personas comprobar la autenticidad del certificado

  • · créditos académicos de la UAB

    · la calificación final obtenida en el curso

    · tu foto del documento de identidad

    · las horas dedicadas al curso

    Recuerda que el certificado no se envía por correo postal o correo electrónico, sino que se trata de un PDF que puedes descargar e imprimir. También puedes compartirlo electrónicamente.

    Lamentablemente Coursera no puede emitir un certificado de curso con más información de la que ya incluye. Si deseas más información al respeto, por favor consulta las páginas de ayuda de Coursera.

  • No. El certificado confirma que el alumno ha superado el curso, pero no es un título oficial de la Universidad Autónoma de Barcelona.

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.