À propos de ce cours : ¿Te interesa la visión por computador? ¿Te gustaría saber cómo se puede reconocer el contenido visual de las imágenes y clasificarlas a partir de su contenido? En este curso aprenderás diferentes métodos de representación y clasificación de imágenes. El temario del curso te permitirá conocer el esquema básico de clasificación de imágenes conocido como Bag of Visual Words. A partir de este esquema básico aprenderás cómo utilizar varios descriptores locales de la imagen así como los métodos de clasificación más habituales. También describiremos diferentes extensiones del esquema básico que permiten combinar distintos descriptores, incluir información espacial o mejorar la representación final de la imagen. Finalizar el curso te permitirá: • Diseñar soluciones adaptadas para diferentes problemas de clasificación y reconocimiento de imágenes • Conocer las principales técnicas usadas para la descripción y clasificación de una imagen • Acceder a las herramientas que permiten el desarrollo de aplicaciones reales de clasificación de imágenes El curso está orientado tanto a estudiantes universitarios de algún grado relacionado con la informática, la ingeniería o las matemáticas, como a otros estudiantes con conocimientos de programación, interesados en aprender cómo utilizar técnicas de visión por computador para extraer información de las imágenes.
Créé par : Universitat Autònoma de Barcelona
Enseigné par : Ernest Valveny, Catedrático Escuela Universitaria
Departamento de Ciencias de la Computación
Enseigné par : Jordi Gonzàlez Sabaté, Profesor Titular de Universidad
Departamento de Ciencias de la Computación
Enseigné par : Ramon Baldrich Caselles, Profesor titular
Departamento de Ciencias de la Computación
| Engagement | 6 semanas de estudio, 2-3 horas/semana |
| Langue | Spanish |
| Comment réussir | Réussissez tous les devoirs notés pour terminer le cours. |
| Notes des utilisateurs |
Programme de cours
SEMAINE 1
Introducción a la clasificación de imágenes
En esta primera semana explicaremos los fundamentos de la clasificación de imágenes y presentaremos todos los pasos de un primer sistema de clasificación básico. Para ello, primero veremos algunos conceptos básicos sobre el procesamiento de una imagen que nos servirán para introducir un primer método para detectar y describir características locales (SIFT) en una imagen. Luego veremos cómo podemos agrupar estas características locales para representar toda la imagen y explicaremos un primer clasificador simple, k-NN. Finalmente comentaremos los aspectos básicos de la evaluación del rendimiento de un sistema de clasificación de imágenes.
7 vidéos, 9 lectures, 2 quiz pour s'exercer
- Reading: Antes de empezar
- Reading: Temario
- Reading: Formato del curso y evaluación
- Reading: Preguntas frecuentes
- Reading: Enlaces relacionados
- Vidéo: Características locales de la imagen
- Vidéo: Detección de características locales: SIFT
- Vidéo: Descripción de características locales: SIFT
- Practice Quiz: Prueba tus conocimientos
- Vidéo: Correspondencia de imágenes
- Vidéo: K-NN: Clasificación por vecino más cercano
- Vidéo: Evaluación del rendimiento
- Practice Quiz: Prueba tus conocimientos
- Reading: Presentación del código
- Reading: Instalación y configuración
- Reading: Código y ejercicios para el módulo 1
- Reading: Más información
Noté: Cuestionario del módulo 1
SEMAINE 2
Bag of Words (BoW)
Esta semana introduciremos Bag of Words como método de representación básico que utilizaremos mayoritariamente a lo largo de todo el curso. Explicaremos todos los detalles necesarios para construir la representación BoW de una imagen, incluyendo la construcción del vocabulario utilizando K-Means y cómo agregar la información de las características locales en la representación final en forma de histograma. En la segunda parte de la semana explicaremos Support Vector Machines (SVM) como método de clasificación, tanto los conceptos fundamentales como su formulación matemática y los detalles para entrenar y utilizar un clasificador basado en SVM. Finalmente, completaremos la explicación de la evaluación del rendimiento que introducimos en la primera semana.
7 vidéos, 4 lectures, 2 quiz pour s'exercer
- Vidéo: Construcción del vocabulario: K-Means
- Vidéo: Representación de la imagen
- Practice Quiz: Prueba tus conocimientos
- Vidéo: Support Vector Machines (SVM): Conceptos básicos
- Vidéo: Support Vector Machines (SVM): Desarrollo matemático
- Vidéo: Support Vector Machines (SVM): Cuestiones prácticas
- Vidéo: Evaluación del rendimiento
- Practice Quiz: Prueba tus conocimientos
- Reading: Conjunto de imágenes de entrenamiento y evaluación
- Reading: Código para el módulo 2
- Reading: Ejercicios para el módulo 2
- Reading: Más información
Noté: Cuestionario del módulo 2
SEMAINE 3
Extracción de características
En esta semana completaremos la explicación de métodos de extracción de características que iniciamos en la primera semana ofreciendo alternativas a la utilización de SIFT. En concreto veremos SURF como un nuevo método de detección y extracción más eficiente computacionalmente que SIFT. Para aumentar la capacidad descriptiva de las características analizaremos otras estrategias para la detección de características locales e introduciremos descriptores que nos permitan tener en cuenta la información del color en la imagen. Veremos también como podemos también mejorar la eficiencia computacional reduciendo la dimensión de los descriptores de carácterísticas locales.
6 vidéos, 3 lectures
- Vidéo: Detección de características locales: SURF
- Vidéo: Descripción de características locales: SURF
- Vidéo: Estrategias de selección de puntos de interés
- Vidéo: Uso del color
- Vidéo: Reducción de descriptores: PCA
- Reading: Código para el módulo 3
- Reading: Ejercicios para el módulo 3
- Reading: Más información
Noté: Cuestionario del módulo 3
SEMAINE 4
Estrategias de fusión
En esta semana veremos cómo podemos combinar diferentes descriptores que aportan diferente tipo de información en el esquema de representación BoW. Explicaremos los diferentes niveles a los que se puede hacer esta combinación: a nivel de descriptores locales (early fusion), a nivel de construcción del vocabulario (intemediate fusion) o a nivel de clasificador (late fusion)
5 vidéos, 3 lectures, 2 quiz pour s'exercer
- Vidéo: Early fusion
- Vidéo: Intermediate fusion
- Practice Quiz: Prueba tus conocimientos
- Vidéo: Late fusion
- Vidéo: Combinaciones en Late fusion
- Practice Quiz: Prueba tus conocimientos
- Reading: Código para el módulo 4
- Reading: Ejercicios para el módulo 4
- Reading: Más información
Noté: Cuestionario del módulo 4
SEMAINE 5
Incorporación de información espacial
En esta semana abordaremos cómo podemos incorporar información espacial de los objetos de la imagen en la representación BoW. Para ello introduciremos el concepto de pirámide espacial y cómo se utiliza para modificar la representación básica del BoW de forma que tengamos en cuenta la localización en la imagen de cada característica local. Veremos también cómo podemos comparar imágenes que utilizan la pirámide espacial. Finalmente explicaremos una forma de aprender la configuración óptima de una pirámide espacial.
5 vidéos, 3 lectures, 2 quiz pour s'exercer
- Vidéo: Pirámide Espacial
- Vidéo: Kernel de Comparación de Pirámides
- Vidéo: Experimentación Práctica con Pirámides Espaciales
- Practice Quiz: Prueba tus conocimientos
- Vidéo: Aprendiendo Pirámides Espaciales
- Practice Quiz: Prueba tus conocimientos
- Reading: Código para el módulo 5
- Reading: Ejercicios para el módulo 5
- Reading: Más información
Noté: Cuestionario del módulo 5
SEMAINE 6
Técnicas avanzadas
En esta última semana veremos algunas técnicas avanzadas que pueden ser extensiones o alternativas al BoW cuando nos enfrentamos a problemas de clasificación complejos por el tipo o el número de imágenes. En primer lugar veremos los GMM como un método alternativo para construir el vocabulario que nos servirá también para explicar Fisher Vector como otra posibilidad de agregar todas las características locales en una representación de toda la imagen. En el mismo sentido explicaremos también VLAD. Finalizaremos el curso con una breve introducción a las redes neuronales convolucionales (CNNs) que se están constituyendo como un esquema alternativo para la clasificación de imágenes, especialmente en problemas con muchas clases e imágenes.
7 vidéos, 1 lecture
- Vidéo: Soft Assignment
- Vidéo: Soft Encoding: Gaussian Mixture Models
- Vidéo: Soft Encoding/Soft Assignment: Fisher Vectors
- Vidéo: VLAD
- Vidéo: Convolutional Neural Networks (CNNs) (Parte I)
- Vidéo: Convolutional Neural Networks (CNNs) (Parte II)
- Reading: Más información
Noté: Cuestionario del módulo 6
Noté: Examen final
FAQ
Comment cela fonctionne
Coursework
Each course is like an interactive textbook, featuring pre-recorded videos, quizzes and projects.
Help from Your Peers
Connect with thousands of other learners and debate ideas, discuss course material, and get help mastering concepts.
Certificates
Earn official recognition for your work, and share your success with friends, colleagues, and employers.
Créateurs
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.
Notation et examens
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2018 Coursera Inc. Tous droits réservés.
