Monthly Subscription Starting at AED 99 + VAT

Detección de objetos
  • Level Foundation
  • Course by Universitat Autònoma de Barcelona
  • Offered by

About

¿Te interesa la visión por computador? ¿Te gustaría conocer qué métodos puedes utilizar para detectar y reconocer objetos en una imagen? En este curso te introducirás en los principios básicos de cualquier sistema automático de detección y reconocimiento de objetos en imágenes. A lo largo del curso analizaremos diferentes métodos de representación y clasificación que te permitirán abordar casos de aplicación de complejidad creciente. El contenido del curso se estructura a partir de un esquema básico de detección y reconocimiento de objetos que sirve de guía para ir introduciendo tanto los diferentes métodos de extracción de características y representación de la imagen como diferentes alternativas para clasificar una imagen y para localizar todas las instancias de un objeto en la imagen. El temario incluye conceptos básicos de formación de la imagen, la convolución y su aplicación a la detección de contornos, características de regiones, descriptores de imagen (Local Binary Pattern, Histogram of Oriented Gradients, características de Haar) y varios métodos de clasificación (clasificador lineal, Support Vector Machine, Adaboost, Random Forest, Convolutional Neural Network). Finalizar el curso te permitirá: • Diseñar, a partir de un esquema básico común, soluciones adaptadas para diferentes problemas de detección y reconocimiento de objetos en una imagen, • Conocer las principales técnicas para la descripción y clasificación de una imagen, • Conocer las herramientas que permiten el desarrollo de aplicaciones reales de detección y reconocimiento de objetos, para que seas capaz de desarrollar tus propios sistemas de detección y reconocimiento de objetos en múltiples aplicaciones. 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. INICIO: 1 de Diciembre de 2015

Modules

BIENVENIDA AL CURSO

    • 1 Videos
    • 5 Readings
Show info about module content

1 Videos

  • Bienvenida

5 Readings

  • Temario
  • Formato del curso y evaluación
  • Resolver dudas e incidencias
  • Preguntas frecuentes
  • Enlaces relacionados

CONCEPTOS BÁSICOS

    • 2 Videos
Show info about module content

2 Videos

  • L1.1. Introducción a la detección de objetos
  • L1.2. Formación de la imagen

CARACTERÍSTICAS DE PÍXEL

    • 2 Videos
Show info about module content

2 Videos

  • L1.3. Características de píxel
  • L1.4. Componentes conexas

TEMPLATE MATCHING Y CARACTERÍSTICAS LOCALES

    • 2 Videos
Show info about module content

2 Videos

  • L1.5. Template matching
  • L1.6. Características locales

MATERIALES COMPLEMENTARIOS

    • 1 Readings
Show info about module content

1 Readings

  • Materiales complementarios

CUESTIONARIO DEL MÓDULO

    • 1 Assignment
Show info about module content

1 Assignment

  • Cuestionario 1

INTRODUCCIÓN

    • 1 Videos
Show info about module content

1 Videos

  • L2.1. Introducción

LOCAL BINARY PATTERNS

    • 3 Videos
Show info about module content

3 Videos

  • L2.2.a. Local Binary Patterns
  • L2.2.b. Local Binary Patterns - Variantes (LBP Uniforme)
  • L2.2.c. Histograma LBP por bloques

REGRESIÓN LOGÍSTICA. CLASIFICACIÓN

    • 2 Videos
Show info about module content

2 Videos

  • L2.3.a. Regresión logística - Clasificación (I)
  • L2.3.b. Regresión logística - Clasificación (II)

REGRESIÓN LOGÍSTICA. APRENDIZAJE

    • 3 Videos
Show info about module content

3 Videos

  • L2.4.a. Regresión Logística – Aprendizaje (I)
  • L2.4.b. Regresión Logística – Aprendizaje (II)
  • L2.4.c. Regresión Logística – Aprendizaje (III)

MATERIALES COMPLEMENTARIOS

    • 1 Readings
Show info about module content

1 Readings

  • Materiales adicionales

CUESTIONARIO DEL MÓDULO

    • 1 Assignment
Show info about module content

1 Assignment

  • Cuestionario 2

INTRODUCCIÓN

    • 1 Videos
Show info about module content

1 Videos

  • L3.1. Introducción

GENERACIÓN DE CANDIDATOS

    • 3 Videos
Show info about module content

3 Videos

  • L3.2.a. Generación de Candidatos – Ventana Deslizante
  • L3.2.b. Generación de Candidatos – Pirámide
  • L3.3. Generación de Candidatos – Refinación

APRENDIZAJE, VALIDACIÓN Y EVALUACIÓN

    • 5 Videos
Show info about module content

5 Videos

  • L3.4. Anotación, Bootstrapping, Aprendizaje Activo
  • L3.5.a. Evaluación de la clasificación por ventana (I)
  • L3.5.b. Evaluación de la clasificación por ventana (II)
  • L3.6 Evaluación del rendimiento - Evaluación del detector
  • L3.7 Conjuntos de Entrenamiento, Evaluación y Validación

CÓDIGO EJEMPLO DE DETECTOR

    • 2 Readings
Show info about module content

2 Readings

  • Código ejemplo de detector
  • Ejercicios propuestos sobre el código del detector

MATERIALES COMPLEMENTARIOS

    • 1 Readings
Show info about module content

1 Readings

  • Materiales adicionales

CUESTIONARIO DEL MÓDULO

    • 1 Assignment
Show info about module content

1 Assignment

  • Cuestionario 3

INTRODUCCIÓN

    • 1 Videos
Show info about module content

1 Videos

  • L4.1. Detector de peatones basado en HOG + SVM

DESCRIPTOR: HOG (HISTOGRAM OF ORIENTED GRADIENTS)

    • 3 Videos
    • 1 Assignment
Show info about module content

1 Assignment

  • Prueba tus conocimientos

3 Videos

  • L4.2. HOG - Cálculo del gradiente
  • L4.3. HOG – Cálculo de los histogramas
  • L4.4. HOG – Cálculo del descriptor

CLASIFICADOR: SVM (SUPPORT VECTOR MACHINE)

    • 2 Videos
    • 1 Assignment
Show info about module content

1 Assignment

  • Prueba tus conocimientos

2 Videos

  • L4.5. Support Vector Machines (SVM) – Conceptos básicos
  • L4.6. Support Vector Machines (SVM) – Desarrollo matemático

CÓDIGO EJEMPLO DE DETECTOR

    • 2 Readings
Show info about module content

2 Readings

  • Código ejemplo de detector
  • Ejercicios propuestos sobre el código del detector

MATERIALES COMPLEMENTARIOS

    • 2 Readings
Show info about module content

2 Readings

  • Materiales adicionales
  • Referencias adicionales

CUESTIONARIO DEL MÓDULO

    • 1 Assignment
Show info about module content

1 Assignment

  • Cuestionario 4

INTRODUCCIÓN

    • 1 Videos
Show info about module content

1 Videos

  • L5.1. Detector de caras basado en filtros de Haar + Adaboost

CARACTERÍSTICAS DE HAAR

    • 2 Videos
    • 1 Assignment
Show info about module content

1 Assignment

  • Prueba tus conocimientos

2 Videos

  • L5.2. Características de Haar
  • L5.3. Imagen Integral

ADABOOST

    • 3 Videos
    • 1 Assignment
Show info about module content

1 Assignment

  • Prueba tus conocimientos

3 Videos

  • L5.4. Adaboost
  • L5.5. Cascada de clasificadores
  • L5.6. Detalles de implementación

MATERIALES COMPLEMENTARIOS

    • 2 Readings
Show info about module content

2 Readings

  • Materiales adicionales
  • Referencias adicionales

CUESTIONARIO DEL MÓDULO

    • 1 Assignment
Show info about module content

1 Assignment

  • Cuestionario 5

INTRODUCCIÓN

    • 1 Videos
Show info about module content

1 Videos

  • L6.1. Introducción

MODELOS NO HOLÍSTICOS

    • 2 Videos
Show info about module content

2 Videos

  • L6.2. Modelos no holísticos: DPM
  • L6.3. Modelos no holísticos: conjunto de expertos locales

ADAPTACIÓN DE DOMINIO

    • 1 Videos
Show info about module content

1 Videos

  • L6.4. Adaptación de Dominio

REDES NEURONALES CONVOLUCIONALES (CNNs)

    • 1 Videos
Show info about module content

1 Videos

  • L6.5. Convolutional Neural Networks (CNNs)

MULTI-MODALIDAD

    • 1 Videos
Show info about module content

1 Videos

  • L6.6. Otras modalidades de imagen

GENERACIÓN DE CANDIDATOS

    • 1 Videos
Show info about module content

1 Videos

  • L6.7. Generación de candidatos

MATERIALES COMPLEMENTARIOS

    • 1 Readings
Show info about module content

1 Readings

  • Materiales adicionales

CUESTIONARIO DEL MÓDULO

    • 1 Assignment
Show info about module content

1 Assignment

  • Cuestionario 6

EXAMEN FINAL

    • 1 Assignment
Show info about module content

1 Assignment

  • Examen final del curso

Auto Summary

Are you fascinated by computer vision and eager to learn how to detect and recognize objects in images? Dive into the fundamentals of automatic object detection and recognition systems with this comprehensive course. Guided by expert instruction, you'll explore various methods for feature extraction and image representation, as well as alternative classification techniques to locate and identify objects within images. Key topics include image formation, convolution for edge detection, region features, image descriptors (such as Local Binary Pattern, Histogram of Oriented Gradients, Haar features), and multiple classification methods (including linear classifiers, Support Vector Machine, Adaboost, Random Forest, and Convolutional Neural Networks). By completing this course, you'll be equipped to: - Design tailored solutions for diverse object detection and recognition challenges. - Understand the main techniques for image description and classification. - Develop real-world applications for object detection and recognition using state-of-the-art tools. Ideal for university students in computer science, engineering, or mathematics, as well as anyone with programming knowledge interested in computer vision, this course offers a solid foundation in object detection and recognition. Offered by Coursera, this foundational course begins on December 1, 2015. Enroll with a Starter subscription to embark on your journey into the exciting world of computer vision and object detection.

Antonio López Peña
Instructors

Antonio López Peña

Ernest Valveny
Instructors

Ernest Valveny

Maria Vanrell
Instructors

Maria Vanrell