Tribunal titular

Cargo

Departamento

Profesor

Presidente

ING.ELECTR.DE SIST. Y AUTOMATI

FOCES MORAN , JOSE MARIA

Secretario

ING.ELECTR.DE SIST. Y AUTOMATI

FUERTES MARTINEZ , JUAN JOSE

Vocal

ING.ELECTR.DE SIST. Y AUTOMATI

REGUERA ACEVEDO , PERFECTO

Tribunal suplente

Cargo

Departamento

Profesor

Presidente

ING.ELECTR.DE SIST. Y AUTOMATI

RIESCO PELAEZ , FELIX

Secretario

ING.ELECTR.DE SIST. Y AUTOMATI

ALAIZ RODRIGUEZ , ROCIO

Vocal

ING.ELECTR.DE SIST. Y AUTOMATI

GARCIA RODRIGUEZ , ISAIAS

Básica

Richard Szeliski. Computer Vision: Algorithms and Applications, Springer, 2011

(pdf available online: http://szeliski.org/Book/)

Pattern Classification (2nd Edition), by R.O. Duda, P.E. Hart, and D.G. Stork, Wiley-Interscience, 2000.

Alegre, E., Sánchez, L., Fernández, R.A. y Mostaza, J.C. (2003). Procesamiento Digital de Imagen: Fundamentos y Prácticas con Matlab. Secretariado de Publicaciones y Medios Audiovisuales de la Universidad de León.

González, R. C. y Woods, R. E. (2008). Digital Image Processing (Third Edition). Prentice Hall.

Complementaria

Pajares, G y de la Cruz, J.M. (2001). Visión por Computador. Ra-ma.

González, J. (2000). Visión por Computador. Paraninfo.

González, R. C. y Woods, R. E. (1996). Tratamiento digital de imágenes. Addison-Wesley /Diaz de Santos.

Shapiro, L. & Stockman G. (2001). Computer Vision. Prentice-Hall.

Parker, J.R. (1997). Algorithms for image processing and computer vision. John Wiley & Sons, Inc.

Trucco, E. & Verri, A. (1998). Introductory Techniques for 3-D Computer Vision. Prentice-Hall.

Maravall, D. (1993). Reconocimiento de formas y visión artificial. Ra-ma

Davies, E.R. (1996). Machine Vision: Theory, Alforithms, Practicalities. Academic Press.

Código
A18131	709ULE13 Capacidad para diseñar sistemas de adquisición de imágenes, procesarlas y utilizarlas para analizar su contenido.
B5614	709CG4 Capacidad para definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas, de acuerdo con los conocimientos adquiridos.
B5619	709CG9 Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.
B5623	709CT1 Capacidad para el análisis, síntesis, resolución de problemas y la toma de decisiones.
B5625	709CT3 Capacidad para comunicar y transmitir de forma oral o por escrito conocimientos y razonamientos derivados de su trabajo individual o en grupo de forma clara y concreta.
B5627	709CT5 Capacidad de trabajo en equipo, asumiendo diferentes roles dentro del grupo.
C2	CMECES2 Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
C4	CMECES4 Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
C5	CMECES5 Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Resultados	Competencias
Conocer los conceptos básicos del procesamiento de imágenes y de los sistemas de visión artificial	A18131	B5614 B5619 B5623 B5625	C2 C5
Conocer y saber aplicar las principales operaciones de preprocesamiento, segmentación y descripción de imágenes y objetos en imágenes.	A18131	B5614 B5623	C4 C5
Saber reconocer o clasificar objetos e imágenes.	A18131	B5614 B5619 B5623 B5625	C2 C4 C5
Ser capaz de aplicar Python para ejecutar y crear sistemas básicos de visión artificial	A18131	B5614 B5619 B5623 B5625 B5627	C4 C5

Bloque	Tema
Teoría	1. Introducción a la Visión Artificial 2. Conceptos Básicos 3. Preprocesamiento 4. Detección de bordes 5. Segmentación 6. Detección de esquinas 7. Descriptores 8. Clasificación 9. Deep Learning
Prácticas	Diversas prácticas orientadas a aprender a programar en Python y, al mismo tiempo, a utilizar dicho lenguaje para resolver problemas relacionados con visión artificial.

Metodologías :: Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Resolución de problemas/ejercicios en el aula ordinaria	20	0	20

Prácticas en laboratorios	75	0	75

Sesión Magistral	45	0	45

Realización y exposición de trabajos.	10	0	10

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

	descripción
Resolución de problemas/ejercicios en el aula ordinaria	Ejercicios resueltos en el encerado y también mediante diapositivas y ejemplos utilizando Excel.
Prácticas en laboratorios	Las prácticas de la asignatura se realizarán utilizando Python (3.5 o posterior). Disponible en el laboratorio F3 aunque se recomienda que cada estudiante lo instale también en su ordenador personal. Se realizará una primera práctica de instalación y conocimiento del entorno, varias prácticas orientadas al aprendizaje básico de Python y en el resto de prácticas se utilizarán diversas librerías de visión y aprendizaje para practicar en la aplicación de descriptores a imágenes y su clasificación. Utilización de Python 3.5 a partir de la instalación del entorno Anaconda (https://www.continuum.io/downloads). Se utilizará el IDE Spyder, incluido en dicha instalación.
Sesión Magistral	Sesiones teóricas en el aula utilizando diapositivas.

	descripción	calificación
Realización y exposición de trabajos.	La asignatura se evaluará mediante la realización y presentación de un proyecto que se dividirá en las siguientes cuatro fases, valiendo cada una de ellas 20 puntos con los que se evalúa el trabajo propuesto. 1. El estudiante realizará un estudio teórico del tema que reflejará en una memoria que entregará y será evaluada. Dicha memoria contendrá una descripción del problema, explicación de su interés y una revisión de trabajos realizados publicados. Este estudio se entregará a mediados de marzo. 2. Como resultado del estudio anterior el estudiante seleccionará una de las implementaciones revisadas, o realizará una implementación propia si así lo desea, y evaluará el método con un dataset conocido o con uno propio construido por él mismo. Con esta implementación el estudiante evaluará el método estudiado y comprobará, de forma práctica, su funcionamiento. 3. El estudiante preparará y realizará una breve presentación durante las últimas semanas de clase. La presentación es parte de la evaluación y se pide la asistencia a esa clase a todos los alumnos. 4. Después de la presentación, se realizará un examen de validación donde cada estudiante tendrá que contestar diversas preguntas relacionadas con el tema estudiado.	90
Otros	Participación en la asignatura medida en función de la intervención y actitud del alumno en las clases teóricas, su colaboración en la revisión de los materiales y su interacción con el profesor. También se podrá ofrecer la realización de actividades voluntarias que se valorarán en este apartado.	10

Otros comentarios y segunda convocatoria
Las entregas retrasadas sufrirán una penalización en la nota. Los estudiantes que no pasen la evaluación continua, podrían entregar en la segunda convocatoria, lo que les falta por entregar de la primera convocatoria ordinaria. Opcionalmente, los estudiantes también podrían aprobar el curso en la segunda convocatoria, realizando un examen teórico y práctico que cubrirá todos los materiales presentados durante el curso.