Especialización en Técnicas Avanzadas de Visión por Computador Web
Postítulo
Online
Conoce la mejor metodología para aprender Francés C2
-
Tipología
Postítulo
-
Metodología
Online
-
Horas lectivas
450h
-
Duración
6 Meses
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
La visión por computador es una de las ramas más importantes de la visión artificial, puesto que se encarga de procesar la información óptica recibida. Esta titulación profundiza en las técnicas avanzadas de esta disciplina para ofrecer al informático los últimos avances en esta subespecialidad de la inteligencia artificial. De esta manera, este programa profundizará en cuestiones como la geometría y extracción de características, la triangulación, los métodos de segmentación o la segmentación semántica aplicada al deep learning, entre muchas otras. Y todo ello, siguiendo una innovadora metodología de enseñanza 100% online que permitirá al profesional compaginar su trabajo con los estudios.
Información importante
Documentación
- 73-especializacion-tecnicas-avanzadas-vision-computadorr-web-.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
A tener en cuenta
Objetivos generales
Analizar las redes neuronales de segmentación semántica y sus métricas
Identificar las arquitecturas más comunes
Establecer casos de uso
Aplicar correcta función de coste para entrenamiento
Analizar las fuentes de datos (datasets) públicos
Objetivos específicos
Módulo 1. Procesado de imágenes 3D
Examinar una imagen 3D
Analizar el software que se usa para el procesado de datos 3D
Desarrollar el open3D
Determinar los datos relevantes de una imagen 3D
Módulo 2. Segmentación de imágenes con deep learning
Analizar cómo funcionan las redes de segmentación semántica
Evaluar los métodos tradicionales
Examinar las métricas de evaluación y las diferentes arquitecturas
Examinar los dominios del video y puntos de nubes
Aplicar los conceptos teóricos mediante distintos ejemplos
El objetivo de este Experto Universitario en Técnicas Avanzadas de Visión por Computador Web es trasladar al informático o ingeniero los procedimientos más innovadores en visión artificial y visión por computador. De esta forma, el profesional dispondrá de las mejores herramientas para desempeñar con éxito su trabajo, consiguiendo un gran progreso laboral en la industria tecnológica, ya sea en la propia empresa o en alguna de las grandes compañías del sector.
Este Experto Universitario en Técnicas Avanzadas de Visión por Computador Web contiene el programa más completo y actualizado del mercado.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse de recibo su correspondiente título de Experto Universitario emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Experto Universitario, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Experto Universitario en Técnicas Avanzadas de Visión por Computador Web
N.º Horas Oficiales: 450 h.
Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.
Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.
En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad
Opiniones
Materias
- Cursos online
- Francés
- Fluidez
- Comprensión lectora
- Idiomas
- Curso
- Comprension auditiva
- Expresión oral
- Expresión escrita
- Interacción oral
- Francés C2
Profesores
Sergio Redondo Cabanillas
Ingeniero de aplicaciones de visión industrial en Bcnvision
Temario
Módulo 1. Procesado de imágenes 3D
1.1. Imagen 3D
1.1.1. Imagen 3D
1.1.2. Software de procesado de imágenes 3D y visualizaciones
1.1.3. Software de metrología
1.2. Open 3D
1.2.1. Librería para proceso de datos 3D
1.2.2. Características
1.2.3. Instalación y uso
1.3. Los datos
1.3.1. Mapas de profundidad en imagen 2D
1.3.2. Pointclouds
1.3.3. Normales
1.3.4. Superficies
1.4. Visualización
1.4.1. Visualización de datos
1.4.2. Controles
1.4.3. Visualización Web
1.5. Filtros
1.5.1. Distancia entre puntos, eliminar outliers
1.5.2. Filtro paso alto
1.5.3. Downsampling
1.6. Geometría y extracción de características
1.6.1. Extracción de un perfil
1.6.2. Medición de profundidad
1.6.3. Volumen
1.6.4. Formas geométricas 3D
1.6.5. Planos
1.6.6. Proyección de un punto
1.6.7. Distancias geométricas
1.6.8. Kd Tree
1.6.9. Features 3D
1.7. Registro y Meshing
1.7.1. Concatenación
1.7.2. ICP
1.7.3. Ransac 3D
1.8. Reconocimiento de objetos 3D
1.8.1. Búsqueda de un objeto en la escena 3D
1.8.2. Segmentación
1.8.3. Bin picking
1.9. Análisis de superficies
1.9.1. Smoothing
1.9.2. Superficies orientables
1.9.3. Octree
1.10. Triangulación
1.10.1. De Mesh a Point Cloud
1.10.2. Triangulación de mapas de profundidad
1.10.3. Triangulación de PointClouds no ordenados
Módulo 2. Segmentación de Imágenes con Deep Learning
2.1. Detección de objetos y segmentación
2.1.1. Segmentación semántica
2.1.1.1. Casos de uso de segmentación semántica
2.1.2. Segmentación instanciada
2.1.2.1. Casos de uso segmentación instanciada
2.2. Métricas de evaluación
2.2.1. Similitudes con otros métodos
2.2.2. Pixel Accuracy
2.2.3. Dice Coefficient (F1 Score)
2.3. Funciones de coste
2.3.1. Dice Loss
2.3.2. Focal Loss
2.3.3. Tversky Loss
2.3.4. Otras funciones
2.4. Métodos tradicionales de segmentación
2.4.1. Aplicación de umbral con Otsu y Riddlen
2.4.2. Mapas auto organizados
2.4.3. GMM-EM algorithm
2.5. Segmentación semántica aplicando Deep Learning: FCN
2.5.1. FCN
2.5.2. Arquitectura
2.5.3. Aplicaciones de FCN
2.6. Segmentación semántica aplicando Deep Learning : U-NET
2.6.1. U-NET
2.6.2. Arquitectura
2.6.3. Aplicación U-NET
2.7. Segmentación semántica aplicando Deep Learning: Deep Lab
2.7.1. Deep Lab
2.7.2. Arquitectura
2.7.3. Aplicación de Deep Lab
2.8. Segmentación instanciada aplicando Deep Learning: Mask RCNN
2.8.1. Mask RCNN
2.8.2. Arquitectura
2.8.3. Aplicación de un Mask RCNN
2.9. Segmentación en videos
2.9.1. STFCN
2.9.2. Semantic Video CNNs
2.9.3. Clockwork Convnets
2.9.4. Low-Latency
2.10. Segmentación en nubes de puntos
2.10.1. La nube de puntos
2.10.2. PointNet
2.10.3. A-CNN
Módulo 3. Segmentación de imágenes avanzadas y técnicas avanzadas de visión por computador
3.1. Base de datos para problemas de segmentación general
3.1.1. Pascal Context
3.1.2. CelebAMask-HQ
3.1.3. Cityscapes Dataset
3.1.4. CCP Dataset
3.2. Segmentación semántica en la medicina
3.2.1. Segmentación semántica en la medicina
3.2.2. Datasets para problemas médicos
3.2.3. Aplicación práctica
3.3. Herramientas de anotación
3.3.1. Computer Vision Annotation Tool
3.3.2. LabelMe
3.3.3. Otras herramientas
3.4. Herramientas de segmentación usando diferentes Frameworks
3.4.1. Keras
3.4.2. Tensorflow v2
3.4.3. Pytorch
3.4.4. Otros
3.5. Proyecto Segmentación semántica. Los datos, fase 1
3.5.1. Análisis del problema
3.5.2. Fuente de entrada para datos
3.5.3. Análisis de datos
3.5.4. Preparación de datos
3.6. Proyecto segmentación semántica. Entrenamiento, fase 2
3.6.1. Selección del algoritmo
3.6.2. Entrenamiento
3.6.3. Evaluación
3.7. Proyecto Segmentación semántica. Resultados, fase 3
3.7.1. Ajuste fino
3.7.2. Presentación de la solución
3.7.3. Conclusiones
3.8. Autocodificadores
3.8.1. Autocodificadores
3.8.2. Arquitectura de un autocodificador
3.8.3. Autocodificadores de eliminación de ruido
3.8.4. Autocodificador de coloración automática
3.9. Las Redes Generativas Adversariales (GAN)
3.9.1. Redes Generativas Adversariales (GAN)
3.9.2. Arquitectura DCGAN
3.9.3. Arquitectura GAN condicionada
3.10. Redes generativas adversariales mejoradas
3.10.1. Visión general del problema
3.10.2. WGAN
3.10.3. LSGAN
3.10.4. ACGAN
Especialización en Técnicas Avanzadas de Visión por Computador Web