Detecció d'objectes

Sobre aquest curs: T'interessa la visió per computador? T'agradaria conèixer quins mètodes pots utilitzar per detectar i reconèixer objectes en una imatge?
En aquest curs t'introduiràs en els principis bàsics de qualsevol sistema automàtic de detecció i reconeixement d'objectes en imatges. Al llarg del curs analitzarem diferents mètodes de representació i classificació que et permetran abordar casos d'aplicació de complexitat creixent.
El contingut del curs s'estructura a partir d'un esquema bàsic de detecció i reconeixement d'objectes que serveix de guia per anar introduint tant els diferents mètodes d'extracció de característiques i representació de la imatge com diferents alternatives per classificar una imatge i per localitzar totes les instàncies d'un objecte en la imatge. El temari inclou conceptes bàsics de formació de la imatge, la convolució i la seva aplicació a la detecció de contorns, característiques de regions, descriptors d'imatge (Local Binary Pattern, Histogram of Oriented Gradients, característiques de Haar) i diversos mètodes de classificació (classificador lineal, Support Vector Machine, Adaboost, Random Forest, Convolutional Neural Network).
Finalitzar el curs et permetrà:

• • Dissenyar, a partir d'un esquema bàsic comú, solucions adaptades per a diferents problemes de detecció i reconeixement d'objectes en una imatge,
• • Conèixer les principals tècniques per a la descripció i classificació d'una imatge,
• • Conèixer les eines que permeten el desenvolupament d'aplicacions reals de detecció i reconeixement d'objectes, perquè siguis capaç de desenvolupar els teus propis sistemes de detecció i reconeixement d'objectes en múltiples aplicacions.

setmana 1

module 1
En aquesta primera setmana explicarem els fonaments d'un detector d'objectes. Començarem introduint els conceptes bàsics de la formació i l'anàlisi d'imatges, per aplicar-los en el disseny de detectors simples basats en les característiques dels píxels de la imatge. Finalment, explicarem els conceptes de correlació i convolució i veurem com es poden utilitzar en la detecció d'objectes.

setmana 2

module 1
En aquesta setmana explicarem el concepte de classificador de finestra com a forma de decidir si una finestra candidata conté una instància de l'objecte que volem detectar o no. Ho il·lustrarem utilitzant LBP com a descriptor de la imatge i la regressió logística com a mètode de classificació. Ens fixarem tant en la part d'aprenentatge del classificador com en la seva utilització per determinar el contingut d'una finestra.

setmana 3

module 1
En aquesta setmana ens centrarem primer en la fase de detecció de possibles candidats a la imatge. El conjunt de candidats que es detectin seran analitzats pel classificador que expliquem a la setmana 2 per a determinar la presència de l'objecte. A més, explicarem també els passos necessaris per poder preparar correctament totes les dades que s'utilitzen en l'aprenentatge i avaluació del detector. Finalment, veurem com podem avaluar de forma objectiva el rendiment del detector.

setmana 4

module 1
En aquesta setmana veurem un segon exemple de sistema de detecció d'objectes que es basarà en la utilització de HOG com a descriptor de la imatge i SVM com classificador.

setmana 5

module 1
En aquesta setmana veurem un tercer sistema de detecció basat en les característiques de Haar per descriure la imatge i Adaboost com classificador. Per poder explicar les característiques de Haar explicarem també el concepte d'imatge integral. Veurem com entrenar un classificador amb Adaboost que ens permeti seleccionar el millor subconjunt de les característiques de Haar. Finalment, explicarem com combinar diversos classificadors en una cascada per poder implementar un sistema complet de detecció.

setmana 6

module 1
En les setmanes anteriors hem vist els mètodes més habituals per a la detecció d'objectes. En aquesta última setmana explicarem algunes tècniques més avançades que es poden utilitzar en diferents fases de la detecció i que poden ser útils en problemes de detecció més complexos. Entre aquestes tècniques hi ha els models no holístics (DPM, Random Forests), mètodes d'adaptació de domini, la utilització de xarxes neuronals convolucionals, explotar la multi-modalitat en les imatges i tècniques alternatives per a la generació de candidats

El curs està orientat tant a estudiants universitaris d'algun grau relacionat amb la informàtica, l'enginyeria o les matemàtiques, com a altres estudiants amb coneixements de programació, interessats en aprendre com utilitzar tècniques de visió per computador per extreure informació de les imatges.