About this Course
4.6
235 ratings
76 reviews
100% online

100% online

Start instantly and learn at your own schedule.
Flexible deadlines

Flexible deadlines

Reset deadlines in accordance to your schedule.
Hours to complete

Approx. 30 hours to complete

Suggested: 6 weeks, 5 - 6 hours per week...
Available languages

Spanish

Subtitles: Spanish...

Skills you will gain

Machine LearningAlgorithmsSupport Vector Machine (SVM)Object DetectionImage Processing
100% online

100% online

Start instantly and learn at your own schedule.
Flexible deadlines

Flexible deadlines

Reset deadlines in accordance to your schedule.
Hours to complete

Approx. 30 hours to complete

Suggested: 6 weeks, 5 - 6 hours per week...
Available languages

Spanish

Subtitles: Spanish...

Syllabus - What you will learn from this course

Week
1
Hours to complete
3 hours to complete

INTRODUCCIÓN A LA DETECCIÓN DE OBJETOS

En esta primera semana explicaremos los fundamentos de un detector de objetos. Empezaremos introduciendo los conceptos básicos de la formación y el análisis de imágenes, para aplicarlos en el diseño de detectores simples basados en las características de los píxeles de la imagen. Finalmente, explicaremos los conceptos de correlación y convolución y veremos cómo se pueden utilizar en la detección de objetos....
Reading
7 videos (Total 93 min), 5 readings, 1 quiz
Video7 videos
L1.1. Introducción a la detección de objetos11m
L1.2. Formación de la imagen11m
L1.3. Características de píxel13m
L1.4. Componentes conexas14m
L1.5. Template matching22m
L1.6. Características locales17m
Reading5 readings
Temario10m
Formato del curso y evaluación10m
Preguntas frecuentes10m
Enlaces relacionados10m
Materiales complementarios10m
Quiz1 practice exercise
Cuestionario 120m
Week
2
Hours to complete
2 hours to complete

CLASIFICACIÓN DE OBJETOS

En esta semana explicaremos el concepto de clasificador de ventana como forma de decidir si una ventana candidata contiene una instancia del objeto que queremos detectar o no. Lo ilustraremos utilizando LBP como descriptor de la imagen y la regresión logística cómo método de clasificación. Nos fijaremos tanto en la parte de aprendizaje del clasificador como en su utilización para determinar el contenido de una ventana....
Reading
9 videos (Total 117 min), 1 reading, 1 quiz
Video9 videos
L2.2.a. Local Binary Patterns13m
L2.2.b. Local Binary Patterns - Variantes (LBP Uniforme)9m
L2.2.c. Histograma LBP por bloques10m
L2.3.a. Regresión logística - Clasificación (I)9m
L2.3.b. Regresión logística - Clasificación (II)13m
L2.4.a. Regresión Logística – Aprendizaje (I)17m
L2.4.b. Regresión Logística – Aprendizaje (II)14m
L2.4.c. Regresión Logística – Aprendizaje (III)23m
Reading1 reading
Materiales adicionales10m
Quiz1 practice exercise
Cuestionario 220m
Week
3
Hours to complete
2 hours to complete

DETECCIÓN DE OBJETOS

En esta semana nos centraremos primero en la fase de detección de posibles candidatos en la imagen. El conjunto de candidatos que se detecten serán analizados por el clasificador que explicamos en la semana 2 para determinar la presencia del objeto. Además, explicaremos también los pasos necesarios para poder preparar correctamente todos los datos que se utilizan en el aprendizaje y evaluación del detector. Finalmente, veremos cómo podemos evaluar de forma objetiva el rendimiento del detector. ...
Reading
9 videos (Total 85 min), 3 readings, 1 quiz
Video9 videos
L3.2.a. Generación de Candidatos – Ventana Deslizante9m
L3.2.b. Generación de Candidatos – Pirámide7m
L3.3. Generación de Candidatos – Refinación10m
L3.4. Anotación, Bootstrapping, Aprendizaje Activo16m
L3.5.a. Evaluación de la clasificación por ventana (I)9m
L3.5.b. Evaluación de la clasificación por ventana (II)10m
L3.6 Evaluación del rendimiento - Evaluación del detector8m
L3.7 Conjuntos de Entrenamiento, Evaluación y Validación9m
Reading3 readings
Código ejemplo de detector10m
Ejercicios propuestos sobre el código del detector10m
Materiales adicionales10m
Quiz1 practice exercise
Cuestionario 320m
Week
4
Hours to complete
2 hours to complete

DETECTOR BASADO EN HOG/SVM

En esta semana veremos un segundo ejemplo de sistema de detección de objetos que se basará en la utilización de HOG como descriptor de la imagen y SVM como clasificador. ...
Reading
6 videos (Total 70 min), 4 readings, 3 quizzes
Video6 videos
L4.2. HOG - Cálculo del gradiente8m
L4.3. HOG – Cálculo de los histogramas13m
L4.4. HOG – Cálculo del descriptor11m
L4.5. Support Vector Machines (SVM) – Conceptos básicos13m
L4.6. Support Vector Machines (SVM) – Desarrollo matemático12m
Reading4 readings
Código ejemplo de detector10m
Ejercicios propuestos sobre el código del detector10m
Materiales adicionales10m
Referencias adicionales10m
Quiz3 practice exercises
Prueba tus conocimientos8m
Prueba tus conocimientos8m
Cuestionario 420m

Instructors

Avatar

Antonio López Peña

Titular de Universidad
Departamento de Ciencias de la Computación
Avatar

Ernest Valveny

Catedrático Escuela Universitaria
Departamento de Ciencias de la Computación
Avatar

Maria Vanrell

Profesora Titular de Universidad
Departamento de Ciencias de la Computación

About 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....

Frequently Asked Questions

  • Once you enroll for a Certificate, you’ll have access to all videos, quizzes, and programming assignments (if applicable). Peer review assignments can only be submitted and reviewed once your session has begun. If you choose to explore the course without purchasing, you may not be able to access certain assignments.

  • When you purchase a Certificate you get access to all course materials, including graded assignments. Upon completing the course, your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile. If you only want to read and view the course content, you can audit the course for free.

  • Sí, puedes solicitar el certificado antes, durante, o al finalizar el curso.

  • Aunque el curso esté diseñado e impartido por la Universidad Autónoma de Barcelona, el certificado lo emite Coursera.

    ¿Qué información incluye?

    · el título del curso

    · la firma del (o de los) instructor(es)

    · el logo de la UAB

    · una url de verificación que permite a terceras personas comprobar la autenticidad del certificado

  • · créditos académicos de la UAB

    · la calificación final obtenida en el curso

    · tu foto del documento de identidad

    · las horas dedicadas al curso

    Recuerda que el certificado no se envía por correo postal o correo electrónico, sino que se trata de un PDF que puedes descargar e imprimir. También puedes compartirlo electrónicamente.

    Lamentablemente Coursera no puede emitir un certificado de curso con más información de la que ya incluye. Si deseas más información al respeto, por favor consulta las páginas de ayuda de Coursera.

  • No. El certificado confirma que el alumno ha superado el curso, pero no es un título oficial de la Universidad Autónoma de Barcelona.

More questions? Visit the Learner Help Center.