Teaching Guides Query

Curs Acadèmic: 2025/26

8025 - Màster Universitari en Sistemes Intel·ligents Interactius

32674 - Visió Artificial

Informació de la Guia Docent

Curs acadèmic:

2025/26

Centre acadèmic:

802 - Centre Màsters del Departament d'Enginyeria

Estudi:

8025 - Màster Universitari en Sistemes Intel·ligents Interactius

Assignatura:

32674 - Visió Artificial

Crèdits:

5.0

Curs:

Idiomes de docència:

Teoria:	Grup 1: Pendent
Pràctiques:	Grup 101: Pendent
Seminari:	Grup 101: Pendent

Professorat:

Coloma Maria Ballester Nicolau

Periode d'Impartició:

Tercer trimestre

Presentació

El curs Visió per Computador cobreix temes fonamentals i avançats de visió artificial. L'objectiu és proporcionar un coneixement tant general com aplicat d'una àmplia varietat de tècniques de visió per computador aplicades a resoldre problemes de visió i amb dades visuals del món real. Les estratègies per abordar aquests problemes inclouen tant enfocaments basats en models, com mètodes basats en dades (aprenentatge profund).

Els temes inclouen representacions d'imatges, modelització d'imatges i models a priori, característiques visuals basades en models i basades en dades, detecció i aparellament de punts i característiques, segmentació d'escenes, detecció d'objectes i reconeixement d'objectes, edició d'imatges i vídeos, mètodes generatius, anomalies visuals i dades falses, anàlisi i comprensió de l'escena, geometria variable en el temps.

Els treballs de laboratori seran una part essencial de l'aprenentatge i els estudiants treballaran en tasques específiques on posar en pràctica els conceptes apresos en el curs. Els estudiants també desenvoluparan un projecte al llarg del curs que serà seguit en les sessions de seminari.

Competències associades | Resultats generals d'aprenentatge

Competències bàsiques:

CB2. Que els estudiants sàpiguen aplicar els seus coneixements al seu treball o vocació d'una forma professional i posseeixin les competències que es solen demostrar per mitjà de l'elaboració i defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.

CB5. Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.

Competències transversals

CT3. Aplicar amb flexibilitat i creativitat els coneixements adquirits i d'adaptar-los a contextos i situacions noves.

Competències específiques

CE9. Dominar els fonaments i principis del processament de senyals audiovisuals per a l'adquisició, anàlisi, processament i obtenció de resultats funcionals.

Resultats d'aprenentatge | Resultats d'aprenentatge específics

Resultats de l’aprenentatge específics

RA.CE9.6 Compara tècniques d'anàlisis i interpretació d'imatges.

RA.CE9.7 Aplica tècniques avançades de processament d'imatge i vídeo.

Continguts

1. Introducció a la visió i visió per computador

2. Modelització d'imatges i models a priori. Representacions visuals. Extracció de característiques visuals

3. Detecció i reconeixement d'objectes mitjançant l'aparellament de característiques

4. Mètodes i aplicacions basades en entorns per al processament d'imatges i problemes de visió per ordinador

5. Segmentació d'imatges i vídeos

6. Edició d'imatges i vídeos

7. Detecció d'objectes i reconeixement d'objectes

8. Comprensió de l'escena

9. Geometria variable en el temps

10. Mètodes generatius per a la generació i comprensió de dades

11. Informació visual falsa i detecció d'anomalies

Sistema d'avaluació i qualificació

La nota final (individual) del curs es calcularà a partir de la fórmula següent:

Nota Final = 0.45 x Nota Exàmen + 0.30 x Nota Pràctiques + 0.25 x Nota Projecte + 0.10 x Participació a classe

* Nota Exàmen

- Es requereix una nota mínima de 5 en la nota de l'exàmen.

- En altre cas, és recuperable al juliol

* Nota Pràctiques

- 6 sessions de laboratori d'ordinadors i treballs de laboratori, amb parts obligatòries i parts opcionals

- Es requereix una nota mínima de 4 en cada lab i nota mitjana mínima de 5

- En cas contrari, es poden recuperar els labs fallats però la qualificació màxima serà de 7

- Treball individual o per parelles, depenent de la sessió

Nota Projecte

Els estudiants desenvoluparan un projecte al llarg del curs. Aquest projecte rebrà seguiment a les sessions de seminaris. Possiblement, s'establirà un "challenge" i la nota corresponent al projecte estarà parcialment afectada pels resultats en el challenge.

* Participació a classe:

- És la nota mitjana (individual) obtinguda a partir del quiz associat a cada sessió de teoria, que es farà o bé al final o bé a l'inici de la sessió. No recuperable.

Si la nota excedeix el 10 serà truncada, però el valor serà tingut en compte per l’assignació de les matrícules d’honor.

Academic Year: 2025/26

8025 - Master in Intelligent Interactive Systems

32674 - Artificial Vision

Teaching Guide Information

Academic Course:

2025/26

Academic Center:

802 - Masters Centre of the Engineering Department

Study:

8025 - Master in Intelligent Interactive Systems

Subject:

32674 - Artificial Vision

Credits:

5.0

Course:

Teaching languages:

Theory:	Group 1: Pending
Practice:	Group 101: Pending
Seminar:	Group 101: Pending

Teachers:

Coloma Maria Ballester Nicolau

Teaching Period:

Third term

Presentation

The course Computer Vision covers fundamental and advanced topics in computer vision. The aim is to provide both a general and applied knowledge of a broad variety of computer vision techniques applied to solve real-world vision problems. The strategies to tackle these problems include both model-based approaches and data-driven (deep learning) methods.

Topics include image representations, image models and priors, model-based and data-driven visual features, points and features detection and matching, scene segmentation, object detection and object recognition, image and video editing, generative methods, visual anomalies and fake data, scene understanding, time-varying geometry.

The labs will be an essential part of the learning and the students will work on specific tasks where to put in practice the concepts learned in the course. The students will also develop a project along the course that will be followed in seminars.

Associated skills | General learning outcomes

Basic competences:

CB2. That the students can apply their knowledge to their work or vocation of a professional form and possess the competences which are usually proved by means of the elaboration and defense of arguments and solving of problems within their study area.

CB5. That the students have developed those learning abilities necessary to undertake later studies with a high degree of autonomy.

Transversal competences

CT3. Applying with flexibility and creativity the acquired knowledge and adapting it to new contexts and situations.

Specific competences

CE9. Mastering the fundamentals and principles of the processing of audiovisual signals for the acquisition, analysis, processing and obtention of functional results.

Learning outcomes | Specific learning outcomes

Specific learning outcomes

RA.CE9.6 Comparing images analysis and interpretation techniques.

RA.CE9.7 Applying advanced image and video processing techniques.

1. Introduction to vision and computer vision.

2. Image models and priors. Visual representations. Extracting visual features

3. Object detection and recognition by feature matching

4. Patch-based methods and applications to image processing and computer vision problems

5. Image and video segmentation and clustering

6. Image and video editing

7. Object detection and object recognition

8. Scene understanding

9. Time varying geometry

10. Generative methods for data generation and understanding

11. Fake visual information and anomaly detection

Evaluation and grading system

The (individual) final mark for this course will be computed with the following formula:

Final Mark = 0.45 x Exam Mark + 0.30 x Lab Mark + 0.25 x Project Mark + 0.10 x Participation in class

where

Exam Mark:

- Minimum mark of 5 is required in the exam mark

- Otherwise, it is recoverable in July

Labs Mark:

- 6 lab sessions and lab assignments, with compulsory and optional parts

- A minimum mark of 4 in each lab and an average mark of 5 are required

- Otherwise, recovering non-passed labs is possible but will be graded with a maximum mark of 7

- Work individually or in pairs, depending on the sessions

Project Mark

The students will develop a project along the course. This project will be followed in seminars. Possibly, a challenge will be settled and the project mark will be partially affected by the challenge results.

Participation in class:

- It is the average individual mark obtained from the quiz associated to each Lecture session and that will be done either at the end or the beginning of the session.

If the final mark exceeds 10, it will be truncated but the value will be taken into account for Honors.

Curso Académico: 2025/26

8025 - Máster Universitario en Sistemas Inteligentes Interactivos

32674 - Visión Artificial

Información de la Guía Docente

Curso Académico:

2025/26

Centro académico:

802 - Centro Másteres del Departamento de Ingeniería

Estudio:

8025 - Máster Universitario en Sistemas Inteligentes Interactivos

Asignatura:

32674 - Visión Artificial

Créditos:

5.0

Curso:

Idiomas de docencia:

Teoría:	Grupo 1: Pendiente
Prácticas:	Grupo 101: Pendiente
Seminario:	Grupo 101: Pendiente

Profesorado:

Coloma Maria Ballester Nicolau

Periodo de Impartición:

Tercer trimestre

Presentación

El curso de Visión por Ordenador cubre temas fundamentales y avanzados en visión artificial. El objetivo es proporcionar un conocimiento tanto general como aplicado de una amplia variedad de técnicas de visión por ordenador aplicadas a la resolución de problemas de visión y con datos visuales del mundo real. Las estrategias para abordar estos problemas incluyen enfoques basados en modelos y m todos basados en datos (aprendizaje profundo).

Los temas incluyen representaciones de imágenes, modelización de im genes y modelos a priori, características visuales basadas en modelos y basadas en datos, detección y emparejamiento de puntos y características, segmentación de escenas, detección y reconocimiento de objetos, edición de imágenes y videos, métodos generativos, anomalías visuales y datos falsos, comprensión de la escena, geometría variable en el tiempo.

Los trabajos de laboratorio serán una parte esencial del aprendizaje y los estudiantes trabajarán en tareas específicas donde poner en práctica los conceptos aprendidos en el curso. Los estudiantes también desarrollarán un proyecto a lo largo del curso que será seguido en las sesiones de seminario.

Competencias asociadas | Resultados generales de aprendizaje

Competencies básicas:

CB2. 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.

CB5. Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.

Competencias transversales

CT3. Aplicar con flexibilidad y creatividad los conocimientos adquiridos y de adaptarlos a contextos y situaciones nuevas.

Competencias específicas

CE9. Dominar los fundamentos y principios del procesado de señales audiovisuales para la adquisición, análisis, procesado y obtención de resultados funcionales.

Resultados de aprendizaje | Resultados de aprendizaje específicos

Resultados de aprendizaje especifico

RA.CE9.6 Compara técnicas de análisis e interpretación de imágenes.

RA.CE9.7 Aplica técnicas avanzadas de procesado de imagen y vídeo.

Contenidos

1. Introducción a la visión y visión por ordenador

2. Modelización de imagen y modelos a priori. Representaciones visuales. Extracción de características visuales

3. Detección y reconocimiento de objetos por emparejamiento de características

4. Métodos y aplicaciones basados en entornos para el procesamiento de imágenes y problemas de visión por computador

5. Segmentación de imágenes y videos

6. Edición de imagen y video

7. Detección de objetos y reconocimiento de objetos

8. Comprensión de la escena

9. Geometría variable en el tiempo

10. Métodos generativos para la generación y comprensión de datos: predicción estructurada, modelos generativos, GANs, modelos autorregresivos

11. Información visual falsa y detección de anomalías

Sistema de evaluación y calificación

La nota final (individual) del curso se calculará a partir de la fórmula siguiente:

Nota Final = 0.45 x Nota Examen + 0.30 x Nota Prácticas + 0.25 x Nota Proyecto + 0.10 x Participación en clase

donde

* Nota Examen

- Se requieren calificación mínima de 5 .

- En caso contrario, es recuperable en julio

* Nota Prácticas

- 6 sesiones de laboratorio y tareas de laboratorio, con partes obligatorias y opcionales.

- Se requiere una calificación mínima de 4 en cada lab y calificación promedio mínima de 5.

- En caso contrario, se pueden recuperar los labs fallados pero la calificación máxima será de 7.

- Trabajo individual o en parejas, dependiendo de la sesión

* Nota Proyecto

Los estudiantes desarrollaran un proyecto a lo largo del curso. Este proyecto recibirá seguimiento en las sesiones de seminarios. Posiblemente, se establecerá un "challenge" y la nota correspondiente al proyecto estará parcialmente afectada por los resultados en el challenge.

* Participación en clase

- Es la nota media (individual) obtenida a partir del test asociado a cada sesión de teoría, que se hará o bien al final o bien al inicio de la sesión.

Si la nota excede el 10 será truncada, pero el valor será tenido en cuenta para la asignación de las matrículas de honor.