Curso Online en Vision Artificial: Reconocimiento de Imagenes, Objetos y Video

1.    Fundamentos teóricos y conceptuales de la visión artificial

1.1.  Definición, alcance y evolución histórica de la visión artificial como disciplina

1.2.  El sistema visual humano como modelo de referencia para la visión artificial

1.3.  Arquitectura general de un sistema de visión artificial

1.4.  Principales paradigmas y enfoques metodológicos en visión artificial

1.5.  Ámbitos de aplicación actuales y tendencias emergentes en la industria

1.6.  Herramientas, librerías y entornos de desarrollo fundamentales para la práctica

2.    Adquisición, representación y preprocesamiento de imágenes digitales

2.1.  Principios físicos de la formación de imágenes digitales

2.2.  Representación digital de imágenes: píxeles, resolución y profundidad de color

2.3.  Espacios y modelos de color utilizados en el procesamiento de imágenes

2.4.  Técnicas fundamentales de preprocesamiento y mejora de imágenes

2.5.  Operaciones geométricas y transformaciones espaciales sobre imágenes

2.6.  Identificación y gestión del ruido en imágenes digitales

3.    Técnicas de filtrado, mejora y transformación de imágenes

3.1.  Fundamentos del filtrado en el dominio espacial

3.2.  Filtros de suavizado para eliminación de ruido

3.3.  Filtros de realce y técnicas de detección de bordes

3.4.  Filtrado en el dominio de la frecuencia

3.5.  Operaciones morfológicas sobre imágenes binarias y en escala de grises

3.6.  Técnicas avanzadas de mejora y normalización de imágenes

4.    Extracción y descripción de características visuales

4.1.  Concepto e importancia de las características visuales en los sistemas de visión artificial

4.2.  Detección de puntos de interés y keypoints en imágenes

4.3.  Descriptores de características locales clásicos

4.4.  Descriptores de textura y forma para la caracterización de regiones

4.5.  Correspondencia y emparejamiento de características entre imágenes

4.6.  Aplicaciones prácticas de la extracción y emparejamiento de características

5.    Segmentación de imágenes y detección de regiones de interés

5.1.  Principios, objetivos y taxonomía de los métodos de segmentación de imágenes

5.2.  Métodos de segmentación basados en umbralización

5.3.  Segmentación basada en regiones y crecimiento espacial

5.4.  Segmentación basada en agrupamiento no supervisado (clustering)

5.5.  Introducción conceptual a la segmentación semántica y la segmentación por instancias

5.6.  Detección, extracción y análisis de contornos en imágenes segmentadas

5.7.  Evaluación cuantitativa de la calidad de la segmentación

6.    Fundamentos de aprendizaje automático aplicado a la visión artificial

6.1.  Introducción al aprendizaje automático en el contexto de la visión por computador

6.2.  Preparación y gestión de conjuntos de datos de imágenes

6.3.  Clasificadores clásicos de aprendizaje automático aplicados al reconocimiento visual

6.4.  Evaluación del rendimiento y métricas en modelos de clasificación visual

6.5.  Problemas frecuentes en el entrenamiento y estrategias de mitigación

7.    Redes neuronales convolucionales para el reconocimiento de imágenes

7.1.  Fundamentos de las redes neuronales artificiales aplicadas a datos visuales

7.2.  Arquitectura y componentes de las redes neuronales convolucionales (CNN)

7.3.  Proceso de entrenamiento y ajuste de redes convolucionales

7.4.  Arquitecturas emblemáticas de CNN para clasificación de imágenes

7.5.  Transfer learning y fine-tuning de modelos preentrenados

7.6.  Implementación práctica de CNN con los principales frameworks de deep learning

8.    Detección y reconocimiento de objetos en imágenes

8.1.  Formulación del problema de detección de objetos en visión artificial

8.2.  Métodos clásicos de detección de objetos previos al aprendizaje profundo

8.3.  Detectores de objetos basados en redes neuronales de dos etapas

8.4.  Detectores de objetos de una sola etapa para detección eficiente

8.5.  Segmentación de instancias y detección avanzada de objetos

8.6.  Entrenamiento, evaluación y postprocesamiento de modelos de detección

9.    Análisis y procesamiento de secuencias de video en visión artificial

9.1.  Fundamentos del procesamiento de video digital

9.2.  Técnicas de sustracción de fondo y detección de movimiento

9.3.  Estimación del flujo óptico para el análisis de movimiento

9.4.  Reconocimiento de acciones y actividades en secuencias temporales de video

9.5.  Consideraciones de rendimiento para el procesamiento de video en tiempo real

10.    Seguimiento de objetos y análisis de trayectorias en secuencias de video

10.1.  Formulación del problema de seguimiento de objetos (object tracking)

10.2.  Algoritmos clásicos de seguimiento de objetos individuales

10.3.  Seguimiento de objetos basado en técnicas de deep learning

10.4.  Seguimiento de múltiples objetos simultáneos (Multi-Object Tracking)

10.5.  Análisis de trayectorias y detección de patrones de comportamiento

11.    Aplicaciones avanzadas y casos de uso profesionales de la visión artificial

11.1.  Reconocimiento y verificación facial en entornos reales

11.2.  Reconocimiento óptico de caracteres (OCR) y lectura automática de documentos

11.3.  Visión artificial aplicada a la industria manufacturera y el control de calidad

11.4.  Visión artificial en vehículos autónomos y sistemas de asistencia a la conducción

11.5.  Visión artificial en el ámbito médico y las ciencias de la salud

11.6.  Aplicaciones emergentes de la visión artificial en otros sectores profesionales

12.    Implementación, despliegue y optimización de sistemas de visión artificial en producción

12.1.  Diseño integral del pipeline de un sistema de visión artificial

12.2.  Optimización de modelos de deep learning para su despliegue en producción

12.3.  Estrategias de despliegue de modelos en diferentes plataformas y entornos

12.4.  Monitorización, mantenimiento y mejora continua de sistemas en producción

12.5.  Consideraciones éticas, legales y de privacidad en sistemas de visión artificial