|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/clasificacion-imagenes
课程评论：没有评论
课程名称：图像分类：如何识别图像内容？ 课程概述：你对计算机视觉感兴趣吗？希望了解如何识别图像的视觉内容并进行分类吗？本课程将教你不同的图像表示和分类方法。课程内容包括基本的图像分类框架“视觉词袋”，并将学习如何利用多种局部描述符和常用的分类方法。同时，我们还会介绍该基础框架的不同扩展方法，允许组合不同描述符、加入空间信息或改进图像的最终表示。 完成课程后，学员将能够： - 设计适应于不同图像分类和识别问题的解决方案 - 了解主要的图像描述和分类技术 - 获取开发实际图像分类应用所需的工具 本课程面向有计算机、工程或数学相关专业背景的大学生，以及对使用计算机视觉技术提取图像信息感兴趣的编程学生。 课程大纲： 1. **图像分类介绍**：讲解图像分类的基础，展示基本分类系统的各个步骤，包括图像处理中基础概念、局部特征检测与描述（SIFT）以及简单分类器k-NN的介绍。 2. **视觉词袋（BoW）**：介绍视觉词袋作为基本表示方法，讲解如何构建BoW表示，包括使用K-Means构建词汇表，局部特征的汇总与构建直方图，支持向量机（SVM）的分类方法及其评估。 3. **特征提取**：提供SIFT的替代方案，介绍SURF作为一种更高效的特征检测与提取方法，同时分析其他局部特征检测策略及考虑颜色信息的描述符。 4. **融合策略**：讲解如何在BoW表示中结合不同类型的信息，包括局部描述符融合和分类器级融合等不同层次。 5. **空间信息的引入**：讨论如何在BoW表示中加入图像物体的空间信息，介绍空间金字塔的概念及其在局部特征定位中的应用。 6. **高级技术**：最后一模块涵盖当面临复杂图像分类问题时，BoW的扩展或替代方法，例如高斯混合模型（GMM）、Fisher向量和VLAD。同时简要介绍卷积神经网络（CNNs）作为另一种图像分类方法的前景。 这门课程将带领学员全面理解图像分类的技巧和工具。
Name:Introducción a la clasificación de imágenes
Description:En este primer módulo explicaremos los fundamentos de la clasificación de imágenes y presentaremos todos los pasos de un primer sistema de clasificación básico. Para ello, primero veremos algunos conceptos básicos sobre el procesamiento de una imagen que nos servirán para introducir un primer método para detectar y describir características locales (SIFT) en una imagen. Luego veremos cómo podemos agrupar estas características locales para representar toda la imagen y explicaremos un primer clasificador simple, k-NN. Finalmente comentaremos los aspectos básicos de la evaluación del rendimiento de un sistema de clasificación de imágenes.
Name:Bag of Words (BoW)
Description:En este módulo introduciremos Bag of Words como método de representación básico que utilizaremos mayoritariamente a lo largo de todo el curso. Explicaremos todos los detalles necesarios para construir la representación BoW de una imagen, incluyendo la construcción del vocabulario utilizando K-Means y cómo agregar la información de las características locales en la representación final en forma de histograma. En la segunda parte de la semana explicaremos Support Vector Machines (SVM) como método de clasificación, tanto los conceptos fundamentales como su formulación matemática y los detalles para entrenar y utilizar un clasificador basado en SVM. Finalmente, completaremos la explicación de la evaluación del rendimiento que introducimos en el módulo anterior.
Name:Extracción de características
Description:En este módulo completaremos la explicación de métodos de extracción de características que iniciamos en la primera semana ofreciendo alternativas a la utilización de SIFT. En concreto veremos SURF como un nuevo método de detección y extracción más eficiente computacionalmente que SIFT. Para aumentar la capacidad descriptiva de las características analizaremos otras estrategias para la detección de características locales e introduciremos descriptores que nos permitan tener en cuenta la información del color en la imagen. Veremos también como podemos también mejorar la eficiencia computacional reduciendo la dimensión de los descriptores de carácterísticas locales.
Name:Estrategias de fusión
Description:En este módulo veremos cómo podemos combinar diferentes descriptores que aportan diferente tipo de información en el esquema de representación BoW. Explicaremos los diferentes niveles a los que se puede hacer esta combinación: a nivel de descriptores locales (early fusion), a nivel de construcción del vocabulario (intemediate fusion) o a nivel de clasificador (late fusion)
Name:Incorporación de información espacial
Description:En este módulo abordaremos cómo podemos incorporar información espacial de los objetos de la imagen en la representación BoW. Para ello introduciremos el concepto de pirámide espacial y cómo se utiliza para modificar la representación básica del BoW de forma que tengamos en cuenta la localización en la imagen de cada característica local. Veremos también cómo podemos comparar imágenes que utilizan la pirámide espacial. Finalmente explicaremos una forma de aprender la configuración óptima de una pirámide espacial.
Name:Técnicas avanzadas
Description:En este último módulo veremos algunas técnicas avanzadas que pueden ser extensiones o alternativas al BoW cuando nos enfrentamos a problemas de clasificación complejos por el tipo o el número de imágenes. En primer lugar, veremos los GMM como un método alternativo para construir el vocabulario que nos servirá también para explicar Fisher Vector como otra posibilidad de agregar todas las características locales en una representación de toda la imagen. En el mismo sentido explicaremos también VLAD. Finalizaremos el curso con una breve introducción a las redes neuronales convolucionales (CNNs) que se están constituyendo como un esquema alternativo para la clasificación de imágenes, especialmente en problemas con muchas clases e imágenes.
¿Te interesa la visión por computador? ¿Te gustaría saber cómo se puede reconocer el contenido visual de las imágenes y clasificarlas a partir de su contenido? En este curso aprenderás diferentes métodos de representación y clasificación de imágenes. El temario del curso te permitirá conocer el esquema básico de clasificación de imágenes conocido como Bag of Visual Words. A partir de este esquema básico aprenderás cómo utilizar varios descriptores locales de la imagen así como los métodos de clasificación más habituales. También describiremos diferentes extensiones del esquema básico que permiten combinar distintos descriptores, incluir información espacial o mejorar la representación final de la imagen. Finalizar el curso te permitirá: • Diseñar soluciones adaptadas para diferentes problemas de clasificación y reconocimiento de imágenes • Conocer las principales técnicas usadas para la descripción y clasificación de una imagen • Acceder a las herramientas que permiten el desarrollo de aplicaciones reales de clasificación de imágenes El curso está orientado tanto a estudiantes universitarios de algún grado relacionado con la informática, la ingeniería o las matemáticas, como a otros estudiantes con conocimientos de programación, interesados en aprender cómo utilizar técnicas de visión por computador para extraer información de las imágenes.
