|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/deteccion-objetos
课程评论：没有评论
课程名称：目标检测 课程概述：您对计算机视觉感兴趣吗？想了解如何在图像中检测和识别物体的方法吗？本课程将为您介绍任何自动目标检测和识别系统的基本原理。在课程期间，我们将分析不同的表示和分类方法，以便让您能够处理日益复杂的应用案例。 课程内容基本上围绕目标检测和识别的基本框架展开，逐步引入不同的特征提取和图像表示方法，以及多种分类和定位对象的方法。课程涵盖图像形成的基本概念、卷积及其在边缘检测中的应用、区域特征、图像描述符（局部二元模式、方向梯度直方图、Haar特征）以及多种分类方法（线性分类器、支持向量机、Adaboost、随机森林、卷积神经网络）。 完成本课程后，您将能够： - 根据通用基本框架，为不同的目标检测和识别问题设计适应性解决方案。 - 理解描述和分类图像的主要技术。 - 掌握开发实际目标检测和识别应用的工具，能够在多个应用中开发自己的目标检测和识别系统。 本课程适合与计算机、工程或数学相关的大学生，也适合有编程基础、希望学习如何利用计算机视觉技术从图像中提取信息的其它学生。 课程开始时间：2015年12月1日 课程大纲： 1. 目标检测简介：解释基础的目标检测器原理，图像的形成和分析概念，以及如何在简单检测器的设计中应用这些概念。 2. 目标分类：介绍窗口分类器的概念，使用局部二元模式（LBP）作为图像描述符，通过逻辑回归的方法进行分类。 3. 目标检测：专注于在图像中检测可能的候选目标，并使用第二周的分类器分析这些候选对象。 4. 基于HOG/SVM的检测器：介绍一种基于方向梯度直方图（HOG）作为图像描述符和支持向量机（SVM）作为分类器的目标检测系统。 5. 基于Haar/Adaboost的检测器：讲解使用Haar特征描述图像和Adaboost进行分类的检测系统，并介绍级联分类器的组合方法。 6. 高级技术：介绍在目标检测各阶段中可使用的更先进的技术，以应对更复杂的检测问题，包括非整体模型、领域适应方法和卷积神经网络的使用等。 该课程为希望深入了解目标检测领域的学生提供了专业的指导和实践机会。
Part: 1
Title:INTRODUCCIÓN A LA DETECCIÓN DE OBJETOS
Description: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.
Part: 2
Title:CLASIFICACIÓN DE OBJETOS
Description: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.
Part: 3
Title:DETECCIÓN DE OBJETOS
Description: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.
Part: 4
Title:DETECTOR BASADO EN HOG/SVM
Description: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.
Part: 5
Title:DETECTOR BASADO EN HAAR/ADABOOST
Description:En esta semana veremos un tercer sistema de detección basado en las características de Haar para describir la imagen y Adaboost como clasificador. Para poder explicar las características de Haar explicaremos también el concepto de imagen integral. Veremos cómo entrenar un clasificador con Adaboost que nos permita seleccionar el mejor subconjunto de las características de Haar. Finalmente, explicaremos cómo combinar varios clasificadores en una cascada para poder implementar un sistema completo de detección.
Part: 6
Title:TÉCNICAS AVANZADAS
Description:En las semanas anteriores hemos visto los métodos más habituales para la detección de objetos. En esta última semana explicaremos algunas técnicas más avanzadas que se pueden utilizar en diferentes fases de la detección y que pueden ser útiles en problemas de detección más complejos. Entre estas técnicas están los modelos no holísticos (DPM, Random Forests), métodos de adaptación de dominio, la utilización de redes neuronales convolucionales, explotar la multi-modalidad en las imágenes y técnicas alternativas para la generación de candidatos.
¿Te interesa la visión por computador? ¿Te gustaría conocer qué métodos puedes utilizar para detectar y reconocer objetos en una imagen? En este curso te introducirás en los principios básicos de cualquier sistema automático de detección y reconocimiento de objetos en imágenes. A lo largo del curso analizaremos diferentes métodos de representación y clasificación que te permitirán abordar casos de aplicación de complejidad creciente. El contenido del curso se estructura a partir de un esquema básico de detección y reconocimiento de objetos que sirve de guía para ir introduciendo tanto los diferentes métodos de extracción de características y representación de la imagen como diferentes alternativas para clasificar una imagen y para localizar todas las instancias de un objeto en la imagen. El temario incluye conceptos básicos de formación de la imagen, la convolución y su aplicación a la detección de contornos, características de regiones, descriptores de imagen (Local Binary Pattern, Histogram of Oriented Gradients, características de Haar) y varios métodos de clasificación (clasificador lineal, Support Vector Machine, Adaboost, Random Forest, Convolutional Neural Network). Finalizar el curso te permitirá: • Diseñar, a partir de un esquema básico común, soluciones adaptadas para diferentes problemas de detección y reconocimiento de objetos en una imagen, • Conocer las principales técnicas para la descripción y clasificación de una imagen, • Conocer las herramientas que permiten el desarrollo de aplicaciones reales de detección y reconocimiento de objetos, para que seas capaz de desarrollar tus propios sistemas de detección y reconocimiento de objetos en múltiples aplicaciones. 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. INICIO: 1 de Diciembre de 2015
