Logo

Reconeixement Visual

Codi: 108268
Crèdits: 6
2026/2027
Titulació Tipus Curs
Intel·ligència Artificial / Bachelor in Artificial Intelligence OP 3

Professor/a de contacte

Nom :
Debora Gil Resina
Correu electrònic :
debora.gil@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Haver cursat les assignatures de Fonaments d'Aprenentatge Automàtic, Fonaments de Programació, Fonaments de Visió per Computador, Probabilitat i Estadística, i Xarxes Neuronals i Aprenentatge Profund.

Es recomana que l'alumne tingui coneixements i capacitats de:

  • Programació en el llenguatge de programació Python
  • Processament de Senyal, Imatge i Vídeo
  • Validació estadística
  • Aprenentatge Computacional i Deep Learning

Objectius

Aproximadament cada dècada hi ha un tsunami tecnològic que transforma múltiples indústries. La Intel·ligència Artificial (IA) és aquesta onada que arrasa al món tecnològic actual. Si alguna vegada t'has preguntat:

com els ordinadors realitzen la detecció de cares en multituds? com les aplicacions de videotrucades desenfoquen el fons o reemplacen el fons amb altres imatges? com es desplacen els cotxes autònoms de formas segura en un entorn urbà? com es segueix la pilota amb tanta precisió en esdeveniments esportius televisats com tennis, futbol i com es segueix la pilota amb tanta precisió en esdeveniments esportius televisats com tennis, futbol i bàsquet? podem saber el tractament de càncer més efectiu a partir de dades multimodals del pacient? podem saber les emocions d'una persona amb un video? com aprenen les màquines?


Si hem despertat la seva curiositat, aquest curs és el que necessites. En aquest curs apendrem sobre temes en Visió per Ordinador com Seguiment d'Objectes, Classificació d'Imatges, Medicina Personalitzada, Vision Language models i molts més.


A diferència d'altres cursos de visió per ordinador, aquest curs s'acosta a la visió per ordinador de manera més pràctica, experiencial i intuïtiva. El seu principal component és un conjunt de projectes que ha de ser desenvolupats pels estudiants repartits en equips. Tot el que es necessita és un coneixement pràctic del llenguatge de programació Python. Utilitzarem python que permet incorporar diferents biblioteques de visió per ordinador. L'utilitzen milers d'empreses, productes i dispositius i es prova cada dia per obtenir escalabilitat i rendiment. A més apendrem a dissenyar i adaptar xarxes específiques i a escollir quin és el mètode de processat més adient segons els requeriments i restriccions de cada aplicació. En resum, Visió i Aprenentatge és una assignaturade caràcter eminentment pràctic i interdisciplinar que se situa en el pont que hi ha entre la intel·ligència artificial i el món real i que pretén recórrer aquest pont en ambdues direccions.

Resultats d'aprenentatge

  • CM12 (Construir solucions a problemes complexos d’intel·ligència artificial basades en la selecció de les tècniques més adequades de processament d’imatges i aprenentatge computacional aplicat a la visió artificial.) Construir solucions a problemes complexos d’intel·ligència artificial basades en la selecció de les tècniques més adequades de processament d’imatges i aprenentatge computacional aplicat a la visió artificial.
  • CM13 (Planificar el desenvolupament i desplegament de solucions basades en visió per computador utilitzant les eines i plataformes adequades, tenint en compte criteris de sostenibilitat en l’ús dels recursos computacionals.) Planificar el desenvolupament i desplegament de solucions basades en visió per computador utilitzant les eines i plataformes adequades, tenint en compte criteris de sostenibilitat en l’ús dels recursos computacionals.
  • KM29 (Identificar els fonaments matemàtics i algorítmics en els quals es basen les tècniques de processament d’imatges de baix nivell, d’optimització i d’aprenentatge computacional aplicat a la visió artificial.) Identificar els fonaments matemàtics i algorítmics en els quals es basen les tècniques de processament d’imatges de baix nivell, d’optimització i d’aprenentatge computacional aplicat a la visió artificial.
  • KM30 (Identificar les arquitectures i els models d’aprenentatge profund més comuns per a la resolució de problemes de visió artificial.) Identificar les arquitectures i els models d’aprenentatge profund més comuns per a la resolució de problemes de visió artificial.
  • SM31 (Aplicar les tècniques d’aprenentatge automàtic adequades a problemes de visió artificial.) Aplicar les tècniques d’aprenentatge automàtic adequades a problemes de visió artificial.
  • SM32 (Utilitzar algoritmes i tècniques de processament d’imatges, així com arquitectures i models d’aprenentatge profund existents, per al disseny i la implementació de sistemes de visió per computador per als diferents tipus de problemes de reconeixement visual.) Utilitzar algoritmes i tècniques de processament d’imatges, així com arquitectures i models d’aprenentatge profund existents, per al disseny i la implementació de sistemes de visió per computador per als diferents tipus de problemes de reconeixement visual.
  • SM33 (Dur a terme la preparació de dades, l’entrenament i la validació i l’anàlisi de models en tot tipus de problemes de visió artificial.) Dur a terme la preparació de dades, l’entrenament i la validació i l’anàlisi de models en tot tipus de problemes de visió artificial.

Continguts

  1. Introducció a l' Aprenentatge Computacional en Visió per Computador
  2. Classificació d' Imatges
  3. Aprenentatge d' instàncies múltiples
  4. Mecanismes d' atenció (simple, gated, self)
  5. Generació d' Imatges
  6. Aprenentatge Multimodal
  7. Foundation Models
  8. Vision Language Models
  9. few-shot learning


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Resolució de Reptes 37,5 1,5 CM12, CM13, KM29, KM30, SM31, SM32, SM33
Treball individual 95 3,8 CM12, CM13, KM29, KM30, SM31, SM32, SM33
Teoria 12,5 0,5 CM12, CM13, KM29, KM30

El curs seguirà una metodologia docent d'aprenentatge anomenada Aprenentatge Basat en Projectes (ABP).

La metodologia ABP pretén potenciar i motivar a l'estudiant en el seu aprenentatge. Es formaran grups d'entre 2 i 4 estudiants als que se'ls encomanarà la realització d'un conjunt de projectes (de mida mitjana) al llarg del semestre. Es farà un seguiment setmanal i tutorització tant grupal com individual dels estudiants

Els projectes són fixats pel professorat de manera que compleixi les següents condicions: ser el més real possible; ser tractable mitjançant eines elementals; no tenir associat un algorisme de solució standard. D'altra banda, és essencial entendre que no es tracta pas de trobar un algorisme que funcioni en el 100 x 100 dels casos -tot sovint no existeix tal cosa- sinó simplement de "donar-hi una proposta de solució raonable".

Els projectes els han de desenvolupar cada equip amb la màxima autonomia possible. Cada equip tindrà assignat un tutor que en seguirà l'evolució però enprincipi s'abstindrà d'imposar les seves idees. D'altra banda, l'estudiant ha de tenir clar que no es tracta de buscar la 'solució' del problema en altres llocs, sino de fer una aportació original. Això no vol dir que s'hagi de renunciar a la informació que pugui existir en la bibliografia o a Internet; però quan se'n faci ús cal tenir informat el professor i explicar-ho en la memòria.


Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Individual Mark 30% 5 0,2 CM12, CM13, KM29, KM30, SM31, SM32, SM33
Group Mark 70% 0 0 CM12, CM13, KM29, KM30, SM31, SM32, SM33

Activitats d’Avaluació

L'assignatura té 2 acyivitats d'avaluació:

  1. Projectes grupals (70%)
  2. Proba escrita individual (30%)

Avaluació dels Projectes. L'assignatura té 3 projectes de dificultat creixent. Al final de cada projecte els estudiants entregaran una memòria del treball realitzat que seran avaluats per part dels professors de l'assignatura siguin o no els tutors. Per a l'avaluació s'utilitzaran els següents INSTRUMENTS i ACTIVITATS:

MEMORIA DEL PROJECTE La memoria haurà de seguir el model proporcionat al CV. Es valorarà el grau de dificultat tècnica, diseny experimental reproduible, analisi de mètriques i interpretació de resultats. La memoria haurà d’incloure un apartat on s’especifiqui quina es la contribució de cada membre del grup i quin us s’ha fet de l’IA. Per cada projecte, es podrà demanar l’us de methodologies especifiques que constituiexen coneixements i habilitats bàsiques que l’estudiant ha d’haver adquirit en la resolució del problema proposat. El codi ha de permetre executar un cas d’us i es podrà fer servir per verificar que els estudiants han desenvolupat correctament el projecte,

APLICACIÓ: programa desenvolupat.

SEGUIMENT A CLASSE: Avaluació a partir de les observacions fetes pels tutors en les sessions tutoritzades, on es tindrà en compte l'actitud, iniciativa, participació, assistència i puntualitat de l'alumne a les sessions de grup.


Donat que els projectes es desenvolupen al llarg de tot el curs, la seva avaluació té un caràcter continuat, i el seu resultat final no és recuperable.

Proba Individual. Al final del curs es farà una proba escrita individual on l'estudiant haurà de demostrar que ha entès els continguts i metodologies usades en els projectes realitzats.

Qualificacions

La nota de l'assignatura és la Mitjana ponderada entre la nota dels projectes i la nota de la proba individual:

Nota Final = 0,7 * Nota Projectes + 0,3 * Nota Individual

La nota dels projectes sortirà del la mitjana dels 3 projectes realitzats. Cal tenir un 5 en la Nota Individual per fer la mitjana. L'assignatura queda aprobada si la Nota Final >=5

Per a distingir entre 'suspens' i 'no presentat' es fixa una data límit per a que els estudiants es puguin donar de baixa de l'avaluació, en el qual cas apareixeran com a 'no presentats'. Per a donar-se de baixa caldrà comunicar-ho al professor, per escrit o mitjançant correu eletrònic, i obtenir un acús de rebuda.

Si es demostra que part del contingut del projecte ha estat plagiat i/o elaborat per una tercera persona diferent de l'estudiant i/o generat per IA, es suspendrà automàticament.

Avaluació Única: Aquesta assignatura no preveu el sistema d'avaluació única.

Ús d'IA. Les eines d'IA és podrán usar com eines de suport a l'aprenetatge (per exemple, per millorar la redacció, l'estil, la claredat expositiva, la correcció lingüística /oi per l'obtenció d'assistència en aspectes tècnics). En cap cas podrán substituir i/o suolantar l'activitat d'aprenentatge de l'estudiant, ni la seva adquisició dels coneixements específics de l'assignatura.

No és acceptable utilitzar eines d'intel·ligència artificial per generar continguts del treball que estan sotmesos a avaluació. Les tasques/activitats evaluables sospitoses d'haver estat generades per una IA enlloc de per l'estudiant serán considerades com una còpia i serán evaluades amb un 0.

Bibliografia

Es donarà al llarg del curs

Programari

Per desenvolupar diferents sistemes de visió per computador, tan a pràctiques com a problemes, s'utilitzarà el llenguatge de programació Python.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TE) Teoria 1 Anglès primer quadrimestre tarda
(PAUL) Pràctiques d'aula 1 Anglès primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 1 Anglès primer quadrimestre tarda