Asignatura: Reconocimiento de Patrones y Aprendizaje de Máquina para Visión Computacional
Profesores:
Dr. Boris Escalante Ramírez
Dra. Olveres Montiel Jimena
Ayudante:
Erik Carbajal Degante
| Tema | Título | Lectura |
|---|---|---|
| I | Conceptos básicos de reconocimiento de patrones | Statistical Pattern Recognition: A Review |
| 1 | Introducción al reconocimiento de patrones | |
| 2 | Problemas fundamentales en el diseño de un sistema de reconocimiento de patrones. | |
| 3 | Ejemplos de sistemas automáticos de reconocimiento de patrones. | |
| II | Funciones de decisión | |
| 1 | Funciones de decisión lineales y generalizadas | |
| 1.1 | Espacio generado por los patrones y las constantes de peso. Vectores y espacios de características | |
| 1.2 | Propiedades geométricas | |
| 1.3 | Instrumentación de las funciones de decisión | |
| 1.4 | Sistemas de funciones ortogonales | |
| 2 | Clasificación y regresión | Regresión Lineal y Gradiente |
| 3 | Bases de datos en imágenes y su importancia en el área de reconocimiento de patrones y aprendizaje de máquina | Bases de datos |
| III | Clasificación de patrones por medio de funciones estadísticas | Teoría de detección y Bayes Estimación Bayesiana |
| 1 | Revisión de probabilidad: densidad y momentos de una variable aleatoria. Densidad, correlación y covarianzas de vectores de variables aleatorias. Densidades condicionales | |
| 2 | Teoría de detección y estimación | |
| 3 | Clasificación de patrones como un problema de decisión estadístico (Maxima verosimilitud) | |
| 4 | Clasificación de Bayes (Naive Bayes) | |
| IV | Extracción y selección de características I | |
| 1 | Obtención de características y mejora de la imagen: filtrado y transformación | Filtros
Transformaciones |
| 2 | Texturas: procesamiento estadístico: 1er O: varianza covarianza y 2º O: matriz GLCM-coocurrencia | Teoría de detección y Bayes Estimación Bayesiana Textura Estadisticos Tutorial GLCM |
| 3 | * Práctica con clasificador bayesiano | Artículo Texturas |
| 4 | Texturas: Superpixeles y LBPs | Superpixeles LBPs |
| 5 | Emparejamiento de características: ej: distancias eucllidiana, Mahalanobis, histogramas | Distancias |
| 6 | * Práctica de histograma para generar vectores de características | |
| V | Extracción y selección de características II | |
| 1 | Detección de características basadas en esquinas y bordes | Canny Introduction to Harris Corner Detector Harris Detector |
| 2 | * Práctica de Reconocimiento por texturas | |
| 3 | Pirámides: diferencias de gausianas y laplacianas | |
| 4 | SIFT- Scale Invariant Feature Transform | SIFT |
| 5 | * Práctica SVM | |
| VI | Extracción de características por transformación | |
| 1 | Transformada de Fourier | |
| 2 | Transformada de Gabor | |
| 3 | Transformada de Hermite | |
| 4 | * Práctica árboles aleatorios | |
| VIII | Experimentación y métricas de clasificación | |
| 1 | Errores, exactitud y precisión, error medio cuadrado | |
| 2 | Métodos de experimentación | |
| 3 | Matriz de confusión | |
| 4 | Curva ROC | |
| 5 | * Proyecto Final | |
| VIII | * Aprendizaje de máquina (se intercalarán estos métodos dentro de cada tema desarrollado a partir del Tema II) | |
| 1 | Regresión lineal y logística | |
| 2 | Clasificador Bayesiano ingenuo | |
| 3 | Clasificadores supervisados: KNN y no supervisados: K–Means | |
| 4 | Máquinas de soporte vectorial (SVM) | |
| 5 | Árboles binarios – árboles aleatorios | |
| 6 | Redes neuronales artificiales y convolucionales |
![[contour_gray.png]](http://lapi.fi-p.unam.mx/wp-content/uploads/contour_gray.png){kind=link}