Reconocimiento de patrones y visión computacional

Inicio      Temario      Recursos      Prácticas      Tareas      Proyecto Final     

INICIO

Asignatura: Reconocimiento de Patrones y Aprendizaje de Máquina para Visión Computacional

Profesores:
Dr. Boris Escalante Ramírez
Dra. Olveres Montiel Jimena

TEMARIO

Tema Título Lectura
I Introducción, modelo de un sistema de reconocimiento de patrones y aprendizaje de máquina. Statistical Pattern Recognition: A Review
Classification in Pattern Recognition: A Review
Introducción
1 Sistema general de reconocimiento de patrones y aprendizaje de máquina
2 Importancia de estos modelos y su relación entre ellos.
3 Procesamiento Supervisado y No supervisado
4 Clasificación y regresión
5 Bases de datos en imágenes y su importancia en el área de reconocimiento de patrones y aprendizaje de máquina
II 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
III 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
IV Extracción de características por transformación
1 Transformada de Fourier
2 Transformada de Gabor
3 Transformada de Hermite
4 * Práctica árboles aleatorios
V 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
VI * 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

RECURSOS

BIBLIOGRAFÍA

  • Duda, Hart and Stork. Pattern Classification. John Wiley & Sons (ISBN-10-0471056693) 2001.
  • C. M Bishop. Pattern Recognition and Machine Learning. Springer (ISBN-13-9780387310732) 2006.
  • Sergios Theodoridis and Konstantinos Koutroumbas. Pattern recognition. Elsevier (ISBN- 9781597492720) 2008.
  • González, R.C., Woods P. Digital Image Processing. Addison Wesley 1992.
  • Deep Learning by Ian Goodfellow, Aaron Courille and Yoshua Bengio. MIT Press 2016.
  • Hands-On Machine Learning with Scikit-Learn & Tensor Flow, Aurélien Géron. O’Reilly 2017.
  • Neural Networks and Deep Learning by Michael Nielsen. Online book.
  • Pattern Recognition and Classification, Geoff Dougherty. Springer 2013.
  • H. L. Van Trees, K. L. Bell. Detection Estimation and Modulation Theory, Part I: Detection, Estimation, and Filtering Theory. John Wiley & Sons 2013.
  • A. Papoulis, S. U. Pillai. Probability, Random Variables and Stochastic Processes. McGraw-Hill 2002.

OTROS CURSOS Y TUTORIALES

PRÁCTICAS

  1. Manejo básico de imágenes. [PDF] [Imagenes.zip] [Imagenes2.zip]
    Ejercicios básicos de procesamiento de imágenes. [PDF] [contour_gray.png]
  2. Clasificador bayesiano. [PDF]. [Imágenes].
  3. Caracterización y clasificación de texturas. [PDF]. [texturas.zip]. [imgTexturas2.zip]
  4. Eigenfaces. [EigenFaces and A Simple Face Detector with PCA/SVD in Python].

TAREAS

  1. Ejercicios con datos Iris. [PDF y datos Iris]. Entrega: Mie 11-Mar.

PROYECTO FINAL

Proyecto sobre COVID-19.
Recurso auxiliar: Imaging Findings of CoVID-19
Rúbrica de Proyectos

Entrega: Mie 10-Jun.