3.58. AI268 Visión Computacional (Electivo)
  • ES Español (Latinoamérica)

3.58. AI268 Visión Computacional (Electivo)

Figura 3.58: Mapa de Conexión. AI268 Visión Computacional

  • ES Español (Latinoamérica)
3.58.1. Justificación Volver arriba

Este curso cubre técnicas fundamentales para el análisis automático de imágenes digitales, esencial en aplicaciones como diagnóstico médico, vehículos autónomos y sistemas de vigilancia. Alinea con los estándares ACM/ IEEE-CS para visión por computadora.

  • ES Español (Latinoamérica)
3.58.2. Objetivos Generales Volver arriba

  1. Implementar algoritmos de extracción de características y reconocimiento de objetos usando OpenCV/Python.
  2. Evaluar métodos de deep learning para segmentación semántica (ej. Mask R-CNN).

  • ES Español (Latinoamérica)
3.58.3. Contribución a los resultados (Outcomes) Volver arriba

AG-C08) Análisis de Problemas: Identifica, formula y analiza problemas complejos de computación. (Usage)
AG-C11) Uso de Herramientas: Aplica herramientas modernas de computación en la resolución de problemas. (Usage)

  • ES Español (Latinoamérica)
3.58.4. Contenido Volver arriba

  • ES Español (Latinoamérica)
3.58.4.1. Fundamentos de Imágenes Digitales (16 horas) [Habilidades AG-C08,AG-C11] Volver arriba

Referencias Bibliográficas: (Szeliski, 2010; Gonzalez and Woods, 2018)

Temas

  1. Filtrado espacial (Gaussiano, Sobel)
  2. Transformaciones geométricas y morfológicas
  3. Espacios de color (RGB, HSV, LAB)

Aprendizaje esperado (Learning Outcomes)

  1. Aplicar operaciones básicas de procesamiento de imágenes [Usar]
  2. Calibrar parámetros de filtros para casos reales [Evaluar]
  • ES Español (Latinoamérica)
3.58.4.2. Geometría Epipolar y Reconstrucción (16 horas) [Habilidades AG-C08,AG-C11] Volver arriba

Referencias Bibliográficas: (Hartley and Zisserman, 2004)

Temas

  1. Matriz fundamental y esencial
  2. Triangulación y estructura desde movimiento
  3. Nube de puntos con Open3D

Aprendizaje esperado (Learning Outcomes)

  1. Implementar pipelines de reconstrucción 3D [Usar]
  2. Documentar resultados técnicos en informes [Evaluar]
  • ES Español (Latinoamérica)
3.58.4.3. Redes Neuronales para Visión (16 horas) [Habilidades AG-C08,AG-C11] Volver arriba

Referencias Bibliográficas: (He et al., 2017)

Temas

  1. Arquitecturas CNN (ResNet, YOLO)
  2. Transfer learning con TensorFlow
  3. Segmentación semántica (U-Net)

Aprendizaje esperado (Learning Outcomes)

  1. Entrenar modelos para clasificación de imágenes [Usar]
  2. Colaborar en equipos para proyectos integrados [Usar]

  • ES Español (Latinoamérica)
3.58.5. Referencias Bibliográficas Volver arriba

Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.

Gonzalez, R. and Woods, R. (2018). Digital Image Processing. Pearson, 4th edition.

Hartley, R. and Zisserman, A. (2004). Multiple View Geometry in Computer Vision. Cambridge University Press.

He, K., Gkioxari, G., Dollár, P., and Girshick, R. (2017). Mask r-cnn. IEEE ICCV.

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono