Konputagailu bidezko Ikusmena26224
- Ikastegia
- Informatika Fakultatea
- Titulazioa
- Adimen Artifiziala Gradua
- Ikasturtea
- 2024/25
- Maila
- 3
- Kreditu kopurua
- 6
- Hizkuntzak
- Gaztelania
- Euskara
- Kodea
- 26224
IrakaskuntzaToggle Navigation
Irakaskuntza-gidaToggle Navigation
Irakasgaiaren Azalpena eta Testuingurua zehazteaToggle Navigation
Ordenagailu bidezko ikusmena teknika konputazionalen multzo bat da, gero eta gehiago erabiltzen dena
industrian, aplikazio medikoetan, robotikan eta gizaki-makina elkarrekintzan oinarritutako sistemetan, adibidez keinuen bidez edo informazio biometrikoa hartzean.
Gaitasunak / Irakasgaia Ikastearen EmaitzakToggle Navigation
Lan praktikoen helburua da ikaslea sistema hauen funtzionalitate ohikoenekin ohitzea:
irudi digitalen gaineko eragiketa, ordenagailu bidezko ikusmen-sistemen proiekzioarekin. Ikasleak
oinarrizko operadoreen propietateak eta haien konbinazioa ikasiko ditu. Ikasleak ordenagailu bidezko ikusmen sistemen egitura orokorra ezagutuko du, arazo zehatzetarako konfigurazio espezifikoak zehaztu ahal izanik. Ikasleak aplikazio-eremuei buruzko ikuspegi orokorra hartuko du, eta horrek aukera emango dio ordenagailu bidezko ikusmen proiektuen bideragarritasuna edo erabilgarritasuna zehazteko.
GAITASUNAK:
1. Ordenagailu bidezko ikusmenean oinarritutako sistema baten software-eskakizunak aztertzea.
2. Ikusmen-sistemen eta beste software-sistema batzuen arteko elkarreragingarritasuna ezartzea.
3. Ordenagailu bidezko ikusmenean oinarritutako irtenbideen azterketa kritikoa egiteko gaitasuna.
4. Problemak ebazteko artearen egoera definitzea, ordenagailu bidezko ikusmena erabiliz.
Eduki teoriko-praktikoakToggle Navigation
0 - Sarrera
1 - Irudi digitala
2 - Irudi transformazioak
3 - Ertzak eta ertz detektagailuak
4 - Ezaugarriak eta parekatzea
5 - Fluxu optikoa
6 - 3D, sakonera eta estereo-ikusmena
7 - Irudi errekonozimendua
8 - Objektu detektoreak
9 - Irudi segmentazioa
10 - Ikaskuntza auto-gainbegiratua
11 - Difusio ereduak
12 - Ikusmena eta testua
MetodologiaToggle Navigation
Lana laborategian egiten denez, etengabeko interakzioa behar da tresnekin, bai eskola magistraletan, bai praktiketan, irakaskuntza magistralaren zati batek barne hartzen baitu irudiak, prozesuak eta emaitzak momentuan erakustea. Irakaskuntza kontzeptu eta aplikazioen inguruan antolatzen da.
Ikaslearen dedikazioa 60 ordu presentzial eta 60 lanordu pertsonalekoa da. Klaseak oinarrien aurkezpen magistraletan eta lan-proposamenetan antolatzen dira, ikasleak irakasleak emandako datuekin (irudiak edo bideoak) lan egin dezan.
Ebaluazio-sistemakToggle Navigation
- Ebaluazio Jarraituaren Sistema
- Azken Ebaluazioaren Sistema
- Kalifikazioko tresnak eta ehunekoak:
- Garatu beharreko proba idatzia (%): 30
- Praktikak egitea (ariketak, kasuak edo buruketak) (%): 40
- Lanen, irakurketen... aurkezpena (%): 30
Ohiko Deialdia: Orientazioak eta Uko EgiteaToggle Navigation
Irakasgaia bi modutan gainditu ahal izango da: etengabeko ebaluazio bidez edo amaierako ebaluazio bidez. Ebaluazio jarraituaren baldintzak betetzen dituen ikasle batek amaierako ebaluazioa aukeratu nahiko balu, irakasgaiko irakasle arduradunei adierazi behar die nahi hori modu honetan eta epe hauetan: eGela bitartez, 12. asteko epean.
Etengabeko ebaluazio-metodoak ez du soilik azterketa zein praktiken errendimendua jasotzen. Horretaz gain, ikasleak ikasgelan duen parte-hartze aktiboa neurtuko da, laborategiko zereginak, idatzizko txostenaren argitasuna, eta ahozko azalpenean erakutsitako komunikazio-gaitasuna.
ETENGABEKO EBALUAZIOA:
A: Lan idatziak -> 6/10
B: Proiektuak - 4/10
OHARRA: Bi lanak derrigorrezkoak dira, eta nota minimoa eskatuko da bietan (5/10).
AMAIERAKO EBALUAZIOA:
A: Lan idatziak -> 7/10
B: Proiektuak - 3/10
OHARRA: Bi lanak derrigorrezkoak dira, eta nota minimoa eskatuko da bietan (5/10).
Ezohiko deialdia: Orientazioak eta Uko EgiteaToggle Navigation
A: Idatzizko azterketa -> 7/10
B: Proiektua -> 3/10
OHARRA: Idatzizko azterketa eta proiektua derrigorrezkoak dira eta gutxieneko nota bat eskatuko da bietan (5/10).
Nahitaez erabili beharreko materialaToggle Navigation
Lan praktikoak egiteko, Python erabiliko dugu Google Colab ingurunean. Python erabiltzeko erraztasuna ikaslearentzat oso ona izango da irakasgai honetan hobeto ibiltzeko.
BibliografiaToggle Navigation
Oinarrizko bibliografia
Richard Szeliski, Computer Vision: Algorithms and Applications, Springer
R Hartley y A Zisserman, Multiple View Geometry in Computer Vision, Cambridge University Press
I Goodfellow, Y Bengio, A Couville, Deep Learning, MIT Press
Gehiago sakontzeko bibliografia
R Hartley y A Zisserman Multiple View Geometry in Computer Vision, Cambridge University Press
Revistas
Aldizkariak
IEEE Pattern recognition and machine intelligence
IEEE image processing
International Journal of Computer Vision
Web helbideak
University of Michigan Deep Learning for Computer Vision: https://web.eecs.umich.edu/~justincj/teaching/eecs498/WI2022/
Stanford Convolutional Neural Networks for Visual Recognition: http://cs231n.stanford.edu/
Washington University Computer Vision: https://courses.cs.washington.edu/courses/cse455/22sp/
New York University Computer Vision: https://cs.nyu.edu/~fergus/teaching/vision/index.html
TaldeakToggle Navigation
16 Teoriakoa (Gaztelania - Arratsaldez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 15:30-17:00 (1) | 14:00-15:30 (2) |
Irakasleak
16 Laborategiko p.-1 (Gaztelania - Arratsaldez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 17:00-18:30 (1) |
Irakasleak
31 Teoriakoa (Euskara - Goizez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 10:30-12:00 (1) | 09:00-10:30 (2) |
Irakasleak
31 Laborategiko p.-1 (Euskara - Goizez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 12:00-13:30 (1) |