糖心vlog官网观看

En este m贸dulo introduciremos Bag of Words como m茅todo de representaci贸n b谩sico que utilizaremos mayoritariamente a lo largo de todo el curso. Explicaremos todos los detalles necesarios para construir la representaci贸n BoW de una imagen, incluyendo la construcci贸n del vocabulario utilizando K-Means y c贸mo agregar la informaci贸n de las caracter铆sticas locales en la representaci贸n final en forma de histograma. En la segunda parte de la semana explicaremos Support Vector Machines (SVM) como m茅todo de clasificaci贸n, tanto los conceptos fundamentales como su formulaci贸n matem谩tica y los detalles para entrenar y utilizar un clasificador basado en SVM. Finalmente, completaremos la explicaci贸n de la evaluaci贸n del rendimiento que introducimos en el m贸dulo anterior.

En este m贸dulo completaremos la explicaci贸n de m茅todos de extracci贸n de caracter铆sticas que iniciamos en la primera semana ofreciendo alternativas a la utilizaci贸n de SIFT. En concreto veremos SURF como un nuevo m茅todo de detecci贸n y extracci贸n m谩s eficiente computacionalmente que SIFT. Para aumentar la capacidad descriptiva de las caracter铆sticas analizaremos otras estrategias para la detecci贸n de caracter铆sticas locales e introduciremos descriptores que nos permitan tener en cuenta la informaci贸n del color en la imagen. Veremos tambi茅n como podemos tambi茅n mejorar la eficiencia computacional reduciendo la dimensi贸n de los descriptores de car谩cter铆sticas locales.

En este m贸dulo veremos c贸mo podemos combinar diferentes descriptores que aportan diferente tipo de informaci贸n en el esquema de representaci贸n BoW. Explicaremos los diferentes niveles a los que se puede hacer esta combinaci贸n: a nivel de descriptores locales (early fusion), a nivel de construcci贸n del vocabulario (intemediate fusion) o a nivel de clasificador (late fusion)

En este m贸dulo abordaremos c贸mo podemos incorporar informaci贸n espacial de los objetos de la imagen en la representaci贸n BoW. Para ello introduciremos el concepto de pir谩mide espacial y c贸mo se utiliza para modificar la representaci贸n b谩sica del BoW de forma que tengamos en cuenta la localizaci贸n en la imagen de cada caracter铆stica local. Veremos tambi茅n c贸mo podemos comparar im谩genes que utilizan la pir谩mide espacial. Finalmente explicaremos una forma de aprender la configuraci贸n 贸ptima de una pir谩mide espacial.

En este 煤ltimo m贸dulo veremos algunas t茅cnicas avanzadas que pueden ser extensiones o alternativas al BoW cuando nos enfrentamos a problemas de clasificaci贸n complejos por el tipo o el n煤mero de im谩genes. En primer lugar, veremos los GMM como un m茅todo alternativo para construir el vocabulario que nos servir谩 tambi茅n para explicar Fisher Vector como otra posibilidad de agregar todas las caracter铆sticas locales en una representaci贸n de toda la imagen. En el mismo sentido explicaremos tambi茅n VLAD. Finalizaremos el curso con una breve introducci贸n a las redes neuronales convolucionales (CNNs) que se est谩n constituyendo como un esquema alternativo para la clasificaci贸n de im谩genes, especialmente en problemas con muchas clases e im谩genes.