1. Introducción a la visión por computadora. ¿Qué es visión por computadora? Breve historia. Procesamiento de imágenes: filtros lineales; operadores de vecindario; correlación y convolución.

2. Introducción a Convolutional Neural Networks (CNN). Perceptrón multicapa. Backpropagation. Redes convolucionales. Arquitecturas: fully-connected layer; convolutional layer; pooling; normalization; activation functions; regularization.

3. Entrenamiento de CNN. Data processing; batch normalization; transfer learning; hyperparameter tuning; learning rate; data augmentation.

4. Casos de estudio. AlexNet; GoogLeNet; VGGNet; RestNet; MobileNet. Consideraciones Computacionales. Benchmarking para CNN.

5. Detección y Segmentación con CNN. Semantic segmentation. Object detection. Instance segmentation.

– Diego Sebastian Pérez (UTN – Mendoza)

1. Szeliski, R. (2011). Computer Vision: Algorithms and Applications. Springer.

2. Bishop, C. (2011). Pattern Recognition and Machine Learning. Oxford University Press.

3. Khan, S., Rahmani, H., Shah, S., & Bennamoun, M. (2018). A guide to convolutional neural networks for computer vision. Synthesis Lectures on Computer Vision.

4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MITPress (disponible en http://www.deeplearningbook.org).

16 horas sincrónicas + 8 horas de apoyo.

El alumno será evaluado a partir de la resolución de cuatro laboratorios en formato notebook, que abarcan los siguientes temas:

Lab 1. Abarca los temas 1, 2, 3 y 4. Tiene por objetivo contribuir al entendimiento de los conceptos básicos de las CNN mediante la resolución de ejercicios sencillos.

Lab 2: Semantic segmentation con CNN.

Lab 3: Object detection con CNN.

Lab 4: Instance segmentation con CNN.

Al finalizar cada laboratorio los alumnos deberán entregar el notebook, incluyendo la resolución de los ejercicios, el código implementado y el análisis y discusión de los resultados obtenidos. Se hará una devolución sobre el notebook entregado. En caso de ser necesario, el alumno tendrá la posibilidad de incorporar las mejoras sugeridas durante la corrección, contemplando una iteración más. Cada laboratorio será calificado como “Aprobado” o “No aprobado”. La materia es aprobada con los 4 laboratorios aprobados.