Profundizarás en las Redes Adversariales para generar los datos más realistas gracias a esta titulación universitaria exclusiva y 100% online”

La Visión Artificial es un campo esencial dentro del Aprendizaje Automático, con un impacto significativo en la mayoría de las compañías tecnológicas. Esta tecnología permite a los ordenadores y sistemas interpretar imágenes digitales, vídeos y otras entradas visuales para extraer información clave. Así, sus aplicaciones abarcan desde el reconocimiento facial hasta la automatización en la industria manufacturera. Entre sus múltiples beneficios, destaca la optimización de los procesos de producción, la reducción de errores humanos y el incremento en la precisión de los análisis visuales. Gracias a estas innovaciones, las empresas pueden mejorar la calidad de sus productos y optimizar la resolución de problemas.

Ante este escenario, TECH ha desarrollado un programa que aborda en profundidad la Visión por Computador. Este programa universitario, diseñado por expertos en la materia, ofrece un plan de estudios que profundiza en el procesado de imágenes 3D y en el uso de los softwares más avanzados para la visualización de datos. Asimismo, el temario incorpora el análisis del Deep Learning, un área fundamental para procesar grandes volúmenes de datos complejos. A través de este enfoque, los egresados podrán enriquecer sus procedimientos de trabajo con modelos de última generación, mejorando así su competitividad en el mercado.

De esta manera, los materiales didácticos proporcionarán un amplio repertorio de técnicas avanzadas de Visión por Computador mediante diferentes Frameworks, como Keras, TensorFlow v2 y PyTorch. Con ello, estas herramientas permitirán a los alumnos desarrollar soluciones eficientes y adaptadas a su entorno profesional. El programa también incorpora casos prácticos para garantizar la aplicación real de los conocimientos adquiridos, facilitando así la transición del aprendizaje teórico a la práctica.

En cuanto a su formato, esta titulación universitaria se imparte en un cómodo modelo 100% online. Los egresados solo necesitarán un dispositivo con acceso a Internet para ingresar en el Campus Virtual, donde accederán a una biblioteca con recursos multimedia. Además, TECH aplica la metodología Relearning, que facilita la asimilación progresiva del conocimiento, garantizando un aprendizaje dinámico y efectivo.

Te especializarás en una tecnología de vanguardia que acelerará tu crecimiento profesional y te abrirá nuevas puertas. ¡El futuro está en tus manos!”

Este Máster en Visión Artificial contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:  

• El desarrollo de casos prácticos presentados por expertos en informática y visión artificial
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Domina los espacios de color en imágenes y elige el modelo adecuado entre RGB, HSV, CMYK y más para mejorar la representación del color”

Incluye en su cuadro docente a profesionales pertenecientes al ámbito de la Visión Artificial, que vierten en este programa la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un estudio inmersivo programado para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el alumno deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

Utiliza RGB para representar colores en pantallas y aprovecha la combinación de rojo, verde y azul para generar millones de colores en imágenes digitales"

Asegura una reproducción precisa de colores en papel mediante la combinación de cian, magenta, amarillo y negro"

El presente programa proporcionará a los egresados una visión integral del Estado del Arte en Inteligencia Artificial. Compuesto por 10 completos módulos, el itinerario académico abordará los algoritmos de visión convencional y ofrecerá los últimos avances en Deep Learning. Así, los materiales didácticos incluirán técnicas avanzadas de visión por computador, permitiendo su aplicación inmediata en la praxis profesional. Además, el temario analizará en detalle las Redes Convolucionales, proporcionando a los egresados las herramientas necesarias para realizar una clasificación precisa de objetos en imágenes, optimizando así sus capacidades en el ámbito del análisis visual automatizado.

Aprende a separar luminancia y color optimizando el almacenamiento y transmisión de imágenes y videos, mejorando la eficiencia y calidad de tu trabajo digital”

Módulo 1. Visión artificial

1.1. Percepción humana

1.1.1. Sistema visual humano
1.1.2. El color
1.1.3. Frecuencias visibles y no visibles

1.2. Crónica de la Visión Artificial

1.2.1. Principios
1.2.2. Evolución
1.2.3. La importancia de la visión artificial

1.3. Composición de imágenes digitales

1.3.1. La Imagen digital
1.3.2. Tipos de imágenes
1.3.3. Espacios de color
1.3.4 .RGB
1.3.5. HSV y HSL
1.3.6. CMY-CMYK
1.3.7. YCbCr
1.3.8. Imagen indexada

1.4. Sistemas de captación de imágenes

1.4.1. Funcionamiento de una cámara digital
1.4.2. La correcta exposición para cada situación
1.4.3. Profundidad de campo
1.4.4. Resolución
1.4.5. Formatos de imagen
1.4.6. Modo HDR
1.4.7. Cámaras de alta resolución
1.4.8. Cámaras de alta velocidad

1.5. Sistemas Ópticos

1.5.1. Principios ópticos
1.5.2. Objetivos convencionales
1.5.3. Objetivos telecéntricos
1.5.4. Tipos de autoenfoque
1.5.5. Distancia focal
1.5.6. Profundidad de campo
1.5.7. Distorsión óptica
1.5.8. Calibración de una imagen

1.6. Sistemas de iluminación

1.6.1. Importancia de la iluminación
1.6.2. Respuesta frecuencial
1.6.3. Iluminación Led
1.6.4. Iluminación en exteriores
1.6.5. Tipos de iluminaciones para aplicaciones industriales. Efectos

1.7. Sistemas Captación 3D

1.7.1. Estéreo Visión
1.7.2. Triangulación
1.7.3. Luz estructurada
1.7.4. Time of Flight
1.7.5. Lidar

1.8. Multiespectro

1.8.1. Cámaras Multiespectrales
1.8.2. Cámaras Hiperespectrales

1.9. Espectro cercano No visible

1.9.1. Cámaras IR
1.9.2. Cámaras UV
1.9.3. Convertir de No visible a Visible gracias a la iluminación

1.10. Otras bandas del espectro

1.10.1. Rayos X
1.10.2. Teraherzios

Módulo 2.  Aplicaciones y estado del arte

2.1. Aplicaciones industriales

2.1.1. Librerías de visión industrial
2.1.2. Cámaras compactas
2.1.3. Sistemas basados en PC
2.1.4. Robótica industrial
2.1.5. Pick and place 2D
2.1.6. Bin picking
2.1.7. Control de calidad
2.1.8. Presencia ausencia de componentes
2.1.9. Control dimensional
2.1.10. Control etiquetaje
2.1.11. Trazabilidad

2.2. Vehículos autónomos

2.2.1. Asistencia al conductor
2.2.2. Conducción autónoma

2.3. Visión Artificial para Análisis de Contenidos

2.3.1. Filtro por contenido
2.3.2. Moderación de contenido visual
2.3.3. Sistemas de seguimiento
2.3.4. Identificación de marcas y logos
2.3.5. Etiquetación y clasificación de videos
2.3.6. Detección de cambios de escena
2.3.7. Extracción de textos o créditos

2.4. Aplicaciones médicas

2.4.1. Detección y localización de enfermedades
2.4.2. Cáncer y Análisis de radiografías
2.4.3. Avances en visión artificial dada la Covid19
2.4.4. Asistencia en el quirófano

2.5. Aplicaciones espaciales

2.5.1. Análisis de imagen por satélite
2.5.2. Visión artificial para el estudio del espacio
2.5.3. Misión a Marte

2.6. Aplicaciones comerciales

2.6.1. Control stock
2.6.2. Videovigilancia, seguridad en casa
2.6.3. Cámaras aparcamiento
2.6.4. Cámaras control población
2.6.5. Cámaras velocidad

2.7. Visión Aplicada a la Robótica

2.7.1. Drones
2.7.2. AGV
2.7.3. Visión en robots colaborativos
2.7.4. Los ojos de los robots

2.8. Realidad Aumentada

2.8.1. Funcionamiento
2.8.2. Dispositivos
2.8.3. Aplicaciones en la industria
2.8.4. Aplicaciones comerciales

2.9. Cloud computing

2.9.1. Plataformas de Cloud Computing
2.9.2. Del Cloud Computing a la producción

2.10. Investigación y Estado del Arte

2.10.1. La comunidad científica
2.10.2. Qué se está cociendo
2.10.3. El futuro de la visión artificial

Módulo 3. Procesado digital de imágenes

3.1. Entorno de desarrollo en Visión por Computador

3.1.1. Librerías de Visión por Computador
3.1.2. Entorno de programación
3.1.3. Herramientas de visualización

3.2. Procesamiento digital de imágenes

3.2.1. Relaciones entre pixeles
3.2.2. Operaciones con imágenes
3.2.3. Transformaciones geométricas

3.3. Operaciones de pixeles

3.3.1. Histograma
3.3.2. Transformaciones a partir de histograma
3.3.3. Operaciones en imágenes en color

3.4. Operaciones lógicas y aritméticas

3.4.1. Suma y resta
3.4.2. Producto y División
3.4.3. And / Nand
3.4.4. Or / Nor
3.4.5. Xor / Xnor

3.5. Filtros

3.5.1. Máscaras y Convolución
3.5.2. Filtrado lineal
3.5.3. Filtrado no lineal
3.5.4. Análisis de Fourier

3.6. Operaciones morfológicas

3.6.1. Erode and Dilating
3.6.2. Closing and Open
3.6.3. Top_hat y Black hat
3.6.4. Detección de contornos
3.6.5. Esqueleto
3.6.6. Relleno de agujeros
3.6.7. Convex hull

3.7. Herramientas de análisis de imágenes

3.7.1. Detección de bordes
3.7.2. Detección de blobs
3.7.3. Control dimensional
3.7.4. Inspección de color

3.8. Segmentación de objetos

3.8.1. Segmentación de imágenes
3.8.2. Técnicas de segmentación clásicas
3.8.3. Aplicaciones reales

3.9. Calibración de imágenes

3.9.1. Calibración de imagen
3.9.2. Métodos de calibración
3.9.3. Proceso de calibración en un sistema cámara 2D/robot

3.10. Procesado de imágenes en entorno real

3.10.1. Análisis de la problemática
3.10.2. Tratamiento de la imagen
3.10.3. Extracción de características
3.10.4. Resultados finales

Módulo 4. Procesado digital de imágenes avanzado

4.1. Reconocimiento óptico de caracteres (OCR)

4.1.1. Preprocesado de la imagen
4.1.2. Detección de texto
4.1.3. Reconocimiento de texto

4.2. Lectura de códigos

4.2.1. Códigos 1D
4.2.2. Códigos 2D
4.2.3. Aplicaciones

4.3. Búsqueda de patrones

4.3.1. Búsqueda de patrones
4.3.2. Patrones basados en nivel de gris
4.3.3. Patrones basados en contornos
4.3.4. Patrones basados en formas geométricas
4.3.5. Otras técnicas

4.4. Seguimiento de objetos con visión convencional

4.4.1. Extracción de fondo
4.4.2. Meanshift
4.4.3. Camshift
4.4.4. Optical flow

4.5. Reconocimiento facial

4.5.1. Facial Landmark detection
4.5.2. Aplicaciones
4.5.3. Reconocimiento facial
4.5.4. Reconocimiento de emociones

4.6. Panorámica y alineaciones

4.6.1. Stitching
4.6.2. Composición de imágenes
4.6.3. Fotomontaje

4.7. High Dinamic Range (HDR) and Photometric Stereo

4.7.1. Incremento del rango dinámico
4.7.2. Composición de imágenes para mejorar contornos
4.7.3. Técnicas para el uso de aplicaciones en dinámico

4.8. Compresión de imágenes

4.8.1. La compresión de imágenes
4.8.2. Tipos de compresores
4.8.3. Técnicas de compresión de imágenes

4.9. Procesado de video

4.9.1. Secuencias de imágenes
4.9.2. Formatos y códecs de video
4.9.3. Lectura de un video
4.9.4. Procesado del fotograma

4.10. Aplicación real de Procesado de Imágenes

4.10.1. Análisis de la problemática
4.10.2. Tratamiento de la imagen
4.10.3. Extracción de características
4.10.4. Resultados finales

Módulo 5. Procesado de imágenes 3D

5.1. Imagen 3D

5.1.1. Imagen 3D
5.1.2. Software de procesado de imágenes 3d y Visualizaciones
5.1.3. Software de Metrología

5.2. Open3D

5.2.1. Librería para Proceso de Datos 3D
5.2.2. Características
5.2.3. Instalación y Uso

5.3. Los datos

5.3.1. Mapas de profundidad en imagen 2D
5.3.2. Pointclouds
5.3.3. Normales
5.3.4. Superficies

5.4. Visualización

5.4.1. Visualización de Datos
5.4.2. Controles
5.4.3. Visualización Web

5.5. Filtros

5.5.1. Distancia entre puntos, eliminar Outliers
5.5.2. Filtro paso alto
5.5.3. Downsampling

5.6. Geometría y extracción de características

5.6.1. Extracción de un perfil
5.6.2. Medición de profundidad
5.6.3. Volumen
5.6.4. Formas geométricas 3D
5.6.5. Planos
5.6.6. Proyección de un punto
5.6.7. Distancias geométricas
5.6.8. Kd Tree
5.6.9. Features 3D

5.7. Registro y Meshing

5.7.1. Concatenación
5.7.2. ICP
5.7.3. Ransac 3D

5.8. Reconocimiento de objetos 3D

5.8.1. Búsqueda de un objeto en la escena 3d
5.8.2. Segmentación
5.8.3. Bin picking

5.9. Análisis de superficies

5.9.1. Smoothing
5.9.2. Superficies orientables
5.9.3. Octree

5.10. Triangulación

5.10.1. De Mesh a Point Cloud
5.10.2. Triangulación de mapas de profundidad
5.10.3. Triangulación de PointClouds no ordenados

Módulo 6. Deep learning

6.1. Inteligencia Artificial

6.1.1. Machine Learning
6.1.2. Deep Learning
6.1.3. La explosión del Deep Learning. Por qué ahora

6.2. Redes neuronales

6.2.1. La red neuronal
6.2.2. Usos de las redes neuronales
6.2.3. Regresión lineal y Perceptron
6.2.4. Forward propagation
6.2.5. Backpropagation
6.2.6. Feature vectors

6.3. Loss Functions

6.3.1. Loss function
6.3.2. Tipos de loss functions
6.3.3. Elección de la loss function

6.4. Funciones de activación

6.4.1. Función de activación
6.4.2. Funciones lineales
6.4.3. Funciones no lineales
6.4.4. Output vs Hidden layer activation functions

6.5. Regularización y Normalización

6.5.1. Regularización y Normalización
6.5.2. Overfitting and Data Augmentation
6.5.3. Regularization methods: L1, L2 and dropout
6.5.4. Normalization methods: Batch, Weight, Layer

6.6. Optimización

6.6.1. Gradient Descent
6.6.2. Stochastic Gradient Descent
6.6.3. Mini Batch Gradient Descent
6.6.4. Momentum
6.6.5. Adam

6.7. Hyperparameter Tuning y Pesos

6.7.1. Los hiperparámetros
6.7.2. Batch Size vs Learning Rate vs Step Decay
6.7.3. Pesos

6.8. Métricas de evaluación de una red neuronal

6.8.1. Accuracy
6.8.2. Dice coefficient
6.8.3. Sensitivity vs Specificity / Recall vs precision
6.8.4. Curva ROC (AUC)
6.8.5. F1-score
6.8.6. Confusion matrix
6.8.7. Cross-validation

6.9. Frameworks y Hardware

6.9.1. Tensor Flow
6.9.2. Pytorch
6.9.3. Caffe
6.9.4. Keras
6.9.5. Hardware para la Fase de Entrenamiento

6.10. Creación de una Red Neuronal – Entrenamiento y Validación

6.10.1. Dataset
6.10.2. Construcción de la red
6.10.3. Entrenamiento
6.10.4. Visualización de resultados

Módulo 7. Redes Convolucionales y Clasificación de Imágenes

7.1. Redes neuronales convolucionales

7.1.1. Introducciónn
7.1.2. La convolución
7.1.3. CNN Building Blocks

7.2. Tipos de capas CNN

7.2.1. Convolutional
7.2.2. Activation
7.2.3. Batch normalization
7.2.4. Polling
7.2.5. Fully connected

7.3. Métricas

7.3.1. Confusión Matrix
7.3.2. Accuracy
7.3.3. Precisión
7.3.4. Recall
7.3.5. F1 Score
7.3.6. ROC Curve
7.3.7. AUC

7.4. Principales arquitecturas

7.4.1. AlexNet
7.4.2. VGG
7.4.3. Resnet
7.4.4. GoogleLeNet

7.5. Clasificación de imágenes

7.5.1. Introducciónn
7.5.2. Análisis de los datos
7.5.3. Preparación de los datos
7.5.4. Entrenamiento del modelo
7.5.5. Validación del modelo

7.6. Consideraciones prácticas para el entrenamiento de CNN

7.6.1. Selección de optimizador
7.6.2. Learning Rate Scheduler
7.6.3.  Comprobar pipeline de entrenamiento
7.6.4. Entrenamiento con regularización

7.7. Buenas prácticas en Deep Learning

7.7.1. Transfer learning
7.7.2. Fine Tuning
7.7.3. Data Augmentation

7.8. Evaluación estadística de datos

7.8.1. Número de datasets
7.8.2. Número de etiquetas
7.8.3. Número de imágenes
7.8.4. Balanceo de datos

7.9. Deployment

7.9.1. Guardando y cargando modelos
7.9.2. Onnx
7.9.3. Inferencia

7.10. Caso Práctico: Clasificación de Imágenes

7.10.1.  Análisis y preparación de los datos
7.10.2.  Testeo de la pipeline de entrenamiento
7.10.3.  Entrenamiento del modelo
7.10.4.  Validación del modelo

Módulo 8. Detección de objetos

8.1. Detección y Seguimiento de Objetos

8.1.1. Detección de Objetos
8.1.2. Casos de uso
8.1.3. Seguimiento de objetos
8.1.4. Casos de uso
8.1.5. Oclusiones, Rigid and No Rigid Poses

8.2. Métricas de Evaluación

8.2.1. IOU - Intersection Over Union
8.2.2. Confidence Score
8.2.3. Recall
8.2.4. Precisión
8.2.5. Recall – Precisión Curve
8.2.6. Mean Average Precision (mAP)

8.3. Métodos tradicionales

8.3.1. Sliding window
8.3.2. Viola detector
8.3.3. HOG
8.3.4. Non Maximal Supresion (NMS)

8.4. Datasets

8.4.1. Pascal VC
8.4.2. MS Coco
8.4.3. ImageNet (2014)
8.4.4. MOTA Challenge

8.5. Two Shot Object Detector

8.5.1. R-CNN
8.5.2. Fast R-CNN
8.5.3. Faster R-CNN
8.5.4. Mask R-CNN

8.6. Single Shot Object Detector

8.6.1. SSD
8.6.2. YOLO
8.6.3. RetinaNet
8.6.4. CenterNet
8.6.5. EfficientDet

8.7. Backbones

8.7.1. VGG
8.7.2. ResNet
8.7.3. Mobilenet
8.7.4. Shufflenet
8.7.5. Darknet

8.8. Object Tracking

8.8.1. Enfoques clásicos
8.8.2. Filtros de partículas
8.8.3. Kalman
8.8.4. Sort tracker
8.8.5. Deep Sort

8.9. Despliegue

8.9.1. Plataforma de Computación
8.9.2. Elección del Backbone
8.9.3. Elección del Framework
8.9.4. Optimización de Modelos
8.9.5. Versionado de Modelos

8.10. Estudio: Detección y Seguimiento de Personas

8.10.1. Detección de personas
8.10.2. Seguimiento de personas
8.10.3. Reidentificación
8.10.4. Conteo de personas en multitudes

Módulo 9. Segmentación de Imágenes con deep learning

9.1. Detección de Objetos y Segmentación

9.1.1. Segmentación semántica

9.1.1.1. Casos de uso de segmentación semántica

9.1.2. Segmentación Instanciada

9.1.2.1. Casos de uso segmentación instanciada

9.2. Métricas de evaluación

9.2.1. Similitudes con otros métodos
9.2.2. Pixel Accuracy
9.2.3. Dice Coefficient (F1 Score)

9.3. Funciones de coste

9.3.1. Dice Loss
9.3.2. Focal Loss
9.3.3. Tversky Loss
9.3.4. Otras funciones

9.4. Métodos tradicionales de Segmentación

9.4.1. Aplicación de umbral con Otsu y Riddlen
9.4.2. Mapas auto organizados
9.4.3. GMM-EM algorithm

9.5. Segmentación Semántica aplicando Deep Learning: FCN

9.5.1. FCN
9.5.2. Arquitectura
9.5.3. Aplicaciones de FCN

9.6. Segmentación semántica aplicando Deep Learning: U-NET

9.6.1. U-NET
9.6.2. Arquitectura
9.6.3. Aplicación U-NET

9.7. Segmentación semántica aplicando Deep Learning: Deep Lab

9.7.1. Deep Lab
9.7.2. Arquitectura
9.7.3. Aplicación de Deep Lab

9.8. Segmentación instanciada aplicando Deep Learning: Mask RCNN

9.8.1. Mask RCNN
9.8.2. Arquitectura
9.8.3. Aplicación de un Mas RCNN

9.9. Segmentación en videos

9.9.1. STFCN
9.9.2. Semantic Video CNNs
9.9.3. Clockwork Convnets
9.9.4. Low-Latency

9.10. Segmentación en nubes de puntos

9.10.1. La nube de puntos
9.10.2. PointNet
9.10.3. A-CNN

Módulo 10. Segmentación de Imágenes Avanzada y Técnicas Avanzadas de Visión por Computador

10.1. Base de datos para problemas de Segmentación General

10.1.1. Pascal Context
10.1.2. CelebAMask-HQ
10.1.3. Cityscapes Dataset
10.1.4. CCP Dataset

10.2. Segmentación Semántica en la Medicina

10.2.1. Segmentación Semántica en la Medicina
10.2.2. Datasets para problemas médicos
10.2.3. Aplicación práctica

10.3. Herramientas de anotación

10.3.1. Computer Vision Annotation Tool
10.3.2. LabelMe
10.3.3. Otras herramientas

10.4. Herramientas de Segmentación usando diferentes frameworks

10.4.1. Keras
10.4.2. Tensorflow v2
10.4.3. Pytorch
10.4.4. Otros

10.5. Proyecto Segmentación semántica. Los datos, Fase 1

10.5.1. Análisis del problema
10.5.2. Fuente de entrada para datos
10.5.3. Análisis de datos
10.5.4. Preparación de datos

10.6. Proyecto Segmentación semántica. Entrenamiento, Fase 2

10.6.1. Selección del algoritmo
10.6.2. Entrenamiento
10.6.3. Evaluación

10.7. Proyecto Segmentación semántica. Resultados, Fase 3

10.7.1. Ajuste fino
10.7.2. Presentación de la solución
10.7.3. Conclusiones

10.8. Autocodificadores

10.8.1. Autocodificadores
10.8.2. Arquitectura de un Autocodificador
10.8.3. Autocodificadores de Eliminación de Ruido
10.8.4. Autocodificador de Coloración Automática

10.9. Las Redes Generativas Adversariales (GAN)

10.9.1. Redes Generativas Adversariales (GAN)
10.9.2. Arquitectura DCGAN
10.9.3. Arquitectura GAN Condicionada

10.10. Redes Generativas Adversariales Mejoradas

10.10.1. Visión general del problema
10.10.2. WGAN
10.10.3. LSGAN
10.10.4. ACGAN

Tendrás acceso al Campus Virtual las 24 horas y podrás descargar los contenidos para consultarlos cuando lo desees, ¡aprende a tu ritmo y sin limitaciones!”