Gracias a esta Maestría serás capaz de crear proyectos sobre Visión Artificial, aplicable a áreas como la Medicina, la Industria o el Espacio” 

El desarrollo de software de imágenes, el perfeccionamiento de la visión de las máquinas, su comprensión del entorno y la calidad de la resolución ha permitido extender las aplicaciones de la Visión Artificial a ámbitos como los videojuegos, la automoción o el agrícola.  

Un escenario que ha impulsado el crecimiento de este sector y aumentado el interés de los informáticos por este campo que presenta un futuro prometedor. Ante esta realidad, TECH ha diseñado esta Maestría con RVOE, orientada a facilitar el proceso de aprendizaje más completo sobre la creación de proyectos en esta área tecnológica.  

Se trata de un itinerario académico avanzado, basado en la información más actual, precisa sobre el procesado digital de imágenes, el aprendizaje profundo, las redes convolucionales o las técnicas de visión por computadora. Todo esto, mediante recursos didácticos multimedia y casos de estudio que aportan un mayor dinamismo a esta enseñanza.  

Asimismo, el egresado dispone de un método Relearning, centrado en la reiteración continuada de los conceptos determinantes. De esta manera, conseguirá reducir las largas horas de estudio y centrar sus esfuerzos en los aspectos más relevantes de este programa. 

Una excelente oportunidad de obtener una titulación de primer nivel sin descuidar las actividades profesionales y/o personales. Y es que, sin presencialidad, ni clases con horarios encorsetados, el alumnado cuenta con una mayor libertad para autogestionar su tiempo de estudio.  

TECH brinda la oportunidad de obtener la Maestría en Visión Artificial en un formato 100% en línea, con titulación directa y un programa diseñado para aprovechar cada tarea en la adquisición de competencias para desempeñar un papel relevante en la empresa. Pero, además, con este programa, el estudiante tendrá acceso al estudio de idiomas extranjeros y formación continuada de modo que pueda potenciar su etapa de estudio y logre una ventaja competitiva con los egresados de otras universidades menos orientadas al mercado laboral. 

Un camino creado para conseguir un cambio positivo a nivel profesional, relacionándose con los mejores y formando parte de la nueva generación de futuros informáticos capaces de desarrollar su labor en cualquier lugar del mundo. 

Estás ante una propuesta académica que te mostrará las técnicas más avanzadas de visión por computadora” 

El temario de esta Maestría ha sido diseñado por un excelente equipo de especialistas con un profundo conocimiento sobre el sector de la Visión Artificial. De este modo, el alumnado accederá a la información más exhaustiva y actual en torno a esta área, así como los retos futuros a los que tendrá que hacer frente. Para ello, dispone de material didáctico innovador, accesible las 24 horas del día, los 7 días de la semana.  

Si dispones de un dispositivo digital con conexión a internet podrás acceder al temario de esta Maestría, cuando lo desees” 

Plan de estudios

Uno de los elementos que distingue a este programa es su metodología 100% online que permite que el egresado obtener un aprendizaje efectivo sobre los fundamentos y principios de la Visión Artificial, sus aplicaciones y todos los factores que influyen en el desarrollo de proyectos en este campo.  

En este sentido, el alumnado realizará un recorrido académico de enseñanza flexible, ya que tendrá la oportunidad de acceder al temario, cuando y donde desee, desde un ordenador, móvil o Tablet. Asimismo, dispone de numerosos recursos pedagógicos basados en vídeo resúmenes de cada tema, vídeos en detalle, lecturas especializadas y casos de estudio. De este modo, el proceso de aprendizaje será mucho más sencillo y le permitirá desarrollarse en un sector con una gran perspectiva laboral.  

Módulo 1. Visión Artificial 
Módulo 2. Aplicaciones y estado del arte   
Módulo 3. Procesado digital de imágenes   
Módulo 4. Procesado digital de imágenes avanzado   
Módulo 5. Procesado de imágenes 3D 
Módulo 6. Aprendizaje profundo    
Módulo 7. Redes convolucionales y clasificación de imágenes   
Módulo 8. Detección de objetos    
Módulo 9. Segmentación de imágenes con aprendizaje profundo 
Módulo 10. Técnicas avanzadas de visión por computadora  

Dónde, cuándo y cómo se imparte

Esta Maestría se ofrece 100% en línea, por lo que alumno podrá cursarla desde cualquier sitio, haciendo uso de una computadora, una tableta o simplemente mediante su smartphone.   

Además, podrá acceder a los contenidos tanto online como offline. Para hacerlo offline bastará con descargarse los contenidos de los temas elegidos, en el dispositivo y abordarlos sin necesidad de estar conectado a internet.   

El alumno podrá cursar la Maestría a través de sus 10 módulos, de forma autodirigida y asincrónica. Adaptamos el formato y la metodología para aprovechar al máximo el tiempo y lograr un aprendizaje a medida de las necesidades del alumno.  

Un completo plan de estudio que te guiará por la información más actual sobre Visión Artificial gracias a numeroso material didáctico innovador" 

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. Rojo, verde y azul o "RGB" 
1.3.5. Modelos de color "HSV y HSL" 
1.3.6. Modelos de color Cyan, magenta, amarillo, negro o "CMYK" 
1.3.7. Familias de espacio de color o "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 alto rango dinámico o "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 Laser 
1.7.3. Luz estructurada 
1.7.4. Técnica tiempo de vuelo o "Time of Flight" 
1.7.5. Técnica del Lidar 

1.8. Multiespectro 

1.8.1. Cámaras Multiespectrales 
1.8.2. Cámaras Hiperespectrales 

1.9. Espectro cercano no visible 

1.9.1. Cámara infrarroja 
1.9.2. Cámara ultravioleta 
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. Sistema de visión “Pick and place 2D” 
2.1.6. Sistema de visión “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. Vehículos guiados automáticamente o “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. Servicios en la nube o “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. Puertas digitales And / Nand 
3.4.4. Puertas digitales Or / Nor 
3.4.5. Puertas digitales 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. Uso de las operaciones morfológicas "Erode y Dilating" 
3.6.2. Uso de las operaciones morfológicas "Closing y Open" 
3.6.3. Uso de las operaciones morfológicas "Top hat y Black hat" 
3.6.4. Detección de contornos 
3.6.5. Esqueleto 
3.6.6. Relleno de agujeros 
3.6.7. Uso de "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. Técnica "Meanshift" 
4.4.3. Técnica "Camshift" 
4.4.4. Técnica "Optical Flow" 

4.5. Reconocimiento facial 

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

4.6. Panorámica y alineaciones 

4.6.1. Zurcido o "Stitching" de imágenes 
4.6.2. Composición de imágenes 
4.6.3. Fotomontaje 

4.7. Alta Gama Dinámica o "HDR" y Estéreo fotométrico 

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. Programa "Open 3D" 

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. Nube de puntos 
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. Muestreo hacia abajo 

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 

5.7. Registro y Malla 

5.7.1. Concatenación 
5.7.2. Método ICP 
5.7.3. Método de cálculo "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. Sistema robótico "Bin picking" 

5.9. Análisis de superficies 

5.9.1. Técnica de modelado "Smoothing" 
5.9.2. Superficies orientables 
5.9.3. Árbol octal "Octree" 

5.10. Triangulación 

5.10.1. De malla a nube de puntos 
5.10.2. Triangulación de mapas de profundidad 
5.10.3. Triangulación de nube de puntos no ordenados 

Módulo 6. Aprendizaje profundo 

6.1. Inteligencia artificial 

6.1.1. Aprendizaje automático 
6.1.2. Aprendizaje profundo 
6.1.3. La explosión del Aprendizaje profundo. 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. Propagación hacia adelante 
6.2.5. Propagación hacia atrás 
6.2.6. Características o "Feature vectors" 

6.3. Funciones de pérdida 

6.3.1. Funciones de pérdida 
6.3.2. Tipos de funciones de pérdida 
6.3.3. Elección de la función de pérdida 

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. Función de activación de capa oculta 

6.5. Regularización y Normalización 

6.5.1. Regularización y Normalización 
6.5.2. Técnicas "Sobreajuste" y "Generación de datos" 
6.5.3. Métodos de regularización 
6.5.4. Métodos de normalización: lote, peso, capa 

6.6. Optimización 

6.6.1. Descenso por gradiente 
6.6.2. Descenso por gradiente estocástico 
6.6.3. Gradiente por muestreo 
6.6.4. Método "Momentum" 
6.6.5. Método "Adam" 

6.7. Hiperparámetros 

6.7.1. Los hiperparámetros 
6.7.2. Tamaño de lote vs tasa de aprendizaje vs caída por pasos 
6.7.3. Pesos. 

6.8. Métricas de evaluación de una red neuronal 

6.8.1. Exactitud 
6.8.2. Coeficiente de Dice 
6.8.3. Sensibilidad, especificidad, precisión 
6.8.4. Curva de ROC 
6.8.5. Puntaje F1 
6.8.6. Matriz de confusión 
6.8.7. Validación cruzada 

6.9. Marco de referencia y hardware 

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

6.10. Creación de una Red Neuronal – Entrenamiento y Validación 

6.10.1. Almacenamiento o "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. Introducción 
7.1.2. La convolución 
7.1.3. Red neuronal convolucional (CNN) del tipo Building Blocks 

7.2. Tipos de capas de redes neuronales convolucionales (CNN) 

7.2.1. Convolucional 
7.2.2. Activación 
7.2.3. Normalización de lotes 
7.2.4. Votación 
7.2.5. Totalmente conectado 

7.3. Métricas 

7.3.1. Confusion Matrix 
7.3.2. Exactitud 
7.3.3. Precision 
7.3.4. Recuerdo 
7.3.5. Puntaje F1 
7.3.6. Curva ROC (Característica Operativa del Receptor) 
7.3.7. Área bajo la curva (AUC) 

7.4. Principales arquitecturas 

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

7.5. Clasificación de imágenes 

7.5.1. Introducción 
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 redes neuronales convolucionales (CNN) 

7.6.1. Selección de optimizador 
7.6.2. Programador de tasa de aprendizaje 
7.6.3. Comprobar pipeline de entrenamiento 
7.6.4. Entrenamiento con regularización 

7.7. Buenas prácticas en aprendizaje profundo 

7.7.1. Transferencia de aprendizaje 
7.7.2. Sintonía Fina 
7.7.3. Aumento de datos 

7.8. Evaluación estadística de datos 

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

7.9. Despliegue 

7.9.1. Guardando y cargando modelos 
7.9.2. Intercambio de redes neuronales abiertas (Onnx) 
7.9.3. Inferencia 

7.10. 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, posturas rígidas y no rígidas 

8.2. Métricas de evaluación 

8.2.1. Intersección sobre la unión o "IOU" 
8.2.2. Puntaje confidencial 
8.2.3. Exhaustividad 
8.2.4. Precisión 
8.2.5. Curva de precisión 
8.2.6. Precisión promedio o "mAP" 

8.3. Métodos tradicionales 

8.3.1. Método ventana deslizante o "Sliding window" 
8.3.2. Detección de anomalías o "Viola detector" 
8.3.3. Histograma de gradiente orientado o "HOG" 
8.3.4. Inhibición no extrema o "NMS" 

8.4. Conjuntos de datos 

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

8.5. Sistema de detección de objetos 

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

8.6. Modelo de detección de objetos 

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

8.7. Red Troncal 

8.7.1. Arquitectura de red "VGG" 
8.7.2. Arquitectura de Red "ResNet" 
8.7.3. Arquitectura de Red "Mobilenet" 
8.7.4. Arquitectura de Red "Shufflenet" 
8.7.5. Arquitectura de Red "Darknet" 

8.8. Seguimiento de objetos 

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

8.9. Despliegue 

8.9.1. Plataforma de Computación 
8.9.2. Elección de la red troncal 
8.9.3. Elección de la herramienta 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 aprendizaje profundo  

9.1. Segmentación de imágenes con aprendizaje profundo 

9.1.1. Segmentación semántica 
9.1.2. Casos de uso de segmentación semántica 
9.1.3. Segmentación instanciada 
9.1.4. Casos de uso segmentación instanciada 

9.2. Métricas de evaluación 

9.2.1. Similitudes con otros métodos 
9.2.2. Método "Pixel Accuracy" 
9.2.3. Coeficiente de Dice 

9.3. Funciones de coste 

9.3.1. Función de pérdida de Dice 
9.3.2. Función de pérdida focal 
9.3.3. Función de pérdida de Tversky 
9.3.4. Otras funciones 

9.4. Métodos tradicionales de Segmentación 

9.4.1. Aplicación de umbral de Otsu y Riddlen 
9.4.2. Mapas auto organizados 
9.4.3. Algoritmo de mezcla gaussiana o "GMM-EM" 

9.5. Segmentación Semántica aplicando aprendizaje profundo: Red completa 

9.5.1. Red convolucional completa o "FCN" 
9.5.2. Arquitectura 
9.5.3. Aplicaciones de red completa 

9.6. Segmentación semántica aplicando aprendizaje profundo: U-Net 

9.6.1. Algoritmo "U-NET" 
9.6.2. Arquitectura 
9.6.3. Aplicaciones de red "U-NET" 

9.7. Segmentación Semántica aplicando aprendizaje profundo: Deep lab 

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

9.8. Segmentación instanciada aplicando aprendizaje profundo: Mask R-CNN 

9.8.1. Modelo "Mask R-CNN" 
9.8.2. Arquitectura 
9.8.3. Aplicación de "Mask R-CNN" 

9.9. Posado con programa Transpose Master 

9.9.1. Herramienta "Semantic Video" 
9.9.2. Herramienta "Clockwork Convnets" 
9.9.3. Herramienta "Low-Latency"   

9.10. Segmentación en nubes de puntos 

9.10.1. La nube de puntos 
9.10.2. Herramienta "A-CNN" 

Módulo 10. Técnicas avanzadas de visión por computadora 

10.1. Base de datos para problemas de Segmentación General 

10.1.1. Sistema de detección "Pascal Context" 
10.1.2. Sistema CelebAMask-HQ 
10.1.3. Sistema "City scapes Dataset" 
10.1.4. Sistema "CCP Dataset" 

10.2. Segmentación Semántica en la Medicina 

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

10.3. Herramientas de anotación 

10.3.1. Herramienta "Computer Vision Annotation" 
10.3.2. Herramienta "Label Me" 
10.3.3. Otras herramientas 

10.4. Herramientas de Segmentación usando diferentes marcos de teoría 

10.4.1. Desde "Keras" 
10.4.2. Desde "Tensorflow v2" 
10.4.3. Desde "Pytorch" 
10.4.4. Desde Otros marcos 

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. Selección del algoritmo. Entrenamiento. Fase 2 

10.6.1. Selección del algoritmo 
10.6.2. Entrenamiento 
10.6.3. Evaluación 

10.7. Selección del algoritmo. Entrenamiento. 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 

10.9. Las redes generativas adversariales 

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

10.10. Las redes generativas adversariales mejoradas 

10.10.1. Redes tipo W-GAN 
10.10.2. Redes tipo LS-GAN 
10.10.3. Redes tipo AC-GAN 

Un programa que te llevará a estar al día sobre los softwares de Software de procesado de imágenes 3d y Visualizaciones”