Conoce las técnicas más avanzadas de visión por computador gracias a esta Especialización, que te prepara para afrontar con éxito todos los retos del futuro en el ámbito de la visión artificial” 

La visión artificial es un campo complejo y en expansión al que constantemente se incorporan nuevas aplicaciones y utilidades. Por eso, para poder extraer el máximo rendimiento de las herramientas de visión por computador, conviene dominar las técnicas más avanzadas y novedosas en esta área. Así, esta Especialización en Técnicas Avanzadas de Visión por Computador Web responde a ese reto, aportando al profesional los más recientes avances procedimentales y tecnológicos de este ámbito.

En esta titulación, por tanto, el informático podrá profundizar en aspectos como los mapas de profundidad en imagen 2D, la medición de la profundidad, el reconocimiento de objetos 3D, la segmentación semántica en la medicina o la segmentación en nubes de puntos, entre muchos otros. De esta forma, el ingeniero habrá podido acceder a numerosos contenidos novedosos y de alto nivel en esta área.

Y lo conseguirá gracias a un cuadro docente especializado y muy experimentado que conoce todas las claves de la disciplina, además de la gran cantidad de recursos multimedia de que dispone este programa como resúmenes interactivos, ejercicios prácticos, clases magistrales o vídeos de técnicas y procedimientos.

Buscas una titulación que te diferencie profesionalmente y esta es la perfecta para ti, puesto que te permitirá convertirte en especialista en visión por computador y visión artificial"

Esta Especialización en Técnicas Avanzadas de Visión por Computador Web 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

Tu dominio de la visión por computador hará que puedas acceder a numerosas oportunidades profesionales en las mejores compañías tecnológicas del mundo"

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación 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 una capacitación inmersiva programada para entrenarse ante situaciones reales.

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

Desarrolla grandes proyectos de visión artificial gracias a todo lo que aprenderás en esta Especialización"

Profundiza en los nuevos procedimientos de la visión por computador e incorpóralos a tu trabajo de forma inmediata con esta titulación"

Los contenidos de esta Especialización en Técnicas Avanzadas de Visión por Computador Web han sido preparados por grandes expertos en esta materia, y han sido estructurados en 3 módulos especializados y subdivididos en 10 temas cada uno. Así, a lo largo de la titulación, el informático podrá ahondar en cuestiones como el software de procesado de imágenes 3D, la librería para proceso de datos 3D o la segmentación semántica aplicando deep learning, entre muchas otras.

No encontrarás un temario más novedoso sobre las técnicas avanzadas de visión procesadas por computador”

Módulo 1. Procesado de imágenes 3D 

1.1. Imagen 3D 

1.1.1. Imagen 3D 
1.1.2. Software de procesado de imágenes 3D y visualizaciones 
1.1.3. Software de metrología 

1.2. Open 3D 

1.2.1. Librería para proceso de datos 3D 
1.2.2. Características 
1.2.3. Instalación y uso 

1.3. Los datos 

1.3.1. Mapas de profundidad en imagen 2D 
1.3.2. Pointclouds 
1.3.3. Normales 
1.3.4. Superficies 

1.4. Visualización 

1.4.1. Visualización de datos 
1.4.2. Controles 
1.4.3. Visualización Web 

1.5. Filtros 

1.5.1. Distancia entre puntos, eliminar outliers 
1.5.2. Filtro paso alto 
1.5.3. Downsampling 

1.6. Geometría y extracción de características 

1.6.1. Extracción de un perfil 
1.6.2. Medición de profundidad 
1.6.3. Volumen 
1.6.4. Formas geométricas 3D 
1.6.5. Planos 
1.6.6. Proyección de un punto 
1.6.7. Distancias geométricas 
1.6.8. Kd Tree 
1.6.9. Features 3D 

1.7. Registro y Meshing 

1.7.1. Concatenación 
1.7.2. ICP 
1.7.3. Ransac 3D 

1.8. Reconocimiento de objetos 3D 

1.8.1. Búsqueda de un objeto en la escena 3D 
1.8.2. Segmentación 
1.8.3. Bin picking 

1.9. Análisis de superficies 

1.9.1. Smoothing 
1.9.2. Superficies orientables 
1.9.3. Octree 

1.10. Triangulación 

1.10.1. De Mesh a Point Cloud 
1.10.2. Triangulación de mapas de profundidad 
1.10.3. Triangulación de PointClouds no ordenados 

Módulo 2. Segmentación de Imágenes con Deep Learning 

2.1. Detección de objetos y segmentación 

2.1.1. Segmentación semántica

2.1.1.1. Casos de uso de segmentación semántica 

2.1.2. Segmentación instanciada

2.1.2.1. Casos de uso segmentación instanciada 

2.2. Métricas de evaluación 

2.2.1. Similitudes con otros métodos 
2.2.2. Pixel Accuracy 
2.2.3. Dice Coefficient (F1 Score) 

2.3. Funciones de coste 

2.3.1. Dice Loss 
2.3.2. Focal Loss 
2.3.3. Tversky Loss 
2.3.4. Otras funciones 

2.4. Métodos tradicionales de segmentación 

2.4.1. Aplicación de umbral con Otsu y Riddlen 
2.4.2. Mapas auto organizados 
2.4.3. GMM-EM algorithm 

2.5. Segmentación semántica aplicando Deep Learning: FCN 

2.5.1. FCN 
2.5.2. Arquitectura 
2.5.3. Aplicaciones de FCN 

2.6. Segmentación semántica aplicando Deep Learning : U-NET 

2.6.1. U-NET 
2.6.2. Arquitectura 
2.6.3. Aplicación U-NET 

2.7. Segmentación semántica aplicando Deep Learning: Deep Lab 

2.7.1. Deep Lab 
2.7.2. Arquitectura 
2.7.3. Aplicación de Deep Lab 

2.8. Segmentación instanciada aplicando Deep Learning: Mask RCNN 

2.8.1. Mask RCNN 
2.8.2. Arquitectura 
2.8.3. Aplicación de un Mask RCNN 

2.9. Segmentación en videos 

2.9.1. STFCN 
2.9.2. Semantic Video CNNs 
2.9.3. Clockwork Convnets 
2.9.4. Low-Latency 

2.10. Segmentación en nubes de puntos 

2.10.1. La nube de puntos 
2.10.2. PointNet 
2.10.3. A-CNN 

Módulo 3. Segmentación de imágenes avanzadas y técnicas avanzadas de visión por computador 

3.1. Base de datos para problemas de segmentación general  

3.1.1. Pascal Context 
3.1.2. CelebAMask-HQ 
3.1.3. Cityscapes Dataset 
3.1.4. CCP Dataset 

3.2. Segmentación semántica en la medicina 

3.2.1. Segmentación semántica en la medicina 
3.2.2. Datasets para problemas médicos 
3.2.3. Aplicación práctica 

3.3. Herramientas de anotación 

3.3.1. Computer Vision Annotation Tool 
3.3.2. LabelMe 
3.3.3. Otras herramientas 

3.4. Herramientas de segmentación usando diferentes Frameworks 

3.4.1. Keras 
3.4.2. Tensorflow v2 
3.4.3. Pytorch 
3.4.4. Otros 

3.5. Proyecto Segmentación semántica. Los datos, fase 1 

3.5.1. Análisis del problema 
3.5.2. Fuente de entrada para datos 
3.5.3. Análisis de datos 
3.5.4. Preparación de datos 

3.6. Proyecto segmentación semántica. Entrenamiento, fase 2 

3.6.1. Selección del algoritmo 
3.6.2. Entrenamiento 
3.6.3. Evaluación 

3.7. Proyecto Segmentación semántica. Resultados, fase 3 

3.7.1. Ajuste fino 
3.7.2. Presentación de la solución 
3.7.3. Conclusiones 

3.8. Autocodificadores 

3.8.1.  Autocodificadores 
3.8.2. Arquitectura de un autocodificador 
3.8.3. Autocodificadores de eliminación de ruido 
3.8.4. Autocodificador de coloración automática 

3.9. Las Redes Generativas Adversariales (GAN) 

3.9.1. Redes Generativas Adversariales (GAN) 
3.9.2. Arquitectura DCGAN 
3.9.3. Arquitectura GAN condicionada 

3.10. Redes generativas adversariales mejoradas 

3.10.1. Visión general del problema 
3.10.2. WGAN 
3.10.3. LSGAN 
3.10.4. ACGAN

El temario más completo y actualizado del mercado en visión artificial está aquí. No dejes escapar esta gran oportunidad”