К содержимому
learnspaceYOUR NEXT CHAPTER
ПРОСТРАНСТВО ОБУЧЕНИЯ
ГлавнаяКаталог курсовМоё обучениеCoursera

Знания без границ

Учитесь у лучших университетов и компаний мира.

Открыть Coursera
Интеграция
Пространство университета
Моё пространствоСтраница курса
↵
ЯЛичный кабинетСтудент
© 2026 LearnSpaceКаждый день — возможность узнать больше.Помощь
Detección de objetos · LearnSpace
Назад в каталог
courseraПрограммирование

Detección de objetos

Курс от Universitat Autònoma de Barcelona
Уровень не указан≈ 18 чИспанский
О курсеНавыкиПрограммаПреподаватели

О курсе

¿Te interesa la visión por computador? ¿Te gustaría conocer qué métodos puedes utilizar para detectar y reconocer objetos en una imagen? En este curso te introducirás en los principios básicos de cualquier sistema automático de detección y reconocimiento de objetos en imágenes. A lo largo del curso analizaremos diferentes métodos de representación y clasificación que te permitirán abordar casos de aplicación de complejidad creciente. El contenido del curso se estructura a partir de un esquema básico de detección y reconocimiento de objetos que sirve de guía para ir introduciendo tanto los diferentes métodos de extracción de características y representación de la imagen como diferentes alternativas para clasificar una imagen y para localizar todas las instancias de un objeto en la imagen. El temario incluye conceptos básicos de formación de la imagen, la convolución y su aplicación a la detección de contornos, características de regiones, descriptores de imagen (Local Binary Pattern, Histogram of Oriented Gradients, características de Haar) y varios métodos de clasificación (clasificador lineal, Support Vector Machine, Adaboost, Random Forest, Convolutional Neural Network). Finalizar el curso te permitirá: • Diseñar, a partir de un esquema básico común, soluciones adaptadas para diferentes problemas de detección y reconocimiento de objetos en una imagen, • Conocer las principales técnicas para la descripción y clasificación de una imagen, • Conocer las herramientas que permiten el desarrollo de aplicaciones reales de detección y reconocimiento de objetos, para que seas capaz de desarrollar tus propios sistemas de detección y reconocimiento de objetos en múltiples aplicaciones. El curso está orientado tanto a estudiantes universitarios de algún grado relacionado con la informática, la ingeniería o las matemáticas, como a otros estudiantes con conocimientos de programación, interesados en aprender cómo utilizar técnicas de visión por computador para extraer información de las imágenes. INICIO: 1 de Diciembre de 2015

Навыки, которые вы освоите

Classification AlgorithmsComputer VisionConvolutional Neural NetworksModel EvaluationAlgorithmsMachine LearningSupervised LearningDeep LearningStatistical Machine LearningData PreprocessingMachine Learning MethodsImage Analysis

Программа курса

6 модулей · 73 учебных материалов

01INTRODUCCIÓN A LA DETECCIÓN DE OBJETOS15 материалов

BIENVENIDA AL CURSO

BienvenidaВидеоTemarioЧтениеCAMBIOS EN COURSERAЧтениеFormato del curso y evaluaciónЧтение

Учитесь у экспертов

Antonio López Peña

Titular de Universidad

Ernest Valveny

Catedrático Escuela Universitaria

Maria Vanrell

Profesora Titular de Universidad

Detección de objetos
В каталоге вашей программы

Инвестируйте в себя

Новые знания — в удобное для вас время.

Начать на Coursera

Обучение откроется на Coursera
в новой вкладке

Обучение на Coursera

≈ 18 ч

6 модулей

Язык: Испанский

Часть программы вашего университета
Resolver dudas e incidenciasЧтение
Preguntas frecuentesЧтение
Enlaces relacionadosЧтение

CONCEPTOS BÁSICOS

L1.1. Introducción a la detección de objetosВидеоL1.2. Formación de la imagenВидео

CARACTERÍSTICAS DE PÍXEL

L1.3. Características de píxelВидеоL1.4. Componentes conexasВидео

TEMPLATE MATCHING Y CARACTERÍSTICAS LOCALES

L1.5. Template matchingВидеоL1.6. Características localesВидео

MATERIALES COMPLEMENTARIOS

Materiales complementariosЧтение

CUESTIONARIO DEL MÓDULO

Cuestionario 1Задание
02CLASIFICACIÓN DE OBJETOS11 материалов

INTRODUCCIÓN

L2.1. IntroducciónВидео

LOCAL BINARY PATTERNS

L2.2.a. Local Binary PatternsВидеоL2.2.b. Local Binary Patterns - Variantes (LBP Uniforme)ВидеоL2.2.c. Histograma LBP por bloquesВидео

REGRESIÓN LOGÍSTICA. CLASIFICACIÓN

L2.3.a. Regresión logística - Clasificación (I)ВидеоL2.3.b. Regresión logística - Clasificación (II)Видео

REGRESIÓN LOGÍSTICA. APRENDIZAJE

L2.4.a. Regresión Logística – Aprendizaje (I)ВидеоL2.4.b. Regresión Logística – Aprendizaje (II)ВидеоL2.4.c. Regresión Logística – Aprendizaje (III)Видео

MATERIALES COMPLEMENTARIOS

Materiales adicionalesЧтение

CUESTIONARIO DEL MÓDULO

Cuestionario 2Задание
03DETECCIÓN DE OBJETOS13 материалов

INTRODUCCIÓN

L3.1. Introducción Видео

GENERACIÓN DE CANDIDATOS

L3.2.a. Generación de Candidatos – Ventana DeslizanteВидеоL3.2.b. Generación de Candidatos – PirámideВидеоL3.3. Generación de Candidatos – RefinaciónВидео

APRENDIZAJE, VALIDACIÓN Y EVALUACIÓN

L3.4. Anotación, Bootstrapping, Aprendizaje ActivoВидеоL3.5.a. Evaluación de la clasificación por ventana (I)ВидеоL3.5.b. Evaluación de la clasificación por ventana (II)ВидеоL3.6 Evaluación del rendimiento - Evaluación del detectorВидеоL3.7 Conjuntos de Entrenamiento, Evaluación y ValidaciónВидео

CÓDIGO EJEMPLO DE DETECTOR

Código ejemplo de detectorЧтениеEjercicios propuestos sobre el código del detectorЧтение

MATERIALES COMPLEMENTARIOS

Materiales adicionalesЧтение

CUESTIONARIO DEL MÓDULO

Cuestionario 3Задание
04DETECTOR BASADO EN HOG/SVM13 материалов

INTRODUCCIÓN

L4.1. Detector de peatones basado en HOG + SVMВидео

DESCRIPTOR: HOG (HISTOGRAM OF ORIENTED GRADIENTS)

L4.2. HOG - Cálculo del gradienteВидеоL4.3. HOG – Cálculo de los histogramasВидеоL4.4. HOG – Cálculo del descriptorВидеоPrueba tus conocimientosЗадание

CLASIFICADOR: SVM (SUPPORT VECTOR MACHINE)

L4.5. Support Vector Machines (SVM) – Conceptos básicosВидеоL4.6. Support Vector Machines (SVM) – Desarrollo matemáticoВидеоPrueba tus conocimientosЗадание

CÓDIGO EJEMPLO DE DETECTOR

Código ejemplo de detectorЧтениеEjercicios propuestos sobre el código del detectorЧтение

MATERIALES COMPLEMENTARIOS

Materiales adicionalesЧтениеReferencias adicionalesЧтение

CUESTIONARIO DEL MÓDULO

Cuestionario 4Задание
05DETECTOR BASADO EN HAAR/ADABOOST11 материалов

INTRODUCCIÓN

L5.1. Detector de caras basado en filtros de Haar + Adaboost Видео

CARACTERÍSTICAS DE HAAR

L5.2. Características de Haar ВидеоL5.3. Imagen IntegralВидеоPrueba tus conocimientosЗадание

ADABOOST

L5.4. Adaboost ВидеоL5.5. Cascada de clasificadoresВидеоL5.6. Detalles de implementación ВидеоPrueba tus conocimientosЗадание

MATERIALES COMPLEMENTARIOS

Materiales adicionalesЧтениеReferencias adicionalesЧтение

CUESTIONARIO DEL MÓDULO

Cuestionario 5Задание
06TÉCNICAS AVANZADAS10 материалов

INTRODUCCIÓN

L6.1. Introducción Видео

MODELOS NO HOLÍSTICOS

L6.2. Modelos no holísticos: DPMВидеоL6.3. Modelos no holísticos: conjunto de expertos localesВидео

ADAPTACIÓN DE DOMINIO

L6.4. Adaptación de DominioВидео

REDES NEURONALES CONVOLUCIONALES (CNNs)

L6.5. Convolutional Neural Networks (CNNs)Видео

MULTI-MODALIDAD

L6.6. Otras modalidades de imagenВидео

GENERACIÓN DE CANDIDATOS

L6.7. Generación de candidatosВидео

MATERIALES COMPLEMENTARIOS

Materiales adicionalesЧтение

CUESTIONARIO DEL MÓDULO

Cuestionario 6Задание

EXAMEN FINAL

Examen final del cursoЗадание