Guía docente de la asignatura
(7927) VISIÓN ARTIFICIAL

Curso académico 2025/2026

  1. Identificación

    1. De la asignatura

      Curso Académico
      2025/2026
      Titulación
      MÁSTER UNIVERSITARIO EN INTELIGENCIA ARTIFICIAL / MASTER IN ARTIFICIAL INTELLIGENCE
      Nombre de la asignatura
      VISIÓN ARTIFICIAL
      Código
      7927
      Curso
      PRIMERO
      Carácter
      OBLIGATORIA
      Número de grupos
      1
      Créditos ECTS
      6.0
      Estimación del volumen de trabajo
      150.0
      Organización temporal
      1º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2025/2026
      Titulación

      MÁSTER UNIVERSITARIO EN INTELIGENCIA ARTIFICIAL / MASTER IN ARTIFICIAL INTELLIGENCE
      Nombre de la asignatura VISIÓN ARTIFICIAL
      Código 7927
      Curso PRIMERO
      Carácter OBLIGATORIA
      Número de grupos 1
      Créditos ECTS 6.0
      Estimación del volumen de trabajo 150.0
      Organización temporal 1º Cuatrimestre
      Idiomas en que se imparte Español

    2. Del profesorado: Equipo docente

      • LOPEZ DE TERUEL ALCOLEA, PEDRO ENRIQUE Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 Coordinador de la asignatura

        Categoría

        PROFESORES TITULARES DE UNIVERSIDAD

        Área

        ARQUITECTURA Y TECNOLOGÍA DE COMPUTADORES

        Departamento

        INGENIERÍA Y TECNOLOGÍA DE COMPUTADORES

        Correo electrónico / Página web / Tutoría electrónica

        pedroe@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A         		Día:
        Jueves         		Horario:
        12:30-14:00         		Lugar:
        868884633, Facultad de Informática B1.3.042 (DESPACHO PROF. PEDRO E. LÓPEZ DE TERUEL ALCOLEA)
        Observaciones:
        No consta
        Duración:
        A         		Día:
        Viernes         		Horario:
        09:30-11:00         		Lugar:
        868884633, Facultad de Informática B1.3.042 (DESPACHO PROF. PEDRO E. LÓPEZ DE TERUEL ALCOLEA)
        Observaciones:
        No consta
      • DIAZ TOCA, GEMA MARIA Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        PROFESORES TITULARES DE UNIVERSIDAD

        Área

        MATEMÁTICA APLICADA

        Departamento

        INGENIERÍA Y TECNOLOGÍA DE COMPUTADORES

        Correo electrónico / Página web / Tutoría electrónica

        gemadiaz@um.es http://webs.um.es/gemadiaz/ Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A         		Día:
        Viernes         		Horario:
        10:00-13:00         		Lugar:
        868887612, Facultad de Informática B1.3.008
        Observaciones:
        Por Zoom o presencial. Despacho 3.14
      • PARDO BALLESTEROS, EMILIO Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        INVESTIGADOR/A PREDOCTORAL (SÉNECA)

        Área

        No consta

        Departamento

        No consta

        Correo electrónico / Página web / Tutoría electrónica

        emilio.pardob@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

  2. Presentación

    Se realiza una revisión del estado del arte en el campo de la visión por computador en múltiples vertientes: una vez introducidas las técnicas básicas de procesamiento de imagen involucradas, se realizará una introducción al reconocimiento visual de objetos y lugares basados en apariencia, utilizando diversas técnicas basadas en características (features) visuales, tanto clásicas (invariantes a distintos grupos de transformaciones, cambios de escala, rotación, iluminación, deformaciones proyectivas, etc.) como basadas en aprendizaje profundo y redes neuronales convolucionales. Se explicarán también diversas extensiones a las técnicas anteriores tanto para mejorar la robustez en la estimación de las posiciones relativas entre los objetos reconocidos y la cámara, como para su aplicación en los problemas de clasificación y localización de objetos. Se realizará entonces una introducción al deep learning para visión por computador, con un repaso de sus fundamentos y los principales modelos estado del arte. Finalmente, en el último bloque de la asignatura se utilizará la geometría de múltiples vistas para realizar aplicaciones de realidad aumentada y estudiar las técnicas básicas de reconstrucción 3D a partir de secuencias de vídeo o colecciones de imágenes de un mismo objeto/lugar.

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      No constan

    2. Requisitos

      No constan

    3. Recomendaciones

      Es imprescindible tener conocimientos de programación en al menos algún lenguaje específico. Resultará también útil (aunque no imprescindible) para el seguimiento de la asignatura cualquier formación previa en programación en el ecosistema adicional de Python, así como un cierto background en álgebra lineal básica, procesamiento de imagen, optimización y/o estadística. En todo caso, una introducción al uso del mencionado lenguaje Python que será utilizado como base en la realización de las prácticas está incluida en el propio material proporcionado en la asignatura.

  4. Contenidos

    1. Teoría

      Tema 1: Introducción a la disciplina de la visión por computador

      Tema 2: Software para procesamiento de imagen y visión por computador

      Entornos de programación cloud para Python.

      Librerías Numpy, OpenCV, Matplotlib, Keras, Tensorflow.

      Tema 3: Procesamiento de imagen para visión por computador

      Transformaciones de píxel.

      Filtros lineales/no lineales.

      Transformaciones geométricas.

      Operadores morfológicos.

      Pirámides multiescala.

      Plano proyectivo.

      Tema 4: Extracción de características

      Hand-engineered features.

      Primitivas (puntos, bordes, segmentos, contornos, componentes conexas, blobs).

      Propiedades (invarianza, discernibilidad, eficiencia, repetibilidad).

      Robustez (RANSAC, Hough transform).

      Tema 5: Redes neuronales convolucionales (CNNs) para visión por computador

      Extracción automatizada de características.

      Computación diferenciable.

      Entrenamiento de CNNs.

      Transfer learning.

      Data augmentation.

      Aplicaciones de Deep Learning en problemas de clasificación, localización y regresión en visión por computador.

      Modelos avanzados.

      Tema 6: Geometría visual

      Formación de imágenes.

      Modelo de cámara proyectiva lineal.

      Transformaciones de perspectiva.

      Calibración de cámaras.

      Rectificación de planos.

      Aplicaciones en realidad aumentada.

       

    2. Prácticas

      • Práctica 1: Aplicaciones de visión artificial desarrolladas sobre Python+OpenCV+Keras y ecosistema de librerías relacionadas

        Se realizarán una serie de ejercicios prácticos relacionados con los siguientes bloques de la asignatura:

        1. Procesamiento de imagen básico.
        2. Extracción de características.
        3. Redes neuronales convolucionales.
        4. Clasificación y localización de objetos mediante aprendizaje profundo.
        5. Realidad aumentada.

        Todos ellos serán implementados utilizando el ecosistema Python + OpenCV + Keras + librerías relacionadas.

        Las sucesivas prácticas podrán contener ejercicios obligatorios, recomendados y/u optativos, algunos de ellos interrelacionando los distintos temas entre sí.

        Relacionado con:
        • Tema 2: Software para procesamiento de imagen y visión por computador
        • Tema 3: Procesamiento de imagen para visión por computador
        • Tema 4: Extracción de características
        • Tema 5: Redes neuronales convolucionales (CNNs) para visión por computador
        • Tema 6: Geometría visual

  5. Actividades Formativas

    Actividad Formativa Metodología Horas Presencialidad Interacción
    AF1: Sesiones virtuales sincrónicas de teoría

    MD1: Lección magistral.

    		 16.0 0.0 100.0
    AF2: Seminarios especializados virtuales sincrónicos

    MD2: Aprendizaje basado en problemas.

    MD4: Aprendizaje invertido.

    		 4.0 0.0 100.0
    AF3: Sesiones virtuales sincrónicas de laboratorio

    MD3: Aprendizaje basado en proyectos. MD4: Aprendizaje invertido.

    		 20.0 0.0 100.0
    AF4: Exposición y discusión virtual de trabajos

    MD3: Aprendizaje basado en proyectos.

    		 4.0 0.0 100.0
    AF5: Trabajo autónomo del alumno

    MD2: Aprendizaje basado en problemas.

    MD3: Aprendizaje basado en proyectos.

    		102.0 0.0 0.0
    AF6: Tutorías formativas virtuales individualizadas y en grupo

    MD1: Lección magistral.

    MD2: Aprendizaje basado en problemas.

    MD3: Aprendizaje basado en proyectos.

    MD4: Aprendizaje invertido.

    		4.0 0.0 100.0
    Totales 150.0

  6. Horario de la asignatura

    No constan

  7. Sistemas de Evaluación

    Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    SE1 Informe técnico de prácticas de laboratorio 80.0
    SE3 Presentación pública de trabajos 10.0
    SE4 Seguimiento académico 10.0

  8. Resultados del Aprendizaje

    • R9 (Conocimientos o contenidos): Explicar el modelo básico de cámara proyectiva como agente fundamental en el proceso de formación de imágenes digitales, conociendo sus fundamentos matemáticos y utilizándolo en aplicaciones que impliquen algún tipo de métrica en las imágenes objetivo.
    • R10 (Conocimientos o contenidos): Identificar las dos principales vías de percepción visual inteligente en el estado del arte de la visión artificial actual: la extracción y el emparejamiento de características visuales diseñadas ad-hoc y la alternativa basada en extracción y postprocesamiento automatizado de características mediante redes neuronales artificiales entrenadas end-to-end específicamente para cada tipo particular de aplicación.
    • R11 (Destrezas): Diseñar, implementar, evaluar, comparar y validar algoritmos de extracción de información relevante a partir de imágenes digitales en diferentes contextos de aplicación, tales como la realidad aumentada, el reconocimiento de objetos, la clasificación y/o detección visual de objetos/categorías/lugares integrando las técnicas anteriores.

  9. Bibliografía

    Bibliografía básica

    • Apuntes del profesorado, disponibles en la web de la asignatura.

  10. Observaciones

    EVALUACIÓN

    La evaluación será eminentemente práctica. Más en concreto, la evaluación principal de la asignatura se hará a través de la realización por parte de los alumnos de ejercicios prácticos realizados en python, debidamente documentados.

    La asignatura estará sujeta a evaluación continua y podrá superarse de acuerdo con los criterios de valoración y ponderaciones descritas en el apartado "Evaluación" de esta guía docente.

    La calificación final será la siguiente:

    Calificación final = 0.8·SE1 + 0.1·SE3 + 0.1·SE4,

    donde SE1 es la calificación media obtenida con las prácticas correspondientes a los proyectos presentados, SE3 es la calificación obtenida con la presentación pública de algunos de esos trabajos, y SE4 es la calificación obtenida mediante el seguimiento académico. Todas las pruebas SE1, SE3 y SE4 serán valoradas entre 0 y 10 puntos. La calificación final obtenida por evaluación continua será la calificación del estudiante en la convocatoria de diciembre-enero.

    En otro caso, un estudiante podrá superar la asignatura en la convocatoria de diciembre-enero si cumple las condiciones del artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA), siendo su calificación final de 0.8·SE1 + 0.2·SE3.

    Los estudiantes que no superen la asignatura en la convocatoria de diciembre-enero podrán superar la asignatura en una convocatoria posterior presentándose a las pruebas no superadas en la convocatoria anterior.

    La calificación de las pruebas superadas en una convocatoria se conservará a las siguientes convocatorias, hasta la convocatoria de diciembre-enero inclusive. Se obtendrá la calificación "No presentado" en las convocatorias de mayo-junio, junio-julio o diciembre-enero cuando el estudiante no haya realizado ninguna de las pruebas de evaluación en la convocatoria correspondiente.

    OBJETIVOS DE DESARROLLO SOSTENIBLE:

    Esta asignatura no se encuentra vinculada de forma directa con los Objetivos de Desarrollo Sostenible.

    USO DE LA IA:

    Todos los recursos y materiales no originales que se utilicen en los ejercicios evaluables, incluyendo herramientas de Inteligencia Artificial, ayuda de compañeros, recursos de internet, libros, artículos, etc. deberán referenciarse claramente en el código fuente y la documentación asociada a los ejercicios prácticos entregados.

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.

    REGLAMENTO DE EVALUACIÓN DE ESTUDIANTES

    El artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) prevé que "salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global".

    Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".