Diese kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen.
Universitat Autònoma de Barcelona

Detección de objetos

Antonio López Peña
Ernest Valveny
Maria Vanrell

Dozenten: Antonio López Peña

33.942 bereits angemeldet

Enthalten inCoursera Plus

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.4

(352 Bewertungen)

Es dauert 17 Stunden
3 Wochen bei 5 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
96%
Den meisten Lernenden gefiel dieser Kurs
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.4

(352 Bewertungen)

Es dauert 17 Stunden
3 Wochen bei 5 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
96%
Den meisten Lernenden gefiel dieser Kurs

Kompetenzen, die Sie erwerben

  • Kategorie: Image Processing
  • Kategorie: Object Detection
  • Kategorie: Algorithms
  • Kategorie: Machine Learning
  • Kategorie: Support Vector Machine (SVM)

Wichtige Details

Erwerben Sie ein Karrierezertifikat.

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

11 Aufgaben

Unterrichtet in Spanisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 6 Module

En esta primera semana explicaremos los fundamentos de un detector de objetos. Empezaremos introduciendo los conceptos básicos de la formación y el análisis de imágenes, para aplicarlos en el diseño de detectores simples basados en las características de los píxeles de la imagen. Finalmente, explicaremos los conceptos de correlación y convolución y veremos cómo se pueden utilizar en la detección de objetos.

Das ist alles enthalten

7 Videos6 Lektüren1 Aufgabe

En esta semana explicaremos el concepto de clasificador de ventana como forma de decidir si una ventana candidata contiene una instancia del objeto que queremos detectar o no. Lo ilustraremos utilizando LBP como descriptor de la imagen y la regresión logística cómo método de clasificación. Nos fijaremos tanto en la parte de aprendizaje del clasificador como en su utilización para determinar el contenido de una ventana.

Das ist alles enthalten

9 Videos1 Lektüre1 Aufgabe

En esta semana nos centraremos primero en la fase de detección de posibles candidatos en la imagen. El conjunto de candidatos que se detecten serán analizados por el clasificador que explicamos en la semana 2 para determinar la presencia del objeto. Además, explicaremos también los pasos necesarios para poder preparar correctamente todos los datos que se utilizan en el aprendizaje y evaluación del detector. Finalmente, veremos cómo podemos evaluar de forma objetiva el rendimiento del detector.

Das ist alles enthalten

9 Videos3 Lektüren1 Aufgabe

En esta semana veremos un segundo ejemplo de sistema de detección de objetos que se basará en la utilización de HOG como descriptor de la imagen y SVM como clasificador.

Das ist alles enthalten

6 Videos4 Lektüren3 Aufgaben

En esta semana veremos un tercer sistema de detección basado en las características de Haar para describir la imagen y Adaboost como clasificador. Para poder explicar las características de Haar explicaremos también el concepto de imagen integral. Veremos cómo entrenar un clasificador con Adaboost que nos permita seleccionar el mejor subconjunto de las características de Haar. Finalmente, explicaremos cómo combinar varios clasificadores en una cascada para poder implementar un sistema completo de detección.

Das ist alles enthalten

6 Videos2 Lektüren3 Aufgaben

En las semanas anteriores hemos visto los métodos más habituales para la detección de objetos. En esta última semana explicaremos algunas técnicas más avanzadas que se pueden utilizar en diferentes fases de la detección y que pueden ser útiles en problemas de detección más complejos. Entre estas técnicas están los modelos no holísticos (DPM, Random Forests), métodos de adaptación de dominio, la utilización de redes neuronales convolucionales, explotar la multi-modalidad en las imágenes y técnicas alternativas para la generación de candidatos.

Das ist alles enthalten

7 Videos1 Lektüre2 Aufgaben

Dozenten

Lehrkraftbewertungen
4.0 (25 Bewertungen)
Antonio López Peña
Universitat Autònoma de Barcelona
1 Kurs33.942 Lernende
Ernest Valveny
Universitat Autònoma de Barcelona
2 Kurse42.342 Lernende
Maria Vanrell
Universitat Autònoma de Barcelona
1 Kurs33.942 Lernende

von

Empfohlen, wenn Sie sich für Algorithms interessieren

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

Zeigt 3 von 352

4.4

352 Bewertungen

  • 5 stars

    64,20 %

  • 4 stars

    23,86 %

  • 3 stars

    6,81 %

  • 2 stars

    1,70 %

  • 1 star

    3,40 %

PR
4

Geprüft am 18. Jan. 2017

ED
5

Geprüft am 18. Feb. 2016

JL
5

Geprüft am 17. Jan. 2016

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Häufig gestellte Fragen