Fundamentos de Visão Computacional. Percepção e Inteligência. Áreas de Aplicação. Segmentação e reconhecimento de características de baixo nível. Detecção de Objetos. Tracking. Visão Estéreo. Estudo de aplicações avançadas.
Carga Horária: 45h
Quinta
Lab de Ensino 3
Manhã, 07:30 à 10:00
Aulas teóricas com exposição de práticas para exemplificar o conteúdo
Participação dos alunos através de discussão de artigos selecionados, de seminários com foco em suas dissertações de mestrado e produção de trabalhos
| Data | Conteúdo |
|---|---|
| 23/08 | Introdução a Visão Computacional: problemas e desafios |
| 30/08 | Conceitos Básicos PI |
| 06/09 | Conceitos Básicos de AM |
| 13/09 | Aprendizagem Profunda - CNN |
| 20/09 | Prática CNN |
| 04/10 | Discussão 1 |
| 11/10 | Discussão 2 |
| 18/10 | 1 Avaliação |
| 25/10 | Detecção |
| 01/11 | Detecção |
| 08/11 | Seminários |
| 15/11 | Espaço trabalho |
| 22/11 | Tópicos Extras |
| 29/11 | Tópicos Extras |
| 06/12 | Sessão de Pôster - Trabalho Final |
Defina com seu orientador ou com o professor um trabalho que seja sub-parte do seu trabalho de dissertação e que contenha conteúdos de visão computacional.
Principais Interesses:
Temas Definidos
| Responsável | Tema | Proposta |
|---|---|---|
| Joaquim | Uma comparação entre o desempenho da ResNext e da DenseNet no reconhecimento de semáforos | O objetivo do trabalho é hyperopt para estabelecer os melhores parâmetros das redes ResNext e DenseNet, ambas atacando o mesma base com fim de comparar o desempenho delas durante a classificação. |
| Gleidson | Detecção de cancer de mama em imagens infravermelhas | Utilizar a base de dados http://visual.ic.uff.br/en/proeng/thiagoelias/ (está indisponível para download, mas vou tentar entrar em contato para conseguir) junto a uma Inception V3 para a classificação de anormalidaes nas regiões de interesse. |
| Ricardo | Redes Neurais Adversárias para Diagnóstico de Glaucoma | Para resolver o problema, pretende-se utilizar técnicas de visão computacional, mais especificamente na área de redes neurais convolucionais profundas (deep learning). Para tanto, será feito o reconhecimento entre indivíduos com e sem glaucoma, através de imagens de fundo de olho da base de dados rim-one-v2. |
| Polyana | Detecção da região dos olhos em faces para tracking de olhos em vídeos | A fim de determinar a posição da pupila, primeiramente é necessário extrair a região dos olhos numa imagem que contém a face inteira. Para isso, pretendo usar a rede neural convolucional YOLO (You Only Look Once), uma rede projetada para detecção de objetos em tempo real. A detecção de olhos vai ser usada em vídeos, por isso a necessidade de funcionar em tempo real. A fim de estabilizar a posição dos olhos ao longo dos frames, visa-se detectar também a região da face. |
| Igor | Otimização de Hiperparâmetros com HyperOpt para reconhecimento de Pneumonia utilizando arquitetura DENSENET | Encontrar uma combinação de hyper parâmetros mais adequada a um conjunto de imagens específico e comparar a Arquitetura obtida para DENSE com a Arquitetura original da DENSE usando hyperopt. |
Baggio, D.: Mastering OpenCV with Practical Computer Vision Projects, PACKT, 2012
Laganière, R: OpenCV 2 Computer Vision Application Programming Cookbook, PACKT, 2011
Howe, K.:A Practical Introduction to Computer Vision with OpenCV, Wiley, 2014
Bradski and Kaehler: Learning OpenCV, O'Reilly, 2008
J.R.Parke: Algorithms for Image Processing and_Computer Vision, Wiley 2010
Szeliski, Richard: Computer Vision: Algorithms and Applications, Microsoft Research, 2010
Simon J. D. Prince. Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2014.
M. Nixon. Feature Extraction and Image Processing for Computer Vision, Elsevier, Ed. 3, 2012
R. Hartley, e A. Zisserman. Multiple View Geometry in Computer Vision, Cambridge University Press, Ed. 2, 2004.
Li Deng and Dong Yu. Deep Learning Methods and Applications, Foundations and Trends in Signal Processing, 2014