| Código |
15644
|
| Ano |
1
|
| Semestre |
S2
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Objectivos de Aprendizagem |
a) Conhecimento geral sobre sistemas de visão computacional; perspetiva sumária sobre as fases de um sistema de visão. Algoritmos de deteção, segmentação, codificação e comparação.
b) Aptidão para implementação / otimização de algoritmos de visão computacional, integrados em sistemas de reconhecimentos de padrões.
c) Competência para a avaliação de soluções alternativas, mediante os requisitos de um sistema de visão. Competência para comparar criticamente o desempenho de um algoritmo integrado num sistema de visão.
|
|
Conteúdos programáticos |
1) Os 4 Rs da Visão Computacional
2) Geometria e Formação da Imagem (Luz e Cor, Câmaras e Ótica, Pixeis e Representação de Imagens)
3) Processamento de Imagem (Sistemas Lineares, Domínios Espacial e de Frequência, Convolução e Filtragem, Deteção de Arestas, Deteção de Pontos de Interesse)
4) Calibração de Câmaras (Geometria Epirolar)
5) Deteção de Objetos e Segmentação (Detetor AdaBoost, Transformada de Hough, Contornos Activos)
6) Vistas Múltiplas e Movimento (Correspondência estéreo, Fluxo Óptico)
7) Representação de Imagens
8) Classificação de Imagens e Reconhecimento (Comparação de Características, Classificador dos Vizinhos mais Próximos, Classificadores Lineares, Máquinas de Suporte Vetorial)
9) Redes Neuronais (Otimização de Funções de Custo, Descida do Gradiente, Algoritmo de Retropropagação do Erro
10) Modelos de Aprendizagem Profunda (Camadas e Configurações, Redes Convolucionais, AlexNet, VGGNet, ResNet, Pre-processamento, Aumento de Dados, R-CNNs, FCNs e GANs)
|
|
Metodologias de Ensino e Critérios de Avaliação |
Para obter aprovação, os alunos têm que frequentar pelo menos 80% das aulas. Durante o semestre, os alunos deverão desenvolver um projeto prático individual. Após a conclusão do projeto, cada aluno deverá fazer uma apresentação individual. Perto do final do semestre, será feita uma prova escrita sobre a componente teórica da disciplina. O projeto tem um peso de 50% e a prova escrita tem um peso de 50%.
|
|
Bibliografia principal |
E.R. Davies.; Machine Vision: Theory, Algorithms, Practicalities, Third Edition, Morgan Kaufmann, 2005.
R. Szeliski; Computer Vision: Algorithms and Applications, Springer, 2011.
R. Klette; Concise Computer Vision: An Introduction into Theory and Algorithms, Springer, 2014.
Ian Goodfellow, Y. Bengio and A. Courville; Deep Learning, The MIT Press, Cambridge, 2016.
|
| Língua |
Português
|