Processamento de Dados Audiovisuais

Não tem Fotografia:
João Carlos Raposo Neves
Código:
16683
Ano:
3
Semestre:
S1
Créditos ECTS:
6
Carga Horária:
PL(30H)/T(30H)
Área Científica:
Informática
Objectivos de Aprendizagem:
A disciplina tem como objetivo introduzir os conceitos fundamentais de processamento e análise de imagens e vídeos, cobrindo desde a representação digital até às técnicas modernas baseadas em redes neuronais profundas e modelos generativos.
No final da Unidade Curricular o estudante deve ser capaz de:
a. Compreender os fundamentos de representação e armazenamento de imagens e vídeo digitais;
b. Aplicar técnicas básicas e avançadas de processamento de imagens para melhorar a qualidade e extrair informação relevante;
c. Conhecer o funcionamento de métodos de extração de características em imagens;
d. Aplicar técnicas de reconhecimento de objetos usando abordagens clássicas e de aprendizagem automática;
e. Compreender e utilizar redes neuronais convolucionais para análise de imagens;
f. Compreender os princípios dos métodos generativos de imagem, incluindo GANs e modelos de difusão;
g. Aplicar arquiteturas baseadas em Transformers para análise e extração de informação de imagens;
Conteúdos programáticos:
A. Fundamentos de Imagem e Vídeo: Conceitos básicos de imagens digitais: pixels, resolução, profundidade de cor. Representação e armazenamento: formatos de arquivo, compressão.
B. Técnicas de Processamento de Imagem: Transformações básicas: ajuste de brilho/contraste, histograma, normalização. Filtragem espacial e em frequência: suavização, realce, deteção de bordas. Morfologia matemática: dilatação, erosão, abertura, fecho.
C. Técnicas de Análise e Descrição de Imagens: Deteção de características: cantos, bordas, pontos de interesse. Descritores de imagem. Reconhecimento de objetos.
D. Redes Neuronais Convolucionais (CNNs). Funcionamento do modelo CNN. Arquiteturas fundamentais para classificação e deteção de objetos.
E. Métodos Generativos de Imagem. Introdução aos métodos generativos: discriminativos vs generativos, espaço latente. Redes Generativas Adversariais (GANs). Modelos de Difusão.
F. Transformers para Imagens: Modelo Vision Transformer (ViT).
G. Modelos de Visão-Linguagem
Metodologias de Ensino e Critérios de Avaliação:
Metodologias de ensino:
• Aulas teóricas;
• Aulas prático-laboratoriais;
• Tutoria para esclarecimento de dúvidas e acompanhar o aluno no desenvolvimento dos problemas fornecidos no âmbito das aulas prático-laboratoriais.

Avaliação Ensino/Aprendizagem
• T – Prova Escrita: 60%
• TP1 – Teste Prático Individual 1: 15%
• TP2 – Teste Prático Individual 2: 25%

A Classificação de Ensino-Aprendizagem (CEA) é calculada da seguinte forma:
CEA = 0,6T + 0,15TP1 + 0,25TP2
O estudante obtém aprovação à unidade curricular, ficando dispensado de exame, se obtiver classificação final igual ou superior a 9,5 valores.

Avaliação por Exame
• E – Prova Escrita: 60% (prova individual escrita)
A classificação final em época de exame leva em conta a nota dos testes práticos já determinada na fase Ensino/Aprendizagem e é calculada pela seguinte fórmula:
Classificação Final = 0,6E + 0,15TP1 + 0,25TP2
Bibliografia principal:
Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
O'Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. arXiv.
Szeliski, R. (2022). Computer Vision: Algorithms and Applications
Russell, B. & Torralba, A. (2021). Computer Vision: Foundations and Applications.
Língua:
Português
Esta informação promove os seguintes Objetivos de Desenvolvimento Sustentável da ONU:
Garantir o acesso à educação inclusiva, de qualidade e equitativa, e promover oportunidades de aprendizagem ao longo da vida para todos