Visão Computacional

Não tem Fotografia:
João Carlos Raposo Neves
Código:
17979
Ano:
1
Semestre:
S2
Créditos ECTS:
6
Carga Horária:
PL(30H)/T(30H)
Área Científica:
Informática
Tipo de ensino:
Presencial
Estágios:
(Não aplicável)
Objectivos de Aprendizagem:
A disciplina tem como objetivo introduzir os conceitos fundamentais de Visão Computacional, desde a representação digital de imagens até às arquiteturas 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 sinais digitais e formação de imagem.
b. Aplicar técnicas de extração de características e reconhecimento de objetos.
c. Implementar redes neuronais convolucionais e arquiteturas modernas (CNN, Vision Transformer).
d. Compreender métodos generativos (GANs) e modelos de visão-linguagem (CLIP).
e. Avaliar experimentalmente métodos de Visão Computacional.
Conteúdos programáticos:
A. Sinais Digitais: Conceitos básicos de imagens digitais; tipos de imagens; conversão analógico-digital; domínio espacial vs frequência; Transformada de Fourier.
B. Formação das imagem e Calibração de câmaras.
C. Low-level Features: Filtros espaciais e de frequência; algoritmo Canny; deteção de cantos (Harris), pontos de interesse (SIFT); descritores locais e globais.
D. Redes Neuronais Convolucionais: Camadas convolucionais, pooling, lineares; funções de ativação; arquiteturas (AlexNet, VGG, ResNet, MobileNet).
E. Deteção e reconhecimento de objetos.
F. Vision Transformer: Patch encoding; codificador Transformer; camada de classificação.
G. Redes Generativas Adversariais: Arquitetura GAN; função de custo; convoluções transpostas.
H. Modelos Visão-Linguagem: CLIP; arquitetura; processo de aprendizagem; classificação zero-shot.
I. Arquiteturas Modernas: Foundation Models; estratégias de fusão; funções de custo.
J. Validação Experimental: Avaliação de desempenho e métricas.
Metodologias de Ensino e Critérios de Avaliação:
Metodologias de ensino:
• Aulas teóricas;
• Aulas prático-laboratoriais;
• Projetos Individuais;
• Tutoria para esclarecimento de dúvidas e acompanhar o aluno no desenvolvimento do seu projeto.

Métodos e Critérios de Avaliação:

As componentes teóricas e práticas são avaliadas recorrendo a dois elementos principais:
- uma prova escrita (T) de avaliação de conhecimentos, com um peso de 65% na nota final;
- dois testes práticos individuais com peso de 10% e 25% na nota final, respetivamente.
Classificação Ensino-Aprendizagem (CEA) = 0.65T + 0.35TP
Admissão ao exame final: CEA >= 6 valores (regulamento da UBI).
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.
E. R. Davies. Computer Vision: Principles, Algorithms, Applications, Learning. Academic Press, 2018
Szeliski, R. (2022). Computer Vision: Algorithms and Applications
Russell, B. & Torralba, A. (2021). Computer Vision: Foundations and Applications.
Língua:
Português