| 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, fechamento.
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). Modelos de Visão-Linguagem
|
|
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 70% na nota final;
- um trabalho prático individual com relatório de execução e apresentação, com peso de 30% na nota final.
Classificação Ensino-Aprendizagem (CEA) = 0.7T + 0.3TP
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.
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
|