Visão Computacional::Deep Learning

cnns
Página de Deep Learning da Disciplina de Visão Computacional/UFSC

Páginas & Tutoriais

Material do LAPIX/INCoD

Material de Referência para nossas Aulas…

class (1)

  1. Deep Learning::Introdução ao Novo Coneccionismo
  2. Deep Learning::Reconhecimento de Imagens
  3. Deep Learning::Detecção de Objetos em Imagens
  4. Deep Learning::Segmentação de Imagens com CNNs
  5. Deep Learning::Aprendizado por Transferência e Ajuste Fino
  6. Deep Learning::Reconhecimento de Poses Humanas
  7. Deep Learning::Redes Adversárias & Neural Style Transfer
  8. Deep Learning::Usando a Nuvem para seus Trabalhos
  9. Deep Learning::Coisas Prontas & Datasets
  10. Deep Learning::Ensinando à Rede: Ferramentas de Anotação
  11. Deep Learning::Eu não gosto de escrever código! Ambientes de Programação Visual
  12. Deep Learning::Eu quero embarcar! IoT & CNNs com Raspberry Pi
  13. Deep Learning::Entenda o Babel: Glossário

 

Tutoriais Gerais & Blogs

Se você é novato, comece por aqui!!!

  1. Redes Neurais Tradicionais: vamos fazer alguns testes usando o simulador online simplificado de TensorFlow
  2. Olhe a Nossa Página sobre RNAs Tradicionais em Reconhecimento de Padrões::Técnicas Sub-simbólicas: Redes Neurais
  3. Convolutional Neural Networks — Simplified::An un-convoluted explanation to a powerful algorithm widely used in image recognition tasks
  4. An Intuitive Explanation of Convolutional Neural Networks
  5. An intuitive guide to Convolutional Neural Networks
  6. Martin Görner – Learn TensorFlow and deep learning, without a Ph.D.
  7. Medium::Short Introduction to Convolutions and Pooling: Deep Learning 101!

Livros on Line

  1. Ian Goodfellow, Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press, 2015
    1. Git do Professor

Disciplinas em outros Lugares

  1. Stanford: CS231n: Convolutional Neural Networks for Visual Recognition (Andrej Karpathy)

    1. Material de Aula: Stanford CS class CS231n: Convolutional Neural Networks for Visual Recognition
    2. Videoaulas: Lecture Collection | Convolutional Neural Networks for Visual Recognition (Spring 2017)

Modelos e Frameworks

Material do LAPIX/INCoD

  1. Deep Learning com OpenCV: DNN
  2. Deep Learning::Tensor Flow
  3. Deep Learning::PyTorch
  4. Ferramentas: Python e OpenCV

Discussões & Blogs

  1. Choosing a Deep Learning Framework in 2018: Tensorflow or Pytorch?
  2. PyTorch vs TensorFlow — spotting the difference

Videos Introdutórios

Estes são videos de cursos de Redes Convolucionais, mas começam do be-a-bá :

Páginas Correlatas neste Site

Reconhecimento de Padrões

  1. Reconhecimento de Padrões::Técnicas Sub-simbólicas: Redes Neurais
  2. Reconhecimento de Padrões::Técnicas Simbólicas: Aprendizado de Máquina

Trabalhos de Alunos

  1. Pôsteres do Semestre 2019.2 (integrado – alunos de graduação e pós-graduação)

página-de-posteres

Copyright © 2018 Aldo von Wangenheim/INCoD/Universidade Federal de Santa Catarina

 

Sobre o Autor

possui graduação em Ciências da Computação pela Universidade Federal de Santa Catarina (1989) e Doutorado Acadêmico (Dr. rer.nat.) em Ciências da Computação pela Universidade de Kaiserslautern (1996). Atualmente é professor Titular da Universidade Federal de Santa Catarina, onde é professor do Programa de Pós-graduação em Ciência da Computação e dos cursos de graduação em Ciências da Computação e Sistemas de Informação. Tem experiência nas áreas de Informática em Saúde, Processamento e Análise de Imagens e Engenharia Biomédica, com ênfase em Telemedicina, Telerradiologia, Sistemas de Auxílio ao Diagnóstico por Imagem e Processamento de Imagens Médicas, com foco nos seguintes temas: analise inteligente de imagens, DICOM, CBIR, informática médica, visão computacional e PACS. Coordena o Instituto Nacional de Ciência e Tecnologia para Convergência Digital - INCoD. Foi o criador e primeiro Coordenador do Núcleo de Telessaúde de Santa Catarina no âmbito do Programa Telessaúde Brasil do Ministério da Saúde e da OPAS - Organização Pan-Americana de Saúde e criador do Núcleo Santa Catarina da RUTE - Rede Universitária de Telemedicina.