Quartas, 08:20 - 11:50h, Ensino Remoto/Moodle Presencial UFSC
  
Como fazer matrícula?
Alunos de Pós-Graduação UFSC: Diretamente junto à Secretaria do PPGCC - INE 410121
Alunos de Graduação UFSC: 
   (formandos) aluno especial de INE 410121 junto à Secretaria do PPGCC
   (outros) matricule-se na optativa INE 5443 que validaremos
Outros (graduados): aluno especial de INE 410121 junto à Secretaria do PPGCC
Site: https://ppgcc.ufsc.br/
  

Introdução

1. O Conjunto de Disciplinas de Visão Computacional do INE (CCO e PPGCC)
   1. INE410121 (PPGCC – Mestrado e Doutorado)
   2. INE5443 (CCO – Graduação)

Programa

1. Introdução

   1. Aula Inaugural e Apresentação do Plano de Ensino
   2. Visão da Estruturação Geral do Campo da Análise de Imagens e Visão Computacional
      1. Domínios de Processamento de Imagens
      2. Métricas de Cor e Similaridade de Pixel
   3. Ferramentas: Python e OpenCV
   4. Ferramentas de Ensino Interativas para Ambientes em Nuvem: Jupyter Notebooks
   5. Usando a Nuvem para seus Trabalhos
       

2. Reconhecimento de Padrões

   1. O que são padrões?
   2. Construindo e Reconhecendo Padrões
   3. Medidas de distância entre padrões: a distância de Hamming, Nearest Neighbour, kNN, Mahalanobis e Outras
      
      

3. Domínio do Valor

   • Consideramos apenas o Valor de cada pixel da imagem, sem levar em consideração o que se encontra ao seu redor
   • V1. Operações Matemáticas de imagem com operando escalar
   • V2.  Operações Lógicas com operando escalar
   • V3. Operações Matemáticas de imagem com imagem
   • V4. Operações Lógicas de imagem com imagem
   • V5. Operações de Limiarização
   • V6. Operações Estatísticas
   • V7. Operações Combinadas

4. Domínio do Espaço

   • Consideramos o valor de cada pixel e também a relação deste com os valores de um conjunto de pixels na sua vizinhança
   • E1. Operações Genéricas de Convolução
   • E2.  Morfologia Matemática
   • E3. Operações de Detecção de Bordas
     • E3. Detecção de Bordas com Convolução Simples
       • E3.1 Roberts
       • E3.2 Sobel
       • E3.3 Robinson
       • E 3.4 Prewitt
       • E 3.5 Isotrópico
     • E3’ Operadores Avançados de Detecção de Bordas utilizando Convolução
       • E 3.4 Canny
     • E3’’ Usando Modelos Matemáticos em um Espaço de Parâmetros
       • E 3.6 A Transformada de Hough
     • E3’’’ Detecção de Estruturas Salientes
       • E 3.7 Sha’aShua
   • E4. Segmentação
     • Definição de Região em uma Imagem (NASA) – a group of pixels with similar or identical characteristics. A “connected region” is a region in which all pixels are connected through a path consisting only of pixels in the region. A “disjoint region” contains some pixels that are not connected through a path consisting only of pixels in the region.
     • E4.1 Crescimento de Regiões com Medidas Simples
     • E4.2 Split & Merge
     • E 4.3 Funcional de Mumford & Shah
     • E 4.4 Método do Divisor de Águas: Watershed
     • E 4.5 Segmentação com Grafos:  Felzenszwalb and Huttenlocher method (FH)
     • E 4.6 Métodos Híbridos
       • 4.6.1 Color Structure Code (CSC)
       • 4.6.2 Segmentação Hierárquica Recursiva (RHSEG/NASA)
       • 4.6.3 Segmentação por quantização cromática baseada em Imagens-J (JSEG)
       • 4.6.4 Combinando Deslocamento para a Média com Detectores de Bordas (EDISON)
       • 4.6.4 Método de Redes de Gradientes (GNM)

   

   Comparação entre métodos de segmentação aplicados à imagem nº 368068. (A) original , (B) Ground Truth, (C) WCSC, (D) CSC, (E) Edison, (F) Munford-Shah, (G) RHSEG, (H) JSEG e
   (I) Watershed.

5. Domínio da Freqüência

   • Consideramos o comportamento de variação do valor dos pixels de uma imagem em vários sentidos
   • F1. FFT
   • F2. Wavelets (Ondeletas)
   • F3. Textura baseada em Covariância de Cores
     

6. Deep Learning::Redes Neurais Convolucionais para Processamento de Imagens

   Material de Referência para nossas Aulas, contendo links, erferências, exercícios, videos, etc…

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

Trabalhos de Alunos

1. Pôsteres do Semestre 2021.2 (integrado – alunos de graduação e pós-graduação)
2. Pôsteres do Semestre 2020.2/2021.1 (integrado – alunos de graduação e pós-graduação)
3. Pôsteres do Semestre 2019.2 (integrado – alunos de graduação e pós-graduação)