Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Inteligência Artificial
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
Assume-se que os estudantes têm conhecimentos de Álgebra Linear, de Estatística e sobretudo de Programação (a linguagem Python é extensivamente utilizada no âmbito desta UC).
Objetivos Gerais / Objectives
O principal objetivo consiste em dar a conhecer aos estudantes os principais e mais recentes métodos computacionais para manipulação e análise de imagens, com vista à extração automática de conhecimento. Serão aprofundadas na UC técnicas para extração de características de imagem que poderão ser usadas em algoritmos de aprendizagem automática clássicos e técnicas de aprendizagem profunda com aplicação a problemas que envolvam imagens, nomeadamente as baseadas em redes neuronais convolucionais. Para além disso pretende-se também familiarizar os estudantes com as principais ferramentas utilizadas para manipulação de imagens no âmbito da visão por computador e da aprendizagem automática, nomeadamente as bibliotecas OpenCV e Tensorflow, respetivamente, usando a linguagem de programação Python.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
O1: Conhecer o processo básico de formação de uma imagem digital O2: Representar uma imagem em diferentes espaços de cor O3: Realizar operações típicas de processamento de imagens O4: Extrair características de baixo nível de uma imagem O5: Implementar algoritmos clássicos de aprendizagem automática para classificar o conteúdo de imagens O6: Conhecer a arquitetura típica de uma rede neuronal convolucional (CNN) e perceber o seu funcionamento interno O7: Resolver um problema de classificação de imagens com complexidade média recorrendo a CNNs O8: Aplicar metodologias de transferência de conhecimento e fine-tuning usando CNNs pré-treinadas O9: Usar algoritmos de aprendizagem profunda para identificar objetos numa imagem O10: Conhecer algoritmos de aprendizagem profunda para geração automática de conteúdos multimédia O11: Manipular imagens usando a biblioteca OpenCV O12: Utilizar a biblioteca Tensorflow para desenvolver aplicações de aprendizagem automática
Conteúdos Programáticos / Syllabus
C1: Aquisição e representação de imagens C2: Operações com imagens C3: Extração de características de imagem C4: Introdução à aprendizagem automática C5: Redes neuronais clássicas C6: Redes neuronais convolucionais C7: Transferência de conhecimento C8: Arquiteturas de redes para deteção e identificação de objetos C9: Arquiteturas de redes para geração automática de conteúdos
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
A coerência entre os Conteúdos Programáticos (C) e os Objetivos de Aprendizagem (O) desta unidade curricular pode ser descrita através das seguintes relações: C1 -> O1, O2, O11 C2 -> O2, O3, O11 C3 -> O4, O11 C4 -> O5, O11, O12 C5 -> O5, O11, O12 C6 -> O6, O7, O12 C7 -> O7, O8, O12 C8 -> O8, O9, O12 C9 -> O8, O10, O12 Nestas relações, há a salientar que cada conteúdo programático está tipicamente associado a dois ou três objetivos de aprendizagem, em que pelo menos um deles tem um cariz prático e experimental. Em particular, os objetivos “O11 - Manipular imagens usando a biblioteca OpenCV” e “O12 - Utilizar a biblioteca Tensorflow para desenvolver aplicações de aprendizagem automática”, estão associados a diversos conteúdos programáticos, sendo que O11 é um objetivo associado aos conteúdos que incidem em técnicas e algoritmos de processamento de imagens, e O12 aos conteúdos que incidem em algoritmos de aprendizagem automática aplicada a imagens.
Avaliação / Assessment
Dado o carácter eminentemente prático da UC, só existem modalidades de avaliação ao longo do semestre, não estando prevista a avaliação por exame: Modalidade A - Atividades realizadas nas aulas: 20% (umas individuais, outras em grupo) - Teste: 40% (individual) - Projeto, com relatório e apresentação: 40% (realizado em grupo mas com avaliação individual) Modalidade B - Teste: 50% (individual) - Projeto, com relatório e apresentação: 50% (realizado individualmente, ou em grupo mas com avaliação individual) Regras adicionais: - Todas as componentes têm uma nota mínima de 7 valores. - Na modalidade A, faltar a uma atividade avaliada em aula implica ter 0 valores nessa atividade, independentemente de haver ou não justificação para a falta. Não há compensações para atividades em aula que fiquem em falta. - O Teste é realizado no final do período letivo ou na 1ª época; pode ser repetido na 2ª época (quer para melhoria de nota, quer para obter aprovação) - A nota do Projeto é limitada à nota do Teste acrescida de 5 valores. Por exemplo, um estudante que obtenha 12 valores no Teste fica automaticamente limitado a uma nota máxima de 17 valores no Projeto. - As apresentações do Projeto são realizadas em sessões a combinar durante a 1ª época de avaliações. - Melhoria de nota: apenas existe a possibilidade de melhorar a nota do Teste. - Época especial: processo de avaliação idêntico ao da modalidade B, mas neste caso as datas de realização do Teste e de limite para entrega do Projeto serão agendadas para a época especial.
Metodologias de Ensino / Teaching methodologies
Aulas teórico-práticas semanais de 3h. Em regra, as aulas são divididas em duas partes: a primeira parte da aula é expositiva e demonstrativa, sendo introduzidos os principais conceitos associados aos conteúdos da aula, e apresentandos exemplos de aplicação dos mesmos; na segunda parte da aula os estudantes resolvem exercícios propostos e/ou realizam atividades para avaliação a fim de aplicarem de imediato a matéria exposta durante a primeira parte da aula.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Os instrumentos de avaliação são desenhados para cobrirem todos os objetivos da UC. Os exercícios, "mini-projetos" e quizzes realizados nas aulas ao longo do semestre vão cobrindo os objetivos associados aos conteúdos programáticos à medida que estes vão sendo lecionados. O projeto final pretende cobrir com maior profundidade os objetivos de aprendizagem O6-O12. O planeamento das aulas da UC evidencia a relação entre os métodos pedagógicos usados e os objetivos de aprendizagem definidos anteriormente.
Observações / Observations
O processo de avaliação da UC sem modalidade de avaliação por exame foi autorizado pela Comissão Pedagógica da ISTA a 21/jul/2022, em acordo com o regulamento geral de avaliação de conhecimentos e competências.
Bibliografia Principal / Main Bibliography
J. Howse, J. Minichino, Learning OpenCV 4 with Python 3, 3rd Edition, Packt Publishing, 2020 M. Elgendy, Deep Learning for Vision Systems, Manning, 2020
Bibliografia Secundária / Secondary Bibliography
Materiais da UC desenvolvidos pela equipa docente, disponibilizados na plataforma moodle, 2025 A. Torralba, P. Isola, W. Freeman, Foundations of Computer Vision, MIT Press, 2024 R. Szeliski, Computer Vision: Algorithms and Applications, 2nd Edition, Springer, 2021, https://szeliski.org/Book/ F. Chollet, Deep Learning with Python, 2nd Edition, Manning, 2021 A. Villan, Mastering OpenCV 4 with Python, Packt Publishing, 2019 M. Nixon, A. Aguado, Feature Extraction and Image Processing for Computer Vision, 4th Edition, Academic Press, 2019 I. Goodsfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016, https://www.deeplearningbook.org/ Vários, Tutoriais e documentação da bibliotecas OpenCV, https://opencv.org/ Vários, Tutoriais e documentação da biblioteca Tensorflow, https://www.tensorflow.org/
Data da última atualização / Last Update Date
2025-07-16