Currículo

Aprendizagem Profunda para Visão por Computador 04193

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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

Programa

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

Método de Avaliação

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.

Carga Horária

Bibliografia

Principal

• J. Howse, J. Minichino, Learning OpenCV 4 with Python 3, 3rd Edition, Packt Publishing, 2020 M. Elgendy, Deep Learning for Vision Systems, Manning, 2020:

Secundária

• 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/:

Disciplinas de Execução