Currículo

Aprendizagem Profunda para Visão por Computador (MCD) 04508

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 - Aprendizagem automática (revisão) C5 - Redes neuronais clássicas (revisão) 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% (realizadas numa base semanal, umas individuais, outras em grupo) - Teste: 40% (individual) - Projeto e relatório: 40% (em grupo) Modalidade B - Teste: 50% (individual) - Projeto e relatório: 50% (individual ou em grupo) 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. - 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

• Tomás Brandão, Materiais da UC disponibilizados na plataforma de e-learning, 2024, -, - 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, -, - Vários, Tutoriais e documentação da bibliotecas OpenCV, -, -, https://opencv.org/ Vários, Tutoriais e documentação da biblioteca Tensorflow, -, -, https://www.tensorflow.org/ 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, -, -:

Disciplinas de Execução

2026/2027 - 1º Semestre

2025/2026 - 1º Semestre