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 e no domínio da frequência 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 caráter iminentemente prático da UC, só existem modalidades de avaliação ao longo do semestre, não estando prevista a avaliação por exame. Modalidade A (implica a presença em pelo menos 60% das aulas): - Participação em aula (20%) – individual, avaliada com base na participação em exercícios e atividades realizadas durante as aulas; - Desafios (20%) – em grupo, realizados “em casa”; - Projeto (60%) – em grupo, mas com avaliação individual; inclui relatório e discussão oral. Modalidade B (para quem não cumprir o critério de assiduidade mínima) - Teste (40%) – individual, realizado no final do período letivo; inclui uma parte prática; - Projeto (60%) – individual ou em grupo, mas com avaliação individual; inclui relatório e discussão oral. Todas as componentes têm uma nota mínima de 7.5 valores. Independentemente da modalidade seguida, a nota da componente "Projeto" é limitada pelo desempenho demonstrado individualmente na discussão oral, de acordo com a seguinte regra: - Muito bom desempenho – sem limite; - Bom desempenho – limite de 17 valores; - Desempenho suficiente – limite de 13 valores; - Mau desempenho – reprovado à UC. As discussões orais dos projetos serão definidas em datas durante as épocas de avaliação normais. Não existe processo de melhoria de nota. O processo de avaliação em época especial é idêntico ao da modalidade B, mas neste caso o projeto terá obrigatoriamente de ser realizado individualmente.

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

2023/2024 - 2º Semestre

2024/2025 - 2º Semestre