PSI3471 (2019): Fundamentos de Sistemas Eletrônicos Inteligentes

Informações sobre o curso:


Aulas: Sala B2-09

segunda-feira 7:30-9:10
 quarta-feira 9:20-11:00
 Tarefas
18/02 Emílio-1 20/02 Emílio-2
25/03 Emílio-3
 27/03 Emílio-4
04/03 Carnaval
 06/03 Carnaval
11/03 Emílio-5 13/03 Emílio-6
18/03 Emílio-7 20/03 Emílio-8
25/03 Emílio-9
 27/03 Emílio-10
01/04 Emílio-11 03/04 Emílio-12
08/04 Emílio-13 10/04 Emílio-14
15/04 Semana Santa
 		17/04 Semana Santa
22/04 Emílio-15 24/04 Hae-1
29/04 P1 (Emílio)
 		01/05 Dia do trabalho
06/05 Hae-2 08/05 Hae-3
13/05 Hae-4 15/05 Hae-5
20/05 Hae-6 22/05 Hae-7
27/05 Hae-8
 29/05 Hae-9
03/06 Hae-10 05/06 Hae-11
10/06 Hae-12 12/06 Hae-13
17/06 Hae-14 19/06 Hae-15
24/06 P2 (Hae)
 		26/06 PSub

Critério de nota:

Se min{MEmilio,MHae}>=3
    então MFinal = (MEmilio+MHae)/2
    senão MFinal = min{MEmilio,MHae}
MEmilio e MHae são calculadas como:  (Prova+MExercícios)/2

Os exercícios do Hae são dois exercícios-programas, para serem resolvidos em duplas ou individualmente.

PSub somente em caráter excepcional para quem justificar a falta numa das duas provas (doença, luto, etc). No dia a combinar.

Materiais do prof. Hae:


Faremos dois exercícios-programas, para serem resolvidos em duplas (ou individualmente).

Slides da primeira aula: primeira_aula.pdf primeira_aula.odt
Slides sobre deep learning: deeplearning.pdf deeplearning.odg


Aulas planejadas:

O conteúdo da minha parte desta disciplina é basicamente:
1) Processamento de Imagens e Visão Computacional.
2) Aprendizagem de Máquina aplicada em Processamento de Imagens e Visão Computacional (incluindo rede neural convolucional e deep learning).


Aula
 Matéria planejada
 Matéria dada
 Apostilas
1

 Apresentação sobre deep learning
Conceitos básicos.
Diferentes áreas de processamento de imagens, visão computacional e aprendizagem de máquina.
OpenCV e Cekeikon.
Programas exemplos.
Acesso aos pixels.
deeplearning
basico
cekeikon_opencv
2

 Modelos de cores.
Brilho/contraste.
Limiarização.
Otsu.
Histograma.
basico
limiar
3

 Componente conexo. Fila, pilha e recursão.
Crescimento de semente.
Menor caminho.
compcon
4

 Filtros restritos a janela - 1: mediana, média móvel.
Template matching simplificado
filtros
tmatch-simp
5

 Filtros "restritos a janela" - 2: filtros lineares.
Gradiente, Laplaciano, Sobel, Roberts.
Convolução. Correlação.
Convolução através de FFT.
Normalized cross correlation.
Template matching.
filtros
convolucao
tmatch-simp
tmatch
6

 Reamostragem e interpolação (vizinho mais próximo, bilinear, bicúbica, sinc).
Coordenadas homogêneas, transformada afim, transformada perspectiva.
reamost
transformacao
7


8

 Aprendizagem de máquina
Aprendizagem do operador (filtro)
vizinho mais próximo [flann e força bruta],
árvore de decisão,
aprendizagem Bayes
Features úteis e inúteis
Adaboost
aprendizagem
9


10

 Aprendizagem de máquina avançada
MNIST
Detecção de rostos. Viola-Jones.
Histograma de gradiente orientado (HOG).
Imagem integral.
Detecção de pedestres.
mle_avancada
integral
11


12

 Deep learning-1
Redes neurais. Implementação "do zero".
Tiny-dnn
Rede neural convolucional
MNIST
Funções de ativação: sigmoide, tanh, ReLU.
Estruturas de rede neural profunda.
Métodos de otimização.
Elipse-retângulo
CIFAR-10

redeneural
convolutional
13

14

 Deep learning-2
Outros problemas de deep learning.




Exercícios programas: