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
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 Sem aula
 		01/05 Dia do trabalho
06/05 P1 (Emílio) 08/05 Hae-2
13/05 Hae-3 15/05 Hae-4
20/05 Hae-5 22/05 Hae-6
27/05 Hae-7
 29/05 Hae-8 (entrega EP1)
03/06 Hae-9 05/06 Hae-10
10/06 Hae-11 12/06 Hae-12
17/06 Hae-13 19/06 Hae-14
24/06 P2 (Hae)
 		26/06 PSub (entrega EP2)

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. C++ e Python.
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.
Filtros "restritos a janela" - 2: filtros lineares.
Gradiente, Laplaciano, Sobel, Roberts.
Convolução. Correlação.
Convolução através de FFT.
filtros
convolucao
5

 Normalized cross correlation.
Template matching simplificado
Template matching.
tmatch-simp
tmatch
6

 Reamostragem e interpolação (vizinho mais próximo, bilinear, bicúbica, sinc).
Coordenadas homogêneas, transformada afim, transformada perspectiva.
reamost
transformacao
7
 Aprendizagem de máquina
Aprendizagem do operador (filtro)
vizinho mais próximo [flann e força bruta]
aprendizagem
8

 Árvore de decisão,
Aprendizagem Bayes
Features úteis e inúteis
Adaboost
aprendizagem
9
 Aprendizagem de máquina avançada
MNIST
Detecção de rostos. Viola-Jones.
mle_avancada
10

 Histograma de gradiente orientado (HOG).
Imagem integral.
Detecção de pedestres.
mle_avancada
integral
11
 Deep learning-1
Redes neurais. Implementação "do zero".
Tiny-dnn, Tensorflow/Keras
redeneural
12

 Rede neural convolucional
MNIST
Funções de ativação: sigmoide, tanh, ReLU.
Estruturas de rede neural profunda.
Métodos de otimização.

convolutional
convolutional-keras
13

 Elipse-retângulo
Identificação pelo rosto
Identificar rosto masculino/feminino
Identificar rosto sorridente/neutro
CIFAR-10
Cifar
convolutional-keras
14
 Aumento de resolução por aprendizagem de máquina
U-net
convolutional-keras



Exercícios programas: