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: