PSI5790

Calendário e aulas planejadas:

Aula planejada

Linguagem

Entrega de lição.

1

03/03

Introdução. Conceitos básicos de processamento de imagens. Componentes conexos, crescimento de semente, fila, pilha.

C++/OpenCV

09/03

2

10/03

Filtros e convolução. Casamento de modelo.

C++/OpenCV

16/03

3

17/03

Transformações geométricas. Introdução ao aprendizado de máquina.

C++/OpenCV

23/03

4

24/03

Projeto de filtros por aprendizado. Aprendizado clássico para classificar MNIST. Extração de características (filtro de Haar e HOG).

C++/OpenCV

06/04

31/03

Semana Santa

5

07/04

Introdução ao aprendizado profundo. Tensorflow / Keras. Google Colab. Rede neural densa para classificar MNIST.

Python/Keras

13/04

6

14/04

Rede neural convolucional "tipo LeNet".
Seminário: Funções de ativação e classificação de sinais biomédicos.

Python/Keras

27/04

21/04

Tiradentes

7

28/04

Modelos pré-treinados para ImageNet. Cifar10. Redes avançadas. Data augmentation.

Python/Keras

07/05

8

05/05

Transfer learning. Vision Transformer.

Python/Keras

11/05

9

12/05

Diferenciação automática. Segmentação semântica.

Python/Keras

18/05

10

19/05

Seminário: Análise de materiais magnéticos.
Detecção de objetos. Class Activation Map e Grad-CAM.

Python/Keras

25/05

11

26/05

Autoencoder. One-shot learning, reconhecimento facial. Generative Adversarial Network (GAN). Introdução à processamento de linguagem natural.

Python/Keras

Sem lição

EP

07/06

Avaliações:

A avaliação será baseada somente em "lições de casa" e "exercício-programa". Não haverá prova.

1) “Lições de casa”:

No horário final da aula ou após a aula, vocês deverão fazer individualmente uma ou duas “lições de casa”, normalmente exercícios computacionais.
Estará definido nos enunciados das lições se é permitido ou não usar IA (a partir de 17/03/2026). Você deve declarar no vídeo e no código fonte se usou IA (ou não) para resolver o exercício. Se usou IA, escreva qual foi o modelo e o prompt usados.
Após resolverem as “lições de casa”, vocês devem gravar um vídeo de no máximo 60 segundos (por aula, isto é, se uma aula tem 2 exercícios, a explicação de cada exercício deve durar aproximadamente 30s), mostrando que fizeram os exercícios. Não podem enviar vídeo com mais de 60s - pode ter desconto na nota. Se você for entregar também o exercício extra, o vídeo pode ter mais 30s de duração. Através do vídeo, vocês devem convencer professor/monitor de que fizeram os exercícios solicitados e que eles estão funcionando corretamente. Para isso, o vídeo deve mostrar as entradas/saídas do programa.
É necessário que o vídeo contenha áudio. O vídeo não pode ter sido acelerado para diminuir a duração.
Podem gravar a tela do computador usando celular ou usando algum programa de captura de tela (por exemplo Zoom, Google Meet ou OBS Studio). Em algum momento, deve aparecer no vídeo o seu rosto e algum documento seu (como a carteira USP, RG, CNH, etc). Podem enviar o vídeo em si (.mkv, .mp4, .avi, etc.) ou um link para o vídeo (youtube, google drive, etc). No segundo caso, devem assegurar que professor e monitores (hae.kim@usp.br, sam.jeong@usp.br, viniciusokubo@usp.br) tenham acesso ao seu vídeo e que o link do vídeo continue funcionando corretamente até o cadastro final das notas. Após a correção, não serão aceitas novas entregas. A entrega deve ser feita em edisciplinas.
A correção será feita em princípio baseado somente nesse vídeo. Se eu ficar com alguma dúvida, podemos olhar também os códigos-fontes. Assim, entreguem também os códigos-fontes (.cpp ou .py ou .ipynb ou link para Google Colab) das lições. Devem fazer a entrega em edisciplinas até a segunda-feira seguinte à aula. Exercícios entregues com atraso terão desconto de 1 ponto por dia de atraso.

2) Além das lições de casa, haverá um exercício-programa (EP). As instruções do EP estarão no seu enunciado.

3) Cálculo da média final:

MF = (ML + EP) / 2

onde MF é média final, ML é a média das lições de casa e EP é a nota do exercício-programa.

Nota A: 8<=MF<=10
Nota B: 6<=MF<8
Nota C: 4<=MF<6
Nota R: MF<4

4) Como em qualquer curso de pós-graduação da USP, o aluno precisa ter pelo menos 75% de frequência para ser aprovado.

Exercício programa 2026 (CNN vs ViT).

Exercícios programas de anos anteriores:

Exercícios-programas 2020

Exercícios-programas 2019

Exercícios-programas 2018

Exercícios-programas 2017

Exercícios-programas 2016

Exercícios-programas 2015

Exercícios-programas 2014

Exercícios-programas 2013

Exercícios-programas 2012

Exercícios-programas 2011

Exercícios-programas 2010

Exercícios-programas 2009

Exercícios-programas 2008

Exercícios-programas 2007

Exercícios-programas 2006

Exercícios-programas 2005

		Aula planejada	Linguagem	Entrega de lição.
1	03/03	Introdução. Conceitos básicos de processamento de imagens. Componentes conexos, crescimento de semente, fila, pilha.	C++/OpenCV	09/03
2	10/03	Filtros e convolução. Casamento de modelo.	C++/OpenCV	16/03
3	17/03	Transformações geométricas. Introdução ao aprendizado de máquina.	C++/OpenCV	23/03
4	24/03	Projeto de filtros por aprendizado. Aprendizado clássico para classificar MNIST. Extração de características (filtro de Haar e HOG).	C++/OpenCV	06/04
	31/03	Semana Santa
5	07/04	Introdução ao aprendizado profundo. Tensorflow / Keras. Google Colab. Rede neural densa para classificar MNIST.	Python/Keras	13/04
6	14/04	Rede neural convolucional "tipo LeNet". Seminário: Funções de ativação e classificação de sinais biomédicos.	Python/Keras	27/04
	21/04	Tiradentes
7	28/04	Modelos pré-treinados para ImageNet. Cifar10. Redes avançadas. Data augmentation.	Python/Keras	07/05
8	05/05	Transfer learning. Vision Transformer.	Python/Keras	11/05
9	12/05	Diferenciação automática. Segmentação semântica.	Python/Keras	18/05
10	19/05	Seminário: Análise de materiais magnéticos. Detecção de objetos. Class Activation Map e Grad-CAM.	Python/Keras	25/05
11	26/05	Autoencoder. One-shot learning, reconhecimento facial. Generative Adversarial Network (GAN). Introdução à processamento de linguagem natural.	Python/Keras	Sem lição

		EP		07/06