Avaliações:
A avaliação será baseada somente em exercícios, isto é, não
haverá prova.
1) “Lições de casa”:
No horário final da aula (ou após a aula), vocês deverão fazer
uma ou duas “lições de casa”, normalmente exercícios
computacionais. Os exercícios são individuais. 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. Quem enviar vídeo de mais de 60s, pode ter desconto
na nota. Através do vídeo, vocês devem me convencer de que
fizeram os exercícios computacionais solicitados e que eles
estão funcionando corretamente. Para isso, o vídeo deve mostrar
as entradas/saídas do programa e o código. Se vocês não mostram
entradas/saídas ou ficam explicando só teorias, não consigo
avaliar se o programa funciona. É necessário que o vídeo
contenha áudio, pois é muito difícil entender um vídeo sem a
explicação falada. O vídeo não pode ter sido acelerado para
diminuir a duração, pois dificulta entender a fala.
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 eu (hae.kim@usp.br) tenha acesso ao seu
vídeo e que o link do vídeo continue funcionando corretamente
até o cadastro final das notas no sistema Janus. Após a
correção, não serão aceitas novas entregas.
A correção será feita em princípio baseado somente nesse vídeo.
Quando eu ficar com alguma dúvida, poderei 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 0,5
ponto por dia de atraso. As lições e exercício-programa não
poderão ser entregues após 11/junho/2024.
2) Além das lições de casa, haverá um exercício-programa para
fazer. As instruções deste exercício programa 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 qualquer curso de pós-graduação da USP, o aluno precisa
ter pelo menos 75% de frequência para ser aprovado.
Software
|
Aulas
planejadas (pode mudar ao longo do semestre)
|
Linguagem
|
Entrega
lição
|
05/03 aula 01
|
Introdução. Conceitos básicos de processamento
de imagens. Componentes conexos, crescimento de
semente, fila, pilha. |
C++/OpenCV
|
11/03
|
12/03
aula 02
|
Filtros e convolução. |
C++/OpenCV
|
18/03
|
19/03 aula 03
|
Casamento de modelo. |
C++/OpenCV
|
01/04
|
26/03
|
Semana Santa - não haverá aula
|
|
|
| 02/04 aula 04 |
Transformações geométricas.
Introdução ao aprendizado de máquina.
|
C++/OpenCV |
08/04
|
| 09/04
aula 05 |
Projeto
de filtros por aprendizado.
Aprendizado clássico para
classificar MNIST. |
C++/OpenCV
|
15/04
|
16/04
aula 06
|
Aprendizado
clássico para classificar MNIST.
|
C++/OpenCV |
22/04
|
23/04 aula 07
|
Introdução ao aprendizado profundo.
Tensorflow/Keras. Google Colab. |
Python/Keras
|
29/04
|
30/04
aula 08
|
Rede neural convolucional. |
Python/Keras
|
06/05
|
07/05 aula 09
|
Diferenciação automática. Camada personalizada.
|
Python/Keras
|
13/05
|
14/05 aula 10
|
Modelos pré-treinados. Cifar10.
|
Python/Keras
|
20/05
|
| 21/05 aula 11 |
Redes
avançadas.
|
Python/Keras |
27/05 |
| 28/05 aula 12 |
Transfer learning. One-shot
learning.
Segmentação semântica. |
Python/Keras |
05/06
|
| 06/06
aula 13 |
Generative
Adversarial Network (GAN). Class Activation
Map e Grad-CAM. Detecção de objetos. |
Python/Keras |
|
Temos: 4 aulas
sobre processamento de imagens convencional (amarelo), 2 aulas
sobre aprendizado de máquina clássica (verde) e 7 aulas sobre
aprendizado profundo. Vamos trabalhar 6 aulas com C++/OpenCV e 7
aulas com Python/Keras.
Exercício-programa
2023
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