Contacto: hugomcp@di.ubi.pt

 

Visão Computacional (MEI)

2018/2019

 

 


 

Notícias

  • 18/2/2019: Disponível a informação relativa ao funcionamento da disciplina.



Critérios de Avaliação

  • Assiduidade (A)
    • A aprovação à disciplina está condicionada a níveis mínimos de assiduidade de 80% nas aulas.
  • Trabalho Prático (P)
    • Os trabalhos práticos da disciplina contribuem em 10 valores para a classificação final.
    • A aprovação à disciplina requer a nota mínima de 5 valores no trabalho prático.
      • Parte 1: OCR Dataset (2 valores): 15 de Março de 2019, 23:59, via email.
      • Parte 2: GTSRB Dataset Classification (2 valores): 5 de Abril de 2019, 23:59, via email.
      • Parte 3: GTSRB Dataset Detection (3 valores): 03 de Maio de 2019, 23:59, via email.
      • Parte 4: Kaggle Dataset (3 valores): 31 de Maio de 2019, 23:59, via email.
  • Frequência
    • Prova (F1) - 4ª feira, 27 de maio de 2019, 09:00-11:00, Sala 6.02
  • Classificação Ensino/Aprendizagem (C)
    • C=P1*10/20+F*10/20
  • Admissão a Exame 
    • Consideram-se admitidos a Exame os alunos que obtiverem classificação mínima de 6 valores na componente de Ensino-Aprendizagem.
  • Exames
    • A nota do trabalho prático é sempre considerada  para atribuição da nota final

Programa

1) The Four Rs of Computer Vision;
2) Geometry and Image Formation (Light and Color, Cameras and Optics, Pixels and Image Representations);
3) Image Processing (Linear Systems, Spatial and Frequency Domains, Convolution and Filters, Edge detection, Keypoints Detection);
4) Camera Calibration (Epipolar geometry);
5) Object Detection and Segmentation (AdaBoost detector, Hough Transform, Active Contours);
6) Multiple Views and Motion (Stereo Correspondence, Optical Flow);
7) Image Representation (Feature Extraction, Principal Components Analysis);
8) Image Classification and Recognition (Feature Matching, Nearest Neighbour Classification, Linear Classification, Support Vector Machines);
9) Neural Networks (Cost Functions Optimisation, Gradient Descend, Retropropagation Algorithm;
10) Deep Learning Models (Layers and Configurations, Convolutional Neural Networks, AlexNet, VGGNet, ResNet, Preprocessing, Data Augmentation, R-CNNs and FCNs, GANs).


Bibliografia

  • Principal
    • David A. Forsyth and Jean Ponce; Computer Vision: A Modern Approach, Prentice-Hall, 2002.
    • Dana Ballard and Chris Brown; Computer Vision, Online.
    • J. R. Parker; Algorithms for Image Processing and Computer Vision, Wiley, 1995.
  • Secundária

 

    • Torras, C.; Computer Vision, Theory and Industrial Applications, New York, Springer, 1992.
    • Davies, E.R.; Machine Vision: Theory, Algorithms, Practicalities, Third Edition, Morgan Kaufmann, 2005.

 


Aulas

Semana

Teóricas

Práticas

Semana 18/02

[Aula 1]

Instalação Python, Open CV.
[Ficha Prática 1]

Semana 25/02

[Aula 2]

(continuação Ficha Prática 1 + Convolução)

Semana 04/03

[Aula 3]

[Example_SLIM_preprocess]

Semana 11/03

[Aula 4]

[OCR Dataset]

Semana 18/03

[Aula 5]

[GTSRB Detection Dataset]

Semana 25/03

[Aula 6]

[Optical Flow]

Semana 01/04

[Aula 7]


Semana 08/04

(Implementação/Prática)

(SSD)

Semana 15/04

(Region/Shape Descriptors: LBP and Shape Context) 


Semana 29/04

(Feriado)

(Feriado)

Semana 06/05

[Aula 9]

[Script Deep Learning]   [GTSRB Classification Dataset [GTSRB.csv]

Semana 13/05

[Aula 10]


Semana 20/05

(Implementação/Prática) 


Semana 27/05

(Prova escrita de Avaliação) [Exemplo Frequência][Exemplo Frequência 2] [Exemplo Exame]

Semana 03/06

Apresentação/Avaliação

Apresentação/Avaliação

 


Classificações