Visão Computacional

Quartas, 08:20 - 11:50h, Sala INE 314
  
   

Introdução

  1. O Conjunto de Disciplinas de Visão Computacional do INE (CCO e PPGCC)
    1. INE410121 (PPGCC – Mestrado e Doutorado)
    2. INE5443 (CCO – Graduação)

Programa

      1. Introdução

        1. Aula Inaugural e Apresentação do Plano de Ensino
        2. Visão da Estruturação Geral do Campo da Análise de Imagens e Visão Computacional
          1. Domínios de Processamento de Imagens
          2. Métricas de Cor e Similaridade de Pixel
        3. Ferramentas: Python e OpenCV
        4. Ferramentas de Ensino Interativas para Ambientes em Nuvem: Jupyter Notebooks
        5. Usando a Nuvem para seus Trabalhos Classificação de Métodos
      2. Reconhecimento de Padrões

        1. O que são padrões?
        2. Construindo e Reconhecendo Padrões
        3. Medidas de distância entre padrões: a distância de Hamming, Nearest Neighbour, kNN, Mahalanobis e Outras

          decision-surfaces
      3. Domínio do Valor

        • Consideramos apenas o Valor de cada pixel da imagem, sem levar em consideração o que se encontra ao seu redor
        • V1. Operações Matemáticas de imagem com operando escalar
        • V2.  Operações Lógicas com operando escalar
        • V3. Operações Matemáticas de imagem com imagem
        • V4. Operações Lógicas de imagem com imagem
        • V5. Operações de Limiarização
        • V6. Operações Estatísticas
        • V7. Operações Combinadas
      4. Domínio do Espaço

        • Consideramos o valor de cada pixel e também a relação deste com os valores de um conjunto de pixels na sua vizinhança
        • E1. Operações Genéricas de Convolução
        • E2.  Morfologia Matemática
        • E3. Operações de Detecção de Bordas
          • E3. Detecção de Bordas com Convolução Simples
            • E3.1 Roberts
            • E3.2 Sobel
            • E3.3 Robinson
          • E3’ Operadores Avançados de Detecção de Bordas
            • E 3.4 Canny
          • E3’’ Detecção de Estruturas Salientes
            • E 3.5 Sha’aShua

        Comparison between segmentation methods on image 368068. (A) original image, (B) Ground Truth, (C) WCSC, (D) CSC, (E) Edison, (F) Munford-Shah, (G) RHSEG, (H) JSEG and (I) Watershed.

        Comparação entre métodos de segmentação aplicados à imagem nº 368068. (A) original , (B) Ground Truth, (C) WCSC, (D) CSC, (E) Edison, (F) Munford-Shah, (G) RHSEG, (H) JSEG e
        (I) Watershed.

      5. Domínio da Freqüência

      6. Deep Learning::Redes Neurais Convolucionais para Processamento de Imagens

        Material de Referência para nossas Aulas, contendo links, erferências, exercícios, videos, etc…

        1. Deep Learning::Introdução ao Novo Coneccionismo
        2. Deep Learning::Reconhecimento de Imagens
        3. Deep Learning::Detecção de Objetos em Imagens
        4. Deep Learning::Segmentação de Imagens com CNNs
        5. Deep Learning::Aprendizado por Transferência e Ajuste Fino
        6. Deep Learning::Redes Adversárias & Neural Style Transfer
        7. Deep Learning::Usando a Nuvem para seus Trabalhos
        8. Deep Learning::Coisas Prontas & Datasets
        9. Deep Learning::Ensinando à Rede: Ferramentas de Anotação
        10. Deep Learning::Eu não gosto de escrever código! Ambientes de Programação Visual
        11. Deep Learning::Eu quero embarcar! IoT & CNNs com Raspberry Pi
        12. Deep Learning::Entenda o Babel: Glossário classificacao-segmentacao

Sobre o Autor

possui graduação em Ciências da Computação pela Universidade Federal de Santa Catarina (1989) e Doutorado Acadêmico (Dr. rer.nat.) em Ciências da Computação pela Universidade de Kaiserslautern (1996). Atualmente é professor Associado da Universidade Federal de Santa Catarina, onde é professor do Programa de Pós-graduação em Ciência da Computação e dos cursos de graduação em Ciências da Computação e Sistemas de Informação. É também professor e orientador de doutorado do Programa de Pós-Graduação em Ciências da Computação da Universidade Federal do Paraná - UFPR. Tem experiência nas áreas de Produção de Conteúdo para TV Digital Interativa, Informática em Saúde, Processamento e Análise de Imagens e Engenharia Biomédica, com ênfase em Telemedicina, Telerradiologia, Sistemas de Auxílio ao Diagnóstico por Imagem e Processamento de Imagens Médicas, com foco nos seguintes temas: analise inteligente de imagens, DICOM, CBIR, informática médica, visão computacional e PACS. Coordena o Instituto Nacional de Ciência e Tecnologia para Convergência Digital - INCoD. É também Coordenador Técnico do Sistema Integrado Catarinense de Telemedicina e Telessaúde (STT/SC), coordenador do Grupo de Trabalho Normalização em Telessaúde do Comitê Permanente de Telessaúde/Ministério da Saúde e membro fundador e ex-coordenador da Comissão Informática em Saúde da ABNT - ABNT/CEET 00:001.78. Atualmente também é membro da comissão ISO/TC 215 - Health Informatics. Foi coordenador da RFP6 - Conteúdo - do SBTVD - Sistema Brasileiro de TV Digital/Ministério das Comunicações. Foi o criador e primeiro Coordenador do Núcleo de Telessaúde de Santa Catarina no âmbito do Programa Telessaúde Brasil do Ministério da Saúde e da OPAS - Organização Pan-Americana de Saúde e criador do Núcleo Santa Catarina da RUTE - Rede Universitária de Telemedicina.