Inpainting é uma
tarefa desafiadora em que regiões ausentes precisam ser preenchidas com base
nos dados visuais disponíveis, de forma que o resultado tenha aparência
realística e siga o contexto original, ou seja, a tarefa de inpating funciona
de forma a reconstruir partes perdidas ou deterioradas de imagens e vídeos.
É uma tarefa importante em visão computacional e uma funcionalidade essencial
em muitas aplicações de imagem, como por exemplo remoção de objetos,
restauração de imagens, manipulação, etc.
Nesta palestra serão apresentados aplicações e exemplos práticos do uso de
moodelos Deep Learning pré-treinados para a tarefa de Image Inpainting.
Palestrante:
Manoela Kohler: Profissional com mais de 10 anos de experiência como
pesquisadora, desenvolvedora e coordenadora de equipes em projetos de Pesquisa
e Desenvolvimento. Especialista em métodos de apoio à decisão. Possui graduação
em Engenharia de Computação pela Pontifícia Universidade Católica do Rio de
Janeiro (2011), Mestrado em Engenharia Elétrica (linha de pesquisa: Métodos de
Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2013) e
Doutorado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à
Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2017).
Atualmente é pesquisadora sênior no Laboratório de Inteligência Computacional
Aplicada e professora da PUC-Rio, ministrando aulas no curso de pós-graduação
BI-Master (MBA) e cursos de extensão em Inteligência Artificial.
