Programa

Fundamentos de Visão Computacional
Visão computacional, tipos de sensores e aquisição de imagens, tipos de imagens, resolução espacial, radiométrica, temporal, espectral. Programação em Python, processamento de imagens usando Python e OpenCV. 

Introdução à Visão Computacional
-Aplicações na indústria
-Aquisição de imagens usando: câmeras, sensores satelitais, multi e hiperespectrais, infravermelho, de radar
-Lidar; quantização e amostragem
-Processamento de Imagens em Python
-Pré Processamento de dados
Aplicações: Ajuste de brilho e contraste de imagens médicas, Compressão de Imagens para Streaming de vídeo, Detecção de Mudanças em Áreas Urbanas, Fusão de Imagens para efeitos especiais na mídia, Detecção de Objetos em Vídeos.

Processamento Digital de Imagens
Processamento digital de imagens: pré-processamento e melhora da imagem através de transformações aplicadas aos pixels ou histograma da imagem.
-Filtros no espaço para melhorar a nitidez da imagem, extração de bordas, suavização da imagem, etc.
-Transformações básicas de intensidade
-Ajuste de Histograma
-Introdução à Filtragem de imagens no espaço, filtros para suavização e realce de bordas, filtros para remoção de ruído
-Uso de ferramentas comuns para edição de imagens
Aplicações: Processamento de imagens médicas, Redução de ruído em imagens de satélite, Filtros usados em redes sociais, Monitoramento da Temperatura Facial (Covid-19), Transferência de estilo usando histogram maching.

Extração de Informação de Imagens
Extração de atributos de imagens. Atributos de forma, cor, textura, contornos, etc. Agrupamento de atributos usando técnicas de aprendizado de máquina não supervisionado. Segmentação de Imagens. Ferramentas e algoritmos para visualização dos atributos extraídos.
-Introdução à extração de atributos
-Tipos de atributos
-Algoritmos de agrupamento, K-Means, Mean-shift, PCA
-Abordagens para segmentação
-Limiarização
-Superpixel
-Visualização de atributos
-t-SNE
-Embedding projector.
Aplicações: Reconhecimento Facial, Recuperação de Imagens, Agrupamento de Fácies Sísmicas, Compressão de Vídeos.

Técnicas e ferramentas de Classificação de Imagens
Classificação de imagens usando algoritmos de aprendizado de máquina supervisionado. Técnicas de normalização de dados. Métricas de desempenho.
-Introdução a classificação de imagens usando aprendizado de máquinasupervisionado
-MLP, SVM, Random Forest, Regressão Logística, Normalização de dados, Mín-Máx, Padrão
-Matriz de confusão, acurácia, precisão, recall, f1-score, índice kappa.
Aplicações: Detecção de doenças em imagens médicas, Análise de Sentimentos em imagens faciais, Detecção de anomalias em cultivos de café, Reconhecimento de caracteres em imagens de placas de carro.

Técnicas e ferramentas avançadas de Classificação de Imagens
Classificação de imagens por aprendizado profundo focadas no tratamento de imagens e vídeo e principais Frameworks.
-Introdução a Deep Learning
-Redes Convolutivas
-Regularizadores
-Conexões residuais
-Dense blocks
-Métricas de avaliação
-Ferramentas para anotação de dados
-Redes Convolutivas mais usadas: LeNet, AlexNet, GoogleNet, ResNet
-DenseNet, etc. Frameworks: Tensorflow, Keras, Pytorch, Transfer Learning
Aplicações: Diagnóstico de Covid-19 usando imagens de raios-x, Deteção de fraude em sistemas biométricos, Classificação de Imagens de Satélite, Qualidade de produtos agrícolas.

Análise do Conteúdo Semântico das Imagens
Segmentação semântica por redes neurais de aprendizado profundo e principais aplicações.
-Introdução a segmentação semântica
-Convolução transposta
-Convolução atrous
-Redes Fully Convolutional (FCN)
-Funções de custo, skip connections, weighted loss, focal loss
-Modelos mais usados: U-Net, DeepLab, Unet++.
Aplicações: Detecção de Derramamento de Óleo, Diagnóstico de Tumores em Imagens médicas, Segmentação de dutos, Detecção de desmatamento e queimadas, Segmentação de pedestres e carros.

Detecção de Objetos em Imagens e Vídeo
Detecção, rastreamento, e reconhecimento de objetos em imagens e vídeos.
-Introdução a detecção de objetos
-Métodos tradicionais, template matching, Viola-Jones
-Técnicas para rastreamento, rastreamento frame a frame e temporal
-Modelos mais usados: YOLO, RetinaNet, baseados em RCNN, Detectron2.
Aplicações: Gerenciamento de trânsito, Carros autônomos, Distanciamento Social entre pedestres, Análise de comportamento social, Planejamento de estoque, Contagem de animais.

Síntese de Imagens
Modelos generativos, transferência de estilo entre imagens, e técnicas de remasterização de imagens e vídeos usando Deep Learning; principais frameworks e bibliotecas de deep learning desenvolvendo uma aplicação prática.
-Síntese de imagens
-GANs
-Transferência de estilo super resolução.
Aplicações: Remasterização de cor e resolução de filmes e fotos antigas, Filtros para redes sociais, Envelhecimento ou rejuvenescimento de atores, Remoção de oclusão em rostos, Criação de arte. 

Projeto de Visão Computacional
Desenvolvimento de uma monografia com foco num sistema de visão computacional voltado para uma aplicação real de interesse do aluno.
-Conceitos de Decisão, Problemas: Caracterização e Desafios. Inovação: Ciência e Tecnologia.
-Estratégia de desenvolvimento de projeto: pesquisa bibliográfica, modelagemda solução, desenvolvimento usando técnicas de visão computacional,
-Técnicas para a produção de uma monografia e para apresentação oral.
Áreas de aplicação: Saúde e Medicina, Óleo & Gás, Transporte, Biometría, Logística, Videovigilância, Marketing, Agricultura, Finanças, Comércio, Meio Ambiente, Meteorologia, Geologia, Mídia, etc.