Programação
-
-
Objetivos:
Apresentar aos alunos ideias mais avançadas de tópicos em Ciências de Computação, incluindo teoria e prática.Ementa:
Tópicos que não fazem parte da grade de disciplinas obrigatórias, nem do elenco de disciplinas optativas eletivas.
Bibliografia:
- Shanmugamani. Deep Learning for Computer Vision.
- Szeliski. Computer Vision: Algorithms and Applications.
- Duda, Hart, Stork. Pattern Classification.
- Hastie, Tibshirani, Friedman. The Elements of Statistical Learning.
Dúvidas:
- Não poste códigos ou qualquer tipo de coisa relacionada nos grupos de estudos, por conta de problemas com plágio. Para esses casos, prefira se comunicar diretamente com o professor.
- Perguntem bastante. Não deixem dúvidas acumuladas. :)
Aulas totalmente remotas:
- Sexta-feira (07:20 às 09:50) - https://meet.google.com/gyn-stsz-fjp
- Fernando Pereira dos Santos: fernando_persan@alumni.usp.brContato:
Atendimento:
- Fernando: enviar um e-mail para combinar horário
- Google Drive (https://drive.google.com/drive/folders/1xJBXkogs7_z_H9Z1aAoHbwLmSzHuUB9c?usp=sharing)Material:
-
Módulo I (Introdução):
- (17/03 - Aula 01) Apresentação da disciplina e Introdução à Visão Computacional
- (24/03 - Aula 02) Introdução às redes neurais
Módulo II (Classificação e Recuperação):
- (31/03 - Aula 03) Introdução às redes convolucionais e extração de características
- (07/04) sem aula: Semana Santa
- (14/04 - Aula 04) Camadas das Redes Convolucionais
- (21/04) sem aula: Tiradentes
- (28/04 - Aula 05) Treinando uma Rede Convolucional
- (05/05 - Aula 06) Classificação de imagens com fine-tuning
- (12/05 - Aula 07) Variações com fine-tuning
Módulo III (Recuperação de Imagens e Remoção de Ruídos):
- (19/05 - Aula 08) Recuperação de imagens (aula a ser ministrada no dia 12/05)
- (26/05) - sem aula
- (02/06 - Aula 09) Introdução aos AutoEncoders
- (09/06) sem aula: Corpus Christi
- (16/06 - Aula 10) Remoção de ruídos com AutoEncoders
- (17/03 - Aula 01) Apresentação da disciplina e Introdução à Visão Computacional
-
Projeto (em trio):Cada grupo deverá definir um problema que envolva visão computacional e desenvolver uma solução adequada. As entregas são compostas:
- 05/05 - Entrega intermediária: todo o levantamento bibliográfico, análise de dados e baseline implementado
- 23/06 - Entrega final: sendo composta por uma metodologia que supere o baseline inicial
As entregas são compostas por relatórios. Todo o código deve ser disponibilizado comentado em um repositório git, com a url no relatório. A segunda entrega deverá ser um complemento do relatório inicial.
Pontuação: 1,0 ponto para a qualidade do relatório e contextualização; 3,0 pontos para a descrição das técnicas; 1,0 ponto para análise dos dados; 2,0 para a implementação da solução; 3,0 para interpretação dos resultados
Recuperação (individual):
- 30/06 - Questões dissertativas sobre as técnicas.
Presença (individual):- Ao final de cada aula será disponibilizado duas ou três questões para serem respondidas aqui nesta mesma página. O questionário ficará aberto por 10 min. Ao responder as questões, sua presença será contabilizada. O questionário também comporá a nota final.
Nota final = 0.5 (Questões) + 0.2 (Projeto Entrega 1) + 0.3 (Projeto entrega 2)