especificações de disciplinas - Departamento de Física da Universidade de Coimbra

Os objectivos desta unidade curricular incluem aprender a extrair informação das imagens de modo a ser possível estimar a estrutura 3D dos objectos, a velocidade e deslocação dos objectos e o reconhecimento de objectos, formas, e actividades. As técnicas que o estudante deve aprender são baseadas em aprendizagem e classificação.

Programa genérico mínimo

Introdução à probabilidade, Ajuste de models probabilísticos, Aprendizagem e inferência em visão, modelos de classificação e regressão, modelos gráficos, modelos para cadeias, árvores e malhas, modelos para formas, estilos e identidades, modelos para palavras visuais

Pré-requisitos

Algebra, Cálculo Diferencial, Probabilidades

Competências genéricas a atingir

. Competência em análise e síntese;
. Conhecimento de uma língua estrangeira;
. Competência para resolver problemas;
. Competência em raciocínio crítico;
. Criatividade;
. Competência em organização e planificação;
. Competência em trabalho em grupo;
. Adaptabilidade a novas situações;
. Preocupação com a qualidade;
. Competência em investigar;
(por ordem decrescente de importância)

Horas lectivas semestrais

seminário	10
orientação tutorial	15
total horas lectivas	25

Método de avaliação

Trabalho de investigação

100 %

concretização da avaliação em 20142015
Avaliação A avaliação é feita ou exclusivamente com trabalhos computacionais em Matlab (100%) ou numa combinação de trabalhos computacionais Matlab (50%) e um teste final escrito (50%): 100.0%

Bibliografia de referência

Computer Vision: Models, learning and inference, Simon Prince

Cognitive Vision Systems: Sampling the Spectrum of Approaches (Lecture Notes in Computer Science), Henrik I. Christensen and Hans-Hellmut Nagel .

The Cognitive Neuroscience of Vision (Fundamentals of Cognitive Neuroscience), Martha J. Farah

Active Vision: The Psychology of Looking and Seeing (Oxford Psychology Series), John M. Findlay and Iain D. Gilchrist.

Pattern Recognition and Machine Learning, Christopher M. Bishop

Learning with Kernels, Bernhard Schlkopf and Alexander J. Smola

Método de ensino

Os métodos de ensino incluem aulas dadas pelo professor, apresentações feitas pelos estudantes de tópicos específicos, e também supervisão tutorial (reuniões individuais com os estudantes)

Recursos específicos utilizados

Software de simulação (matlab).

print-version