Este curso é baseado na disciplina Introdução a Visão Computacional da Georgia Tech, cujas aulas estão disponveis online gratuitamente na plataforma da Udacity.
Este curso fornece uma introdução à visão computacional, incluindo: detecção e correspondência de features; estimativa de movimento e rastreamento; e classificação.
O foco do curso é desenvolver as intuições e matemática dos métodos em aula expositiva, e então aprender sobre a diferença entre teoria e prática nos conjuntos de problemas. Todos os algoritmos funcionam perfeitamente nos slides. Mas lembre-se do que Yogi Berra disse: Em teoria, não há diferença entre teoria e prática. Na prática, sim.
Use | Week | Module | Number | Name | Semana |
---|---|---|---|---|---|
✔️ | 1 | 1A | Lesson 01 | Introduction | 1 |
✔️ | 1 | 2A | Lesson 02 | Images as functions | 1 |
✔️ | 1 | 2A | Lesson 03 | Filtering | 1 |
1 | 2A | Linearity and convolution | |||
✔️ | 1 | 2A | Lesson 05 | Filter as templates | 1 |
✔️ | 1 | 2A | Lesson 06 | Edge Detection: gradients | 1 |
✔️ | 1 | 2A | Lesson 07 | Edge Detection: 2D operators | 1 |
✔️ | 2 | 2B | Lesson 08 | Hough transform: Lines | 1 |
✔️ | 2 | 2B | Lesson 09 | Hough transform: Circles | 1 |
2 | 2B | Generalized Hough transform | |||
2 | 2C | Fourier Transform | |||
2 | 2C | Convolution in frequency domain | |||
2 | 2C | Aliasing | |||
3 | 3A | Cameras and images | |||
3 | 3A | Perspective imaging | |||
3 | 3B | Stereo geometry | |||
3 | 3B | Epipolar geometry | |||
3 | 3B | Stereo correspondence | |||
4 | 3C | Extrinsic camera parameters | |||
4 | 3C | Intrinsic camera parameters | |||
4 | 3C | Calibrating cameras | |||
5 | 3D | Image to image projections | |||
5 | 3D | Homographies and mosaics | |||
5 | 3D | Projective geometry | |||
5 | 3D | Essential matrix | |||
5 | 3D | Fundamental matrix | |||
✔️ | 6 | 4A | Lesson 27 | Introduction to "features" | 2 |
✔️ | 6 | 4A | Lesson 28 | Finding corners | 2 |
✔️ | 6 | 4A | Lesson 29 | Scale invariance | 2 |
✔️ | 6 | 4B | Lesson 30 | SIFT descriptor | 2 |
6 | 4B | Matching feature points (a little) | 2 | ||
✔️ | 6 | 4C | Lesson 32 | Robust error functions | 2 |
✔️ | 6 | 4C | Lesson 33 | RANSAC | 2 |
7 | 5A | Photometry | |||
7 | 5B | Lightness | |||
7 | 5C | Shape from shading | |||
✔️ | 8 | 6A | Lesson 37 | Introduction to motion | 3 |
✔️ | 8 | 6B | Lesson 38 | Dense flow: Brightness contraint | 3 |
✔️ | 8 | 6B | Lesson 39 | Dense flow: Lucas and Kanade | 3 |
8 | 6B | Hierarchical LK | |||
8 | 6B | Motion models | |||
✔️ | 9 | 7A | Lesson 42 | Introduction to tracking | 3 |
✔️ | 9 | 7B | Lesson 43 | Tracking as inference | 3 |
✔️ | 9 | 7B | Lesson 44 | The Kalman filter | 3 |
10 | 7C | Bayes filters | |||
10 | 7C | Particle filters | |||
10 | 7C | Particle filters for localization | |||
10 | 7C | Particle filters for real | |||
✔️ | 11 | 7D | Lesson 49 | Tracking considerations | 4 |
✔️ | 11 | 8A | Lesson 50 | Introduction to recognition | 4 |
✔️ | 11 | 8B | Lesson 51 | Classification: Generative models | 4 |
✔️ | 11 | 8B | Lesson 52 | Principal component analysis | 4 |
11 | 8B | Appearance-based tracking | |||
✔️ | 12 | 8C | Lesson 54 | Discriminative classifiers | 5 |
✔️ | 12 | 8C | Lesson 55 | Boosting and face detection | 5 |
✔️ | 12 | 8C | Lesson 56 | Support vector machines | 5 |
✔️ | 12 | 8C | Lesson 57 | Bag of visual words | 5 |
✔️ | 13 | 8D | Lesson 58 | Introduction to video analysis | 5 |
13 | 8D | Activity recognition | |||
13 | 8D | Hidden Markov models | |||
✔️ | 14 | 9A | Lesson 61 | Color spaces | 6 |
✔️ | 14 | 9A | Lesson 62 | Segmentation | 6 |
14 | 9A | Mean shift segmentation | |||
14 | 9A | Segmentation by graph partitioning | |||
✔️ | 15 | 9B | Lesson 65 | Binary morphology | 6 |
15 | 9C | 3D perception | |||
15 | 10A | The retina | |||
15 | 10B | Vision in the brain | |||
✔️ | -- | Lesson 69 | We're done! | ||
-- | Sandbox |
Use | Código | Nome | Semana |
---|---|---|---|
✔️ | PS0 | Images as Functions | 1 |
✔️ | PS1 | Edges and Lines | 1 |
PS2 | Window-Based Stereo Matching | ||
PS3 | Geometry | ||
✔️ | PS4 | Harris Corners, SIFT and RANSAC | 2 |
✔️ | PS5 | Optic Flow | 3 |
PS6 | Particle Tracking | ||
PS7 | Motion History Images |
O objetivo dos tutoriais é dar um gosto a mais do que é possivel fazer, motivando o aluno sem exigir tanto quanto um exercício propriamente dito. Neste curso, vamos usar tutoriais selecionados do PyImageSearch, que se encontram listados abaixo de acordo com a periodização das aulas:
Semana | Tutoriais PyImageSearch |
---|---|
0 | Basic image manipulations |
1 | Blur detection |
1 | Detecting circles |
2 | Panorama stitching |
3 | Ball tracking |
5 | Detecting parkinson |
6 | Color quantization |
EXTRA | Non-maximum suppresion |
EXTRA | Superpixel |