Minicurso Superpixel e Aprendizagem Profunda

SLIDES OPEN OFFICE  E LINKS PARA OS VÍDEOS NO YOUTUBE)

• Introdução à Visão Computacional: Slides e Vídeo
• Espaços de Cores: Slides e Vídeo
• Superpixel com SLIC: Slides e Vídeo
• Suavização e Convolução: Slides e Vídeo
• Extração de Atributos com Filtros de Gabor e Convolução: Slides e Vídeo
• Aprendizagem Supervisionada com KNN: Slides e Vídeo
• Aprendizagem Supervisionada com Perceptron: Slides e Vídeo
• Descida de Gradiente: Slides e Vídeo
• Redes Convolucionais Profundas: Slides e Vídeo
• Outros Vídeos sobre Visão Computacional

CÓDIGOS-FONTE DE EXEMPLO
​

• PYTHON-SUPERPIXEL - Permite brincar em tempo real com os parâmetros do SLIC (acesso sob demanda - com senha - GIT-INOVISÃO)
• PYNOVISÃO - Integração de Superpixel e Aprendizagem Automática (acesso sob demanda - com senha - GIT-INOVISÃO)
• CNN_KERAS - Modelo para aplicação de diferentes CNNs com Keras e Tensorflow (Gabriel Kirsten Menezes - GITHUB) 

SOFTWARES E BANCOS DE IMAGENS  CITADOS NO CURSO (TODOS PODEM SER INSTALADOS COM APT-GET E PIP)

• ImageJ
• Gimp
• Tensorflow (Usamos com Ubuntu 16.04 e Python 2.7)
• Keras
• Opencv (orientações de como instalar dos fontes ... se não for usar vídeo, da para instalar via apt-get também)
• Weka
• BOV2C

SUGESTÃO DE ROTEIRO 
​

• Seguir a sequência de slides sugerida no início desta página (pode pular se não quiser entrar na teoria)
• Usar PYTHON-SUPERPIXEL para experimentos com parâmetros do segmentador de superpixel SLIC
• Explorar a Interface do PYNOVISÃO e marcar alguns superpixels das imagens com aroeira
• Usar PYNOVISÃO para extrair atributos e gerar ARFF
  
• Usar WEKA para normalizar dados e testar diferentes classificadores com o ARFF criado
• Configurar PYNOVISÃO para usar melhor classificador encontrado
• Usar PYNOVISÃO para classificar novas imagens ou superpixels
• Para usar deep learning (cnn_keras) seguir orientações disponíveis no arquivo minicurso/aulaPratica.txt