A disciplina foi planejada para servir como referência básica em Gestão da Produção e Qualidade aos estudantes dos cursos de Engenharia da Faculdade UnB Gama. O objetivo é iniciá-los nos temas envolvidos na área de conhecimento em questão de forma a permitir que apliquem conceitos, teorias e técnicas que lhes permitam atuarem nos ambientes de produção de acordo com os mais amplos desafios da sociedade contemporânea
FGA0261 – TÓPICOS ESPECIAIS EM ELETRONICA - Turma 06 - 2026.1
Tema: VISÃO DE MÁQUINA E APRENDIZAGEM COMPUTACIONAL (VMAC)
DOCENTE: Prof. Marcus Vinícius Chaffim Costa – e-mail: chaffim@unb.br
Local: FCTE - Sala I7
Horário: 46M34
Carga horária semanal: 8 horas (4h aulas presenciais teórico-práticas; 4h estudo dirigido).
Carga horária total: 60 horas (30 aulas de 1h50).
Créditos: 4 créditos integralizáveis.
Distribuição temática: 40% métodos geométricos/clássicos e 60% aprendizagem computacional.
OBJETIVOS
1. Modelar matematicamente a formação de imagem, compreendendo aspectos geométricos, ópticos e radiométricos;
2. Implementar algoritmos de reconstrução tridimensional a partir de múltiplas imagens;
3. Distinguir e aplicar abordagens clássicas e métodos baseados em aprendizagem para problemas de reconhecimento visual;
4. Treinar, avaliar e realizar fine-tuning de Redes Neurais Convolucionais para tarefas de classificação, detecção de objetos e segmentação de imagens;
5. Aplicar Transfer Learning utilizando arquiteturas modernas, adaptando modelos pré-treinados para domínios específicos;
6. Compreender e aplicar mecanismos de atenção e Vision Transformers, comparando com arquiteturas convolucionais;
7. Analisar criticamente relações de compromisso entre métodos clássicos e baseados em aprendizagem computacional em termos de desempenho, complexidade, interpretabilidade e requisitos de dados;
8. Projetar um sistema completo de visão de máquina para aplicação prática, desde aquisição de dados até tomada de decisão, documentando metodologia, resultados e limitações de forma técnica rigorosa.
EMENTA
Disciplina voltada à formação em visão de máquina com enfoque equilibrado entre fundamentos geométricos clássicos (40%) e técnicas modernas de aprendizagem computacional (60%).
I. Fundamentos da formação de imagens: modelos de câmera pinhole, óptica geométrica, sistemas de lentes, sensores digitais CCD e CMOS, padrão de Bayer, parâmetros fotográficos, calibração radiométrica e reconstrução de Alto Alcance Dinâmico.
II. Geometria multi-vista e reconstrução 3D: calibração de câmeras, transformações projetivas, geometria epipolar, matrizes essencial e fundamental, visão estéreo, Estrutura a partir do Movimento, sistemas multi-câmera, nuvens de pontos, registro de imagens; localização e mapeamento visual simultâneos.
III. Aprendizagem computacional para visão: extração de características clássicas, invariantes à escala e robustas; classificadores de imagens tradicionais; fundamentos de redes neurais, algoritmo de retropropagação e otimização; redes neurais convolucionais, residuais e densamente conectadas.
IV. Deep Learning Avançado e Aplicações: Transfer Learning; detecção de objetos; segmentação semântica e de instâncias; aprendizagem auto-supervisionada e modelos multimodais.
REFERÊNCIAS BIBLIOGRÁFICAS
Referências Básicas
1. SZELISKI, R. Computer Vision: Algorithms and Applications (2ª ed.). Springer, 2022. ISBN: 978-3-030-34372-9. Disponível online: https://szeliski.org/Book/
2. HARTLEY, R.; ZISSERMAN, A. Multiple View Geometry in Computer Vision (2ª ed.). Cambridge University Press, 2004. ISBN: 978-0-521-54051-3.
3. PRINCE, S. J. D. Understanding Deep Learning. MIT Press, 2023. ISBN: 978-0-262-04864-6. Disponível online: https://udlbook.github.io/udlbook/
4. TORRALBA, A.; ISOLA, P.; FREEMAN, W. T. Foundations of Computer Vision. MIT Press, 2024. ISBN: 978-0-262-04897-4. Disponível online: https://visionbook.mit.edu/
5. PRINCE, S. J. D. Computer Vision: Models, Learning, and Inference. Cambridge University Press, 2012. ISBN: 978-1-107-01179-3. Disponível online: https://udlbook.github.io/cvbook/
Referências Complementares
6. ZHANG, A.; LIPTON, Z. C.; LI, M.; SMOLA, A. J. Dive into Deep Learning. Cambridge University Press, 2023. ISBN: 978-1-009-38943-3. Disponível online: https://d2l.ai/
Versão em português (tradução): https://pt.d2l.ai/
7. DAVIES, E. R. Computer Vision: Principles, Algorithms, Applications, Learning (5ª ed.). Academic Press, 2017. ISBN: 978-0-12-809284-2.
8. FORSYTH, D. A.; PONCE, J. Computer Vision: A Modern Approach (2ª ed.). Pearson, 2012. ISBN: 978-0-13-608592-8.
9. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. MIT Press, 2016. ISBN: 978-0-262-03561-3. Disponível online: https://www.deeplearningbook.org/
10. BISHOP, C. M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN: 978-0-387-31073-2. Disponível online: https://www.microsoft.com/en-us/research/wp-content/uploads/2006/01/B ishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
11. MURPHY, K. P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN: 978-0-262-01802-9. Disponível online: https://probml.github.io/pml-book/book0.html
12. MURPHY, K. P. Probabilistic Machine Learning: An Introduction. MIT Press, 2022. ISBN: 978-0-262-04682-6. Disponível online: https://probml.github.io/pml-book/book1.html
13. MURPHY, K. P. Probabilistic Machine Learning: Advanced Topics. MIT Press, 2023. ISBN: 978-0-262-04843-1. Disponível online: https://probml.github.io/pml-book/book2.html
14. BARBER, D. Bayesian Reasoning and Machine Learning. Cambridge University Press, 2012. ISBN: 978-0-521-51814-7. Disponível online: http://web4.cs.ucl.ac.uk/staff/D.Barber/pmwiki/pmwiki.php?n=Brml.HomePage
15. Artigos Científicos de destaque serão indicados por meio da plataforma Aprender3 ao longo do semestre.