Segmentacao de Imagens com Python de A a Z
What you’ll learn
Entenda a intuição básica sobre os principais algoritmos de segmentação de imagens, tanto os mais básicos quanto os mais avançados
Implemente segmentação utilizando algoritmos básicos de processamento de imagens, como: limiarização, contornos, bordas, regiões, clusters, watershed e cores
Implemente segmentação em imagens e vídeos utilizando arquiteturas modernas, como por exemplo: Mask R-CNN, U-Net e DeepLab
Aplique segmentação de imagens utilizando as principais abordagens, como por exemplo: segmentação de instância, segmentação semântica e segmentação panóptica
Utilize imagens de diversos cenários naturais do dia-a-dia, além de imagens microscópica e médicas
Melhore a precisão dos resultados utilizando o PointRend
Utilize data augmentation para aumentar a quantidade de imagens em bases de dados pequenas
Realize o treinamento de uma rede neural para segmentar objetos personalizados
Requirements
Lógica de programação
Programação básica em Python
Description
A Segmentação de Imagens é uma sub-área da Visão Computacional que se refere ao processo de separar e/ou extrair informações úteis de imagens ou vídeos para facilitar sua posterior análise. Existem várias aplicações práticas e comerciais que são desenvolvidas utilizando essas técnicas, como por exemplo: carros autônomos detectam e identificam os objetos na rua (pedestres, semáforos, veículos) para gerar a próxima instrução, médicos detectam tumores graves e células cancerígenas rapidamente, indústrias conseguem identificar peças defeituosas antes de montar um eletrônico, cientistas podem identificam áreas de desmatamento, dentre várias outras aplicações. Os profissionais de visão computacional podem ter salários similares aos das outras áreas de Machine Learning, iniciando em R$ 5.000 mensais numa posição inicial e chegando até R$ 15.000 numa posição sênior.Para levar você até essa área, neste curso você terá uma visão principalmente prática sobre as principais e mais modernas técnicas de segmentação de imagens! Este curso é de A à Z por apresentar desde conceitos mais básicos até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções de segmentação de imagens que podem ser aplicadas em problemas reais! O curso está dividido em quatro partes que abordam tecnologias diferentes de segmentação de imagens. Na parte 1 você aprenderá os algoritmos mais básicos que utilizam recursos da área de processamento digital de imagens, enquanto que nas partes 2, 3 e 4 você será introduzido à arquiteturas modernas de Deep Learning que apresentam os melhores resultados!Veja abaixo alguns dos projetos/tópicos que serão implementados passo a passo:Algoritmos básicos de processamento digital de imagens, como por exemplo: limiarização simples, limiarização adaptativa, método de Otsu, segmentação baseada em bordas e contornos, operador de Sobel, Canny Edge, segmentação baseada em região e clusters, segmentação com watershed e segmentação por cores utilizando RGB e HSVSegmentação de imagens e vídeos contendo cenas do cotidiano, além de imagens microscópicas e médicasSegmentação utilizando as modernas arquitetura Mask R-CNN, U-Net, DeepLab e RETR da área de Deep Learning (Aprendizagem Profunda)Melhoria da precisão dos algoritmos utilizando PointRendTreinamento de uma rede neural convolucional para detecção e segmentação de objetos personalizadosUso de data augmentation para aumentar a quantidade de imagens em bases de dados pequenasEntenda as diferenças na teoria e na prática dos tipos de segmentação: instância, semântica e panópticaCada tipo de problema requer técnicas diferentes para sua solução, portanto, conhecendo a maior parte dos algoritmos de segmentação você saberá quais técnicas utilizar nos mais variados tipos de cenários! Durante o curso, vamos utilizar a linguagem de programação Python e o Google Colab para que você aproveite o curso da melhor maneira possível! São mais de 150 aulas e mais de 20 horas de vídeos!
Overview
Section 1: Introdução
Lecture 1 Boas-vindas e conteúdo do curso
Lecture 2 Mais sobre Visão Computacional
Lecture 3 Recursos para download
Section 2: Segmentação com abordagens clássicas
Lecture 4 Introdução
Lecture 5 O que é segmentação
Lecture 6 Técnicas e tipos de segmentação
Lecture 7 Imagens e pixels
Lecture 8 Limiarização – intuição
Lecture 9 Importação das bibliotecas
Lecture 10 Limiarização – implementação
Lecture 11 Tipos de limiarização – intuição
Lecture 12 Tipos de limiarização – implementação
Lecture 13 Tomografia computadorizada
Lecture 14 EXERCÍCIO – imagem infravermelha e separação de fundo
Lecture 15 Solução para o exercício 1
Lecture 16 Solução para o exercício 2
Lecture 17 Método do Otsu – intuição
Lecture 18 Método de Otsu – implementação 1
Lecture 19 Método de Otsu – implementação 2
Lecture 20 Limiarização adaptativa – intuição
Lecture 21 Limiarização adaptativa – implementação
Lecture 22 Limiarização adaptativa gaussiana – intuição
Lecture 23 Limiarização adaptativa gaussiana – implementação
Lecture 24 Operações morfológicas – intuição
Lecture 25 Segmentação com contornos
Lecture 26 Segmentação baseada em bordas – intuição
Lecture 27 Operador Sobel – intuição
Lecture 28 Operador Sobel – implementação
Lecture 29 Canny Edge – intuição
Lecture 30 Canny Edge – implementação
Lecture 31 EXERCÍCIO
Lecture 32 Solução para o exercício
Lecture 33 Fechamento e detecção de contornos
Lecture 34 Mascaramento de imagen – intuição
Lecture 35 Mascaramento de imagem – implementação
Lecture 36 Segmentação baseada em região – intuição
Lecture 37 Segmentação baseada em região – implementação 1
Lecture 38 Segmentação baseada em região – implementação 2
Lecture 39 Segmentação baseada em região – implementação 3
Lecture 40 EXERCÍCIO
Lecture 41 Solução para o exercício
Lecture 42 Segmentação baseada em clusters – intuição
Lecture 43 Segmentação baseada em clusters – implementação 1
Lecture 44 Segmentação baseada em clusters – implementação 2
Lecture 45 EXERCÍCIO
Lecture 46 Solução para o exercício
Lecture 47 Segmentação com watershed – intuição
Lecture 48 Segmentação com watershed – implementação 1
Lecture 49 Segmentação com watershed – implementação 2
Lecture 50 Segmentação com watershed – implementação 3
Lecture 51 Segmentação com watershed – implementação 4
Lecture 52 Segmentação com watershed – implementação 5
Lecture 53 Sobreposição e numeração de segmentos
Lecture 54 Segmentação baseada em cores – intuição
Lecture 55 Segmentação baseada em cores – implementação 1
Lecture 56 Segmentação baseada em cores – implementação 2
Lecture 57 EXERCÍCIO
Lecture 58 Solução para o exercício
Lecture 59 Segmentação baseada em cores – implementação 3
Section 3: Segmentação de instâncias com Mask RCNN
Lecture 60 Introdução
Lecture 61 Mask R-CNN – intuição
Lecture 62 Aviso sobre atualização no Colab
Lecture 63 Modelo pré-treinado 1
Lecture 64 Modelo pré-treinado 2
Lecture 65 Modelo pré-treinado 3
Lecture 66 Modelo pré-treinado 4
Lecture 67 Modelo pré-treinado 5
Lecture 68 Modelo pré-treinado 6
Lecture 69 EXERCÍCIO
Lecture 70 Solução para o exercício
Lecture 71 Contagem de objetos
Lecture 72 Treinamento personalizado – balões 1
Lecture 73 Treinamento personalizado – balões 2
Lecture 74 Treinamento personalizado – balões 3
Lecture 75 Treinamento personalizado – balões 4
Lecture 76 Treinamento personalizado – balões 5
Lecture 77 Treinamento personalizado – balões 6
Lecture 78 Treinamento personalizado – balões 7
Lecture 79 Treinamento personalizado – balões 8
Lecture 80 Treinamento personalizado – balões 9
Lecture 81 Passos para treinamento com imagens personalizadas
Lecture 82 Segmentação em vídeos 1
Lecture 83 Segmentação em vídeos 2
Lecture 84 Segmentação em vídeos 3
Lecture 85 Segmentação em vídeos 4
Lecture 86 EXERCÍCIO
Lecture 87 Solução para o exercício
Lecture 88 Melhorando a precisão com PointRend 1
Lecture 89 Melhorando a precisão com PointRend 2
Lecture 90 Melhorando a precisão com PointRend 3
Lecture 91 Melhorando a precisão com PointRend 4
Lecture 92 EXERCÍCIO
Lecture 93 Solução para o exercício
Section 4: Segmentação semântica
Lecture 94 Introdução
Lecture 95 U-NET – intuição
Lecture 96 Imagens microscópicas 1
Lecture 97 Imagens microscópicas 2
Lecture 98 Imagens microscópicas 3
Lecture 99 Imagens microscópicas 4
Lecture 100 Imagens microscópicas 5
Lecture 101 Imagens microscópicas 6
Lecture 102 Imagens microscópicas 7
Lecture 103 Métricas para avaliação
Lecture 104 Imagens microscópicas 8
Lecture 105 EXERCÍCIO
Lecture 106 Solução para o exercício
Lecture 107 Imagens microscópicas 9
Lecture 108 Imagens médicas 1
Lecture 109 Imagens médicas 2 – data augmentation
Lecture 110 Imagens médicas 3 – data augmentation
Lecture 111 Imagens médicas 4 – data augmentation
Lecture 112 Imagens médicas 5
Lecture 113 Imagens médicas 6
Lecture 114 Imagens médicas 7
Lecture 115 Imagens médicas 8
Lecture 116 Imagens médicas 9
Lecture 117 EXERCÍCIO
Lecture 118 Solução para o exercício
Lecture 119 DeepLab – intuição
Lecture 120 Segmentação com DeepLab 1
Lecture 121 Segmentação com DeepLab 2
Lecture 122 Segmentação com DeepLab 3
Lecture 123 Segmentação com DeepLab 4
Lecture 124 Segmentação com DeepLab 5
Section 5: Segmentação panóptica
Lecture 125 Introdução
Lecture 126 Segmentação panóptica – intuição
Lecture 127 Segmentação panóptica – implementação 1
Lecture 128 Segmentação panóptica – implementação 2
Lecture 129 Segmentação panóptica – implementação 3
Lecture 130 Segmentação panóptica – implementação 4
Lecture 131 Segmentação panóptica – implementação 5
Section 6: ANEXO 1 – Redes neurais artificiais
Lecture 132 Perceptron de uma camada
Lecture 133 Redes multicamada – função soma e função de avaliação
Lecture 134 Redes multicamada – cálculo do erro
Lecture 135 Descida do gradiente
Lecture 136 Cálculo do parâmetro delta
Lecture 137 Ajustes dos pesos com backpropagation
Lecture 138 Bias, erro, descida do gradiente estocástica e mais parâmetros
Section 7: ANEXO 2 – Redes neurais convolucionais
Lecture 139 Introdução a redes neurais convolucionais 1
Lecture 140 Introdução a redes neurais convolucionais 2
Lecture 141 Etapa 1 – operador de convolução (introdução)
Lecture 142 Etapa 1 – operador de convolução (cálculos)
Lecture 143 Etapa 2 – pooling
Lecture 144 Etapa 3 – flattening
Lecture 145 Etapa 4 – rede neural densa
Section 8: ANEXO 3 – Autoencoders
Lecture 146 Introdução a autoencoders
Lecture 147 Tipos de autoencoders
Section 9: Considerações finais
Lecture 148 Considerações finais
Lecture 149 AULA BÔNUS
Pessoas interessadas em Visão Computacional e Segmentação de Imagens e Vídeos,Alunos de graduação e pós-graduação que estão cursando disciplinas sobre Visão Computacional, Inteligência Artificial, Processamento Digital de Imagens ou Computação Gráfica,Pessoas que querem implementar seus próprios projetos utilizando técnicas de Segmentação de Imagens,Cientistas de Dados que queiram aumentar o seu portfólio de projetos
Course Information:
Udemy | Português | 20h 21m | 7.26 GB
Created by: Jones Granatyr
You Can See More Courses in the Developer >> Greetings from CourseDown.com