Conheça as técnicas mais avançadas de visão computacional graças a este Curso de especialização que o prepara para enfrentar com sucesso todos os desafios do futuro no domínio da visão artificial" 

A visão artificial é um campo complexo e em expansão, com novas aplicações e utilidades a serem constantemente acrescentadas. Por conseguinte, para tirar o máximo partido das ferramentas de visão computacional, é importante dominar as técnicas mais recentes e avançadas nesta área. Assim, este Curso de especialização em Técnicas Avançadas de Visão Computacional na Web responde a este desafio, fornecendo ao profissional os mais recentes avanços processuais e tecnológicos neste domínio.

Neste Curso de especialização, portanto, o profissional de informática poderá estudar em profundidade aspetos como mapas de profundidade de imagens 2D, medição de profundidade, reconhecimento de objetos 3D, segmentação semântica em medicina ou segmentação em nuvens de pontos, entre muitos outros. Desta forma, o engenheiro terá tido acesso a numerosos conteúdos novos e de alto nível nesta área.

E conseguirá isso graças a um corpo docente especializado e altamente experiente que conhece todos os segredos da disciplina, para além do grande número de recursos multimédia disponíveis neste Curso de especialização, tais como resumos interativos, exercícios práticos, masterclasses e vídeos de técnicas e procedimentos.

Está à procura de uma qualificação que o diferencie profissionalmente e esta é a ideal para si, pois permitir-lhe-á tornar-se um especialista em visão computacional e visão artificial"

Este Curso de especialização em Técnicas Avançadas de Visão Computacional na Web conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em informática e visão artificial
• O conteúdo gráfico, esquemático e eminentemente prático fornece informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Os exercícios práticos em que o processo de autoavaliação pode ser utilizado para melhorar a aprendizagem
• A sua ênfase especial em metodologias inovadoras
• As lições teóricas, perguntas a especialistas, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

A sua proficiência em visão computacional conduzirá a inúmeras oportunidades profissionais nas melhores empresas de tecnologia do mundo"

O corpo docente do Curso de especialização inclui profissionais do setor que trazem a sua experiência profissional para esta capacitação, para além de especialistas reconhecidos de sociedades de referência e universidades de prestígio.

Os seus conteúdos multimédia, desenvolvidos com a mais recente tecnologia educativa, permitirão ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma capacitação imersiva programada para praticar em situações reais.

A estrutura deste Curso de especialização centra-se na Aprendizagem Baseada em Problemas, na qual o profissional deve tentar resolver as diferentes situações de prática profissional que surgem durante a qualificação. Para tal, contará com a ajuda de um sistema inovador de vídeos interativos criados por especialistas reconhecidos.

Desenvolva grandes projetos de visão artificial graças a tudo o que aprenderá neste Curso de especialização"

Aprofunde os seus conhecimentos sobre os novos procedimentos da visão computacional e incorpore-os imediatamente no seu trabalho com esta qualificação"

Os conteúdos deste Curso de especialização em Técnicas Avançadas de Visão Computacional na Web foi preparado por especialistas de renome nesta matéria e foi estruturado em 3 módulos especializados, subdivididos em 10 tópicos cada. Assim, ao longo desta capacitação, o profissional de informática poderá aprofundar questões como o software de processamento de imagens 3D, a biblioteca de processamento de dados 3D ou a segmentação semântica aplicando a deep learning, entre muitas outras.

Não encontrará um plano de estudos mais inovador sobre técnicas avançadas de visão computacional"

Módulo 1. Processamento de imagens 3D 

1.1. Imagem 3D 

1.1.1. Imagem 3D 
1.1.2. Software de processamento de imagens 3D e visualizações 
1.1.3. Software de metrologia 

1.2. Open 3D 

1.2.1. Biblioteca para processamento de dados 3D 
1.2.2. Características 
1.2.3. Instalação e utilização 

1.3. Os dados 

1.3.1. Mapas de profundidade em imagens 2D 
1.3.2. Pointclouds 
1.3.3. Normais 
1.3.4. Superfícies 

1.4. Visualização 

1.4.1. Visualização de dados 
1.4.2. Controlos 
1.4.3. Visualização na Web 

1.5. Filtros 

1.5.1. Distância entre pontos, eliminar valores anómalos 
1.5.2. Filtro passa-alto 
1.5.3. Downsampling 

1.6. Geometria e extração de características 

1.6.1. Extração de um perfil 
1.6.2. Medição da profundidade 
1.6.3. Volume 
1.6.4. Formas geométricas 3D 
1.6.5. Planos 
1.6.6. Projeção de um ponto 
1.6.7. Distâncias geométricas 
1.6.8. Kd Tree 
1.6.9. Características 3D 

1.7. Registo e Meshing 

1.7.1. Concatenação 
1.7.2. ICP 
1.7.3. Ransac 3D 

1.8. Reconhecimento de objetos 3D 

1.8.1. Procura de um objeto na cena 3D 
1.8.2. Segmentação 
1.8.3. Bin picking 

1.9. Análise de superfícies 

1.9.1. Alisamento 
1.9.2. Superfícies orientáveis 
1.9.3. Octree 

1.10. Triangulação 

1.10.1. De Mesh a Point Cloud 
1.10.2. Triangulação de mapas de profundidade 
1.10.3. Triangulação de Point Clouds não ordenadas 

Módulo 2. Segmentação de imagens através de Deep Learning 

2.1. Deteção e segmentação de objetos 

2.1.1. Segmentação semântica 

2.1.1.1. Casos de utilização de segmentação semântica 

2.1.2. Segmentação instanciada 

2.1.2.1. Casos de utilização de segmentação instanciada 

2.2. Métricas de avaliação 

2.2.1. Semelhanças com outros métodos 
2.2.2. Precisão dos píxeis 
2.2.3. Dice Coefficient (F1 Score) 

2.3. Funções de custos 

2.3.1. Dice Loss 
2.3.2. Focal Loss 
2.3.3. Tversky Loss 
2.3.4. Outras funções 

2.4. Métodos tradicionais de segmentação 

2.4.1. Aplicação de limites com Otsu e Riddlen 
2.4.2. Equipas auto-organizadas 
2.4.3. Algoritmo GMM-EM 

2.5. Segmentação Semântica através de Deep Learning: FCN 

2.5.1. FCN 
2.5.2. Arquitetura 
2.5.3. Aplicações do FCN 

2.6. Segmentação Semântica através de Deep Learning: U-NET 

2.6.1. U-NET 
2.6.2. Arquitetura 
2.6.3. Aplicação do U-NET 

2.7. Segmentação Semântica através de Deep Learning: Deep Lab 

2.7.1. Deep Lab 
2.7.2. Arquitetura 
2.7.3. Aplicação do Deep Lab 

2.8. Segmentação instanciada através de Deep Learning: Máscara RCNN 

2.8.1. Máscara RCNN 
2.8.2. Arquitetura 
2.8.3. Implementação de uma Mask RCNN 

2.9. Segmentação em vídeos 

2.9.1. STFCN 
2.9.2. Semantic Video CNNs 
2.9.3. Clockwork Convnets 
2.9.4. Low-Latency 

2.10. Segmentação em nuvens de pontos 

2.10.1. A nuvem de pontos 
2.10.2. PointNet 
2.10.3. A-CNN 

Módulo 3. Segmentação avançada de imagens e técnicas avançadas de visão computacional 

3.1. Base de dados para problemas gerais de segmentação 

3.1.1. Pascal Context 
3.1.2. CelebAMask-HQ 
3.1.3. Cityscapes Dataset 
3.1.4. CCP Dataset 

3.2. Segmentação semântica na medicina 

3.2.1. Segmentação semântica na medicina 
3.2.2. Datasets para problemas médicos 
3.2.3. Aplicação prática 

3.3. Ferramentas de anotação 

3.3.1. Computer Vision Annotation Tool 
3.3.2. LabelMe 
3.3.3. Outras ferramentas 

3.4. Ferramentas de segmentação que utilizam diferentes Frameworks 

3.4.1. Keras 
3.4.2. Tensorflow v2 
3.4.3. Pytorch 
3.4.4. Outros 

3.5. Projeto de segmentação semântica. Os dados, fase 1 

3.5.1. Análise do problema 
3.5.2. Fonte de entrada de dados 
3.5.3. Análise de dados 
3.5.4. Preparação de dados 

3.6. Projeto de segmentação semântica. Treino, fase 2 

3.6.1. Seleção do algoritmo 
3.6.2. Treino 
3.6.3. Avaliação 

3.7. Projeto de segmentação semântica. Resultados, fase 3 

3.7.1. Ajuste preciso 
3.7.2. Apresentação da solução 
3.7.3. Conclusões 

3.8. Autocodificadores 

3.8.1. Autocodificadores 
3.8.2. Arquitetura de um autocodificador 
3.8.3. Autocodificadores com cancelamento de ruído 
3.8.4. Autocodificador de coloração automática 

3.9. As Redes Adversariais Generativas (GAN) 

3.9.1. Redes Adversariais Generativas (GAN) 
3.9.2. Arquitetura DCGAN 
3.9.3. Arquitetura GAN condicionada 

3.10. Redes adversariais generativas melhoradas 

3.10.1. Visão geral do problema 
3.10.2. WGAN 
3.10.3. LSGAN 
3.10.4. ACGAN

O conteúdo em visão computacional mais completo e atualizado do mercado está aqui. Não deixe escapar esta oportunidade"