Introdução a Visão Computacional. Prof. Dr. Geraldo Braz Junior DEINF - UFMA

Transcrição

1 Introdução a Visão Computacional Prof. Dr. Geraldo Braz Junior DEINF - UFMA

2 O que é Visão Computacional? Você já viu? 2

3 O que se espera? Visão é sobre entender imagens Coloridas ou em tons de cinza Pequenas sequências ou videos Tomadas com uma câmera fixa ou em movimento De uma câmera calibrada ou não Somente imagens? Com o objetivo básico de extrair informação útil dessas imagens de acordo com a aplicação. 3 A Practical Introduction to Computer Vision with OpenCV by Kenneth Dawson-Howe Wiley & Sons Inc. 2014

4 Como esperamos o funcionamento? 4 Fei-Fei Li Lecture 1 CS131 Stanford

5 Visão x Relacionamento Visão Geral Aprendizado de Máquina Recuperação de Informação Processamento de Imagens Visão Computacional Sistemas cognitivos e Neurociência Áreas: Engenharia, Robótica, Ciência da Computação, Psicologia, Matemática, Física, Biologia 5

6 Qual o objetivo: entender 6 Fei-Fei Li Lecture 1 CS131 Stanford

7 Percepção O que nós experimentamos, aparentemente diretamente, é na verdade bem diferente do que nossos orgãos estão registrando [adaptado de Perception: From Sense to Object by J. Wilding] Cada imagem é a imagem de uma coisa apenas para aquele que sabe como lê-la, e que esteja habilitado com a ajuda da imagem para formar uma idéia da coisa [adaptado de Handbook of Physiological Optics by H. Helmholtz] 7

8 Visão Humana A visão humana é soberbamente eficiente Detecta rapidamente padrõesemumacena Quantos recortes tem animais? 8

9 Segmentação/ Percepção 9

10 Segmentação / Percepção 10 Fei-Fei Li Lecture 1 CS131 Stanford

11 mas variações podem ser dificilmente percebidas pela visão humana 11

12 Visão Computacional 12 Fei-Fei Li Lecture 1 CS131 Stanford

13 Quais informações podemos extrair? Métricas (2D, 3D) Características Estruturais Semântica E se não soubermos modelar as métricas? 13

14 Aplicações: Detecção Graph Cut based Continuous Stereo Matching using Locally Shared Labels (CVPR 2014) 14

15 Aplicações: Tracking Joint Tracking and Segmentation of Multiple Targets (CVPR 2015) 15

16 Aplicações: Reconstrução 3D DynamicFusion: Reconstruction and Tracking of Non-rigid Scenes in Real-Time (CVPR 2015) 16

17 SLAM Real-time dense monocular SLAM with learned depth prediction (CVPR 2017) 17

18 Aplicações: Detecção de Face Face2Face Real-time Face Capture and Reenactment of RGB Videos (CVPR 2016) 18

19 Estimação de Ação [CVPR 2017] Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning 19

20 Estimação de Pose Realtime Multi-Person 2D Human Pose Estimation using Part Affinity Fields, CVPR

21 Estimação Previsão Estimating body shape under clothing (CVPR 2017) 21

22 Aplicações: Detecção e Reconhecimento Supervisionado Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks ( Tese Cornell University) 22

23 Reforço End-to-end Driving with Deep Reinforcement Learning (CVPR 2017 Workshop) 23

24 Aplicação: Imitação Artistic style transfer for videos (Tese Cornell University) 24

25 Visão como IO 25 Transferring a Generic Pedestrian Detector Towards Specific Scenes

26 Visão como Propostas 26 Constrained Parametric Min-Cuts for Automatic Object Segmentation

27 Visão como Biometria 27

28 Visão como Inspeção Detecção de Minas Terrestres 28 A Practical Introduction to Computer Vision with OpenCV by Kenneth Dawson-Howe Wiley & Sons Inc. 2014

29 Face Recognition Visão como detecção Face Detection 29

30 Visão como medida 30

31 Visão como saúde Food-101 Mining Discriminative Components with Random Forests 31

32 Visão como melhoria ou tática 32

33 Visão como correlação Ensemble of Exemplar-SVMs for Object Detection and Beyond 33

34 Visão como modelagem e visualização 3D 34 hlp://photosynth.net

35 Visão como semântica 35 Fei-Fei Li Lecture 1 CS131 Stanford

36 How we teach computers to understand pictures Fei Fei Li Ted Talks 36

37 Objetivo Máximo Detecção + interpretação à em qualquer cena!!! 37

38 Algumas bibliografias Todos disponíveis na internet 38