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 HSV
Segmentação de imagens e vídeos contendo cenas do cotidiano, além de imagens microscópicas e médicas
Segmentação 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 PointRend
Treinamento de uma rede neural convolucional para detecção e segmentação de objetos personalizados
Uso de data augmentation para aumentar a quantidade de imagens em bases de dados pequenas
Entenda as diferenças na teoria e na prática dos tipos de segmentação: instância, semântica e panóptica
Cada 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!
