Disciplina PPV695 - Extração de informações de imagens obtidas por RPAS: reconhecimento de padrões e aprendizagem computacional - PPGCF

Estrutura curricular

Disciplina do PPGCF
PPV695 - Extração de informações de imagens obtidas por RPAS: reconhecimento de padrões e aprendizagem computacional

  • Disciplina não obrigatória
  • Início: 01/01/2023
  • Nível: Mestrado e Doutorado
  • Créditos: 4 (Créditos computáveis)
  • Períodos de oferta: 2
    • Ementa
  • Proporcionar aos acadêmicos os conhecimentos teórico-práticos necessários para o desenvolvimento de trabalhos utilizando a extração de informações das imagens adquiridas por sensores embarcados em plataforma RPAS – Remoted Piloted Aircraft Systems por reconhecimento de imagem e aprendizagem computacional, permitindo assim, a utilização de algoritmos de aprendizagem para extrair informações dos dados espaciais em escalas maiores das áreas de estudo em diferentes linhas de pesquisa e atuação do profissional nas ciências agrárias.
    • Bibliografia
  • BISHOP, C.M. Pattern Recognition and Machine Learning. 1. ed., Springer, 2006.

    DUDA, R.O., HART, P.E., STORK, D.G. Pattern Classification. 2. ed., New York: John Wiley & Sons, 2001.

    EVERITT, B.S., LANDAU, S., LEESE, M. Cluster Analysis. 4. ed., London: Eduard Arnold, 2001.

    FUKUNAGA, K. Introduction to Statistical Pattern Recognition. 2. ed., Boston: Academic Press, 1990.

    GALVÃO, G. M; ROSALEN, D. L. Acurácia da mosaicagem gerada por veículo aéreo não tripulado utilizado na agricultura de precisão. In: FURLANI, C.E.A; SILVA, R.P; ROSALEN, D.L. (Org.). CONGRESSO BRASILEIRO DE ENGENHARIA AGRÍCOLA (42. 2013, Fortaleza): Os desafios para o desenvolvimento sustentável. 1ed. Jaboticabal: SBEA, 2013. p. 3.

    GAWSKI, M; COLETTA, P. C. D; ANDRADE, A. G; TANAKA, E. M. Validação de levantamento planialtimétrico realizado pelo veículo aéreo não tripulado SenseFly na cultura de cana-de-açúcar. In: ENCONTRO DE MECANIZAÇÃO EM AGRICULTURA DE PRECISÃO, 2013, POMPEIA-SP. 3 EnqMap. Pompeia-SP: EnqMap, 2013. p.18-18.

    HEIJDEN, F. Image Based Measurement Systems. New York: John Wiley & Sons, 1994.

    JENSEN, J. R. Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. São José dos Campos: Parêntese. 2009. KUX, H. & BLASCHKE, T. Sensoriamento Remoto e SIG Avançados. 2. ed. São Paulo: Oficina de Textos, 2007.

    KUNCHEVA, L.I. Combining Pattern Classifiers: Methods and Algorithms. Willey, 2004.

    MITCHELL, T. Machine Learning. McGraw Hill, 1997.

    PEDRINI, H.; SCHWARTZ, W. R. Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações. São Paulo: Thomson Learning, 2008.

    PONZONI, F. J. et al. Sensoriamento remoto da vegetação. 2. ed. Revisada e Ampliada. São Paulo: Oficina de Textos, 2013

    THEODORIDIS, S., KOUTROUMBAS, K. Pattern Recognition, 3. ed., Academic Press, 2006.

    WEBB, A.R. Statistical Pattern Recognition, 2. ed., New York: John Wiley & Sons, 2002.