Estrutura curricular
Disciplina do PPGPV
PPV695 - Extração de informações de imagens obtidas por RPAS:
reconhecimento de padrões e aprendizagem
computacional
Disciplina não obrigatóriaInício: 13/03/2023Nível: Mestrado e DoutoradoCréditos: 4 (Créditos computáveis)Períodos de oferta: 1, 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. São objetivos específicos: Processamento de imagens obtidas por RPAS; Desenvolvimento de modelos matemáticos para auxílio das atividades florestais; Classificação de imagens; Utilização de algoritmos de aprendizagem para solução de problemas.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.