Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Open Set Domain Adaptation |
|---|---|
| Titolo del progetto di ricerca in inglese | Open Set Domain Adaptation |
| Campo principale della ricerca | Computer science |
| Sottocampo della ricerca | Informatics |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI |
| Descrizione sintetica in italiano | Questa attività di ricerca richiede la modellazione e l'implementazione di algoritmi di apprendimento profonde per oggetto l'attività e il riconoscimento a partire da immagini appartenenti a diversi domini visive, dove il numero e il tipo di classi nei domini origine e di destinazione sono generalmente non allineati. Questo rompe l'assunzione spostamento covariate che è il codice di moderni algoritmi di adattamento dominio, richiede lo sviluppo di strati di perdita innovative all'interno di moduli profondi in grado di far fronte a questo disallineamento tra la distribuzione di dati. L'attività richiede una profonda conoscenza di apprendimento statistico, probabilità e teoria dell'apprendimento, così come i metodi moderni di apprendimento fro profondo. Inoltre l'attività richiede un forte precedente esperienza in caffe e Keras, in visione artificiale, e la capacità di utilizzare strumento statistico moderna per l'analisi di esperimenti. |
| Descrizione sintetica in inglese | This research activity requires modeling and implementing deep learning algorithms for object and activity recognition starting from images belonging to different visual domains, where the number and type of classes in the source and target domains are generally not aligned. This breaks the covariate shift assumption that is at the code of modern domain adaptation algorithms, requiring the development of innovative loss layers within deep modules able to cope with this misalignment between the data distributions. The activity requires a deep knowledge of statistical learning, probability and learning theory, as well as modern methods fro deep learning. Moreover the activity requires a strong prior experience in Caffe and Keras, in computer vision, and the ability to use modern statistical tool for the analysis of experiments. |
| Data del bando | 10/01/2017 |
| Numero di assegnazioni per anno | 1 |
| Stanziamento annuale (indicativo) | 20600 |
| Periodicità | 12 mesi |
| E' richiesta mobilità internazionale? | yes |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | http://www.dis.uniroma1.it/ |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Il contratto prevede la copertura delle prestazioni sociali? | no |
| Importo annuale | 20600 |
| Valuta | Euro |
| Comprende lo stipendio dell'assegnista | yes |
| Comprende vitto e spese di viaggio | no |
| Comprende il costo della ricerca | no |
| Nome dell'Ente finanziatore | UNIVERSITA' DI ROMA LA SAPIENZA |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | ROMA |
| Codice postale | 00185 |
| Indirizzo | VIA ARIOSTO, 25 |
| Sito web | http://www.dis.uniroma1.it/ |
| pecdis@cert.uniroma1.it | |
| Telefono | 0677274139 |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 09/02/2017 - alle ore 00:00 |
|---|---|
| Come candidarsi | pecdis@cert.uniroma1.it |