Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Tecniche di apprendimento continuo per il riconoscimento di oggetti da pochi esempi |
|---|---|
| Titolo del progetto di ricerca in inglese | Continuous few shots learning of object detectors |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | - |
| Descrizione sintetica in italiano | Le reti neurali convoluzionali (CNN) costituiscono oggi lo stato dell’arte per il riconoscimento di oggetti in immagini. Tuttavia, l’addestramento di questi sistemi richiede grandi dataset di immagini annotate. Poiché questa limitazione frena l’applicazione pratica di tali sistemi, un primo obiettivo del progetto sarà l’integrazione di tecniche di “few shot learning”. Inoltre, la stragrande maggioranza di questi sistemi è pensata principalmente per lavorare su singole immagini, rimanendo tutt’ora poco esplorato il riconoscimento di oggetti in video. Il secondo obbiettivo del progetto riguarderà, quindi, l’incorporazione delle informazioni temporali contenute in una sequenza video durante il processo di allenamento e/o utilizzo di un riconoscitore di oggetti basato su CNN. Il risultato finale sarà un sistema per il riconoscimento di oggetti che possa lavorare sia su immagini e video e che sia capace di apprendere come riconoscere nuovi oggetti dati uno o pochi esempi degli stessi. |
| Descrizione sintetica in inglese | Recent works have shown how convolutional neural networks can perform object detection. Whilst performance are impressive, one main drawback for a more widespread adoption of these systems is the need for many annotated samples whenever one seeks to detect new object classes. Thus, the first objective of this project deals with integration of few shots learning techniques within current object detection models in order to learn to detect new classes from few (ideally just one) images. Moreover, current systems work mainly on a single-frame assumption: a less explored though interesting and potentially effective topic relies on leveraging on videos to deploy temporal consistency and tracking so as to improve detection performance. Thus, the second goal of this project will concern how to integrate the temporal information associated with a video either at training or test time or both in order to ameliorate CNN-based object detectors. |
| Data del bando | 26/11/2018 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
All |
| Nazionalità dei candidati |
All |
| Sito web del bando | https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | il bando e la modulistica per partecipare alla procedura di valutazione comparativa sono disponibili all'indirizzo: https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Criteri di selezione in inglese (breve descrizione) | to apply for research grants fill out the form available at the following address: https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Nome dell'Ente finanziatore | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA - - DIPARTIMENTO DI INFORMATICA - SCIENZA E INGEGNERIA |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Bologna |
| Sito web | http://www.unibo.it |
| luigi.distefano@unibo.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 11/12/2018 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |