Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Continuous learning by domain adaptation |
|---|---|
| Titolo del progetto di ricerca in inglese | University of Florence- Continuous learning by domain adaptation- published on the |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Computer engineering |
| G.S.D. | 09/IINF-05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI |
| S.S.D | IINF-05/A - Sistemi di elaborazione delle informazioni |
| Descrizione sintetica in italiano | Nella visione artificiale, i Vision-Language-Models (VLM) pre-addestrati hanno mostrato un notevole successo nei compiti di apprendimento zero-shot e few-shot. Addestrati su set di dati su larga scala, questi modelli cercano di mappare immagini e testi accoppiati in uno spazio di caratteristiche allineato. La classificazione zero-shot open-world è resa possibile sfruttando la somiglianza delle caratteristiche tra oggetti invisibili e testi con nuovi nomi di categoria. Di recente, diversi lavori hanno progettato metodi efficienti in termini di dati per adattare i VLM nell'ambito dell'apprendimento a pochi scatti per una migliore accuratezza. Obiettivo di questa ricerca è studiare il potenziale dei VLM per supportare transfer learning mirato alla comprensione della scena osservate ed abilitare funzioni come la predizione della traiettoria di moto all'interno della scena. |
| Descrizione sintetica in inglese | In computer vision, pre-trained vision-language models (VLMs) have shown remarkable success in zero-shot and few-shot learning tasks. Trained on large-scale datasets, these models try to map paired images and texts to an aligned feature space. Open-world zeroshot classification is made possible by leveraging the feature similarity between unseen objects and texts with novel category names. Recently, several works have designed data-efficient methods to adapt VLMs under the few-shot learning setting for better accuracy. The focus of this research is on investigating the potential of VLM to enable transfer learning for scene understanding in new domains and support tasks such as the prediction of motion trajectories within the scene. |
| Data del bando | 01/10/2024 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | https://titulus.unifi.it/albo/viewer?view=files%2F005724477-UNFICLE-4a62999a-8516-48a5-97a6-eb8dbd6fd89b-000.pdf |
| 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? | yes |
| Importo annuale | 23890 |
| Valuta | Euro |
| Comprende lo stipendio dell'assegnista | yes |
| Comprende vitto e spese di viaggio | no |
| Comprende il costo della ricerca | no |
| Massima durata dell'assegno (mesi) | 12 |
| Criteri di selezione in italiano (breve descrizione) | Laurea Magistrale in Ingegneria Informatica |
| Criteri di selezione in inglese (breve descrizione) | Informatics engineering master degree |
| Processo di selezione in italiano (breve descrizione) | per titoli e colloquio |
| Processo di selezione in inglese (breve descrizione) | evaluation of titles and examination by means of an interview |
| Nome dell'Ente finanziatore | Università degli Studi Firenze |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Firenze |
| Sito web | http://www.unifi.it |
| amministrazione@dinfo.unifi.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 21/10/2024 |
|---|---|
| Come candidarsi | Other |