Este ano o CTM oferece 18 temas de estágio distribuídos pelas várias áreas do centro! Estão neste link as descrições dos temas, plano de trabalhos, e orientadores. Procura até 4 temas que te despertem mais o interesse e candidata-te indicando a tua ordem de preferência!
Fica aqui um resumo!
1. “Adaptação automática do débito físico em redes Wi-Fi usando Reinforcement Learning
“(…) Tendo isto em conta, o projeto SMART no qual esta proposta de Estágio de Verão se enquadra, propõe o desenvolvimento e posterior validação de um algoritmo de Deep Reinforcement Learning (DRL) cujo objetivo é aprender essa mesma configuração ótima para um link Wi-Fi.“
Orientadores:
Rúben Queirós (ruben.m.queiros@inesctec.pt)
Helder Fontes (helder.m.fontes@inesctec.pt)
2. “Planeamento Otimizado de Recursos em Redes de Comunicações Voadoras”
“O objetivo principal deste estágio consiste em determinar a ferramenta de otimização mais eficiente para calcular o número mínimo de UAVs necessários numa rede de comunicações voadora (…)“
Orientadores:
André Coelho (andre.f.coelho@inesctec.pt)
3. “Desenvolvimento de antena integrada para recetor Bluetooth Low Energy 5.1”
“Neste projeto pretende-se desenvolver uma solução de localização em tempo real para empilhadores que operam em cenários de logística industrial. (…) A solução atual utiliza antenas externas, no entanto, seria muito vantajoso integrar as antenas na própria PCB, simplificando assim a solução.”
Orientadores:
Luís Pessoa (luis.m.pessoa@inesctec.pt)
Nuno Paulino (nuno.m.paulino@inesctec.pt)
4. “Angle-of-Arrival Estimation on FPGA from IQ Samples“
“Este trabalho visa implementar o cálculo do ângulo de chegada de um sinal em hardware, com validação em FPGA, partindo das respetivas amostras IQ.“
Orientadores:
Nuno Paulino (nuno.m.paulino@inesctec.pt)
João Canas Ferreira (joao.c.ferreira@inesctec.pt)
5. “Learning models for lung cancer characterization in CT images“
“In this summer internship, the development of AI-based learning models applied to lung cancer-related tasks will be investigated. This proposal is framed within the “LUCAS: Lung Cancer Screening – A non-invasive methodology for early diagnosis”project.”
Orientadores:
Francisco Silva (francisco.c.silva@inesctec.pt)
Joana Morgado (joana.p.morgado@inesctec.pt)
Tânia Pereira (tania.pereira@inesctec.pt)
Hélder P. Oliveira (helder.f.oliveira@inesctec.pt)
6. “Compression of Deep Learning Models for Minutiae Detection“
“This internship aims to study approaches to implement deep learning models on light architectures having as use case a fingerprint recognition system. It is expected to have the inference of these models into C/C++ programming language.”
Orientadores:
Ana Rebelo (ana.m.rebelo@inesctec.pt)
Eduardo Meca Castro (emcastro@inesctec.pt)
7. “Fingerprint Indexing Based on Minutia Cylinder-Code“
“This internship aims to implement a fingerprint indexing technique based on the Minutia Cylinder-Code representation, and to create a web application for an automatic finger print identification system.”
Orientadores:
Ana Rebelo (ana.m.rebelo@inesctec.pt)
Eduardo Meca Castro (emcastro@inesctec.pt)
8. “Reconhecimento de hotéis para combater a exploração infantil e o tráfico de pessoas“
“O objetivo deste projeto é estudar metodologias de Deep Learning com o objetivo de treinar um classificador para identificar a que hotel pertence uma dada imagem.”
Orientadores:
Leonardo Gomes Capozzi (leonardo.g.capozzi@inesctec.pt)
Ana Rebelo (ana.m.rebelo@inesctec.pt)
9. “Real-Time Driver Drowsiness Recognition System“
“Este plano de trabalhos contempla a Implementação de algoritmos (Python) para reconhecimento automático de sonolência baseada em imagem/vídeo de face, e o desenvolvimento de um demonstrador web para reconhecimento em real-time.”
Orientadores:
Ana Rebelo (ana.m.rebelo@inesctec.pt)
Ana F. Sequeira (ana.f.sequeira@inesctec.pt)
João R. Pinto (joao.t.pinto@inesctec.pt)
10. “Classification of Cervical Cancer Risk using Deep Learning“
“The main goal of this work is to design and implement new classificationmodels to assess cervical cancer risk using cytology images.”
Orientadores:
Tomé Albuquerque (tome.m.albuquerque@inesctec.pt)
Jaime S. Cardoso (jaime.cardoso@inesctec.pt)
11. “xAI for COVID-19 Classification“
“The main goal of this work is to implement a machine/deep learning model to detect COVID-19 in radiography images and to use post-model xAI methods to evaluate the generated explanation.”
Orientadores:
Isabel Rio-Torto (isabel.riotorto@inesctec.pt)
Wilson Silva (wilson.j.silva@inesctec.pt)
Tiago Gonçalves (tiago.f.goncalves@inesctec.pt)
12. “Explainable AI for Computational Pathology: Identify and Explain Disease“
“This internship has the goal to address interpretability/explainability models for classification tasks in computational pathology, providing a quick glance to the topics and a hands-on experience in the use of deep learning techniques.“
Orientadores:
Sara P. Oliveira (sara.i.oliveira@inesctec.pt)
Wilson Silva (wilson.j.silva@inesctec.pt)
13. “XAI4Biometrics – Explainable Artificial Intelligence for Biometrics“
“This internship has the goal to address interpretability/explainability models for classification tasks in computational pathology, providing a quick glance to the topics and a hands-on experience in the use of deep learning techniques.“
Orientadores:
Ana F. Sequeira (ana.f.sequeira@inesctec.pt)
Pedro Neto (pedro.d.carneiro@inesctec.pt)
14. “3D Reconstruction of Pose Estimation“
“In this internship the idea is to use pose estimation algorithms to estimate the pose of humans on a scene, store that information, and reconstruct it ina posterior 3D environment.”
Orientadores:
Américo José Rodrigues Pereira (americo.j.pereira@inestec.pt)
15. “Parametric Human Reconstruction“
“In this internship project, the idea is to research and implement a module that is capable of recreating human avatars in 3D by making use of parametric models.”
Orientadores:
Américo José Rodrigues Pereira (americo.j.pereira@inestec.pt)
16. “Using Computer Vision to Find emotions in Films“
Goals: Explore scene/shot segmentation techniques, explore facial detection and clustering methods, and explore facial expression classification methods.”
Orientadores:
Luís Vilaça (luis.m.salgado@inesctec.pt)
Inês Nunes Teixeira (ines.f.teixeira@inesctec.pt)
Paula Viana (paula.viana@inesctec.pt)
17. “Efficient video-based motion estimation in autonomous vehicles“
The following goals are envisioned for this internship: acquisition of in-vehicle streams, identification and test of tools to extract motion information from the streams, and definition of a strategy to minimize the effect of the vehicle’s motion.”
Orientadores:
João Pinto (joao.t.pinto@inesctec.pt)
Pedro Carvalho (pedro.carvalho@inesctec.pt)
18. “Activity classification using noisy video streams for autonomous vehicles scenarios“
The following goals are envisioned for this internship: acquisition of in-vehicle streams, identification and test of tools to extract motion information from the streams, and integration of motion information in a classification model based on deep neural networks”
Orientadores:
Leonardo Capozzi (leonardo.g.capozzi@inesctec.pt)
Afonso Sousa (afonso.s.sousa@inesctec.pt)