Temas de Estágio

Candidata-te a um dos estágios de verão que temos para oferecer!

Este ano, o CTM oferece-te 23 temas de estágio! Os tópicos cobrem todas as 4 áreas do centro: Redes Sem Fios [WiN], Tecnologias Óticas e Eletrónicas [OET], Tecnologias de Comunicações Multimédia [MCT], e Computação Visual e Inteligência Artificial [VCMI].

Consulta os diferentes tópicos de estágio em detalhe, seguindo este link. As descrições contem os objetivos, plano de trabalhos, e orientadores de cada tópico.

Escolhe até 3 tópicos que mais despertem o teu interesse e preenche o formulário de candidatura indicando a tua ordem de preferência. Iremos tentar atribuir-te os temas que mais te interessam!

Aqui, podes consultar um resumo dos estágios, e o link direto para cada proposta:

1. Criação Automática de Modelos 3D a Partir de Imagens[MCT]

"Já quiseste alguma vez voar em torno de um lugar que só podes ver em fotos? Graças à recente pesquisa em aprendizagem computacional, podemos criar, por vezes em poucos segundos, bons modelos 3D a partir de uma série de imagens que mostram um alvo a partir de múltiplos ângulos, prevendo a profundidade da cena. Neste projeto, vamos explorar essas técnicas, treinar modelos do tipo "neural radiance field" (NeRF), e comparar o desempenho com diferentes entradas."

Orientadores:
Nuno Pereira (nuno.a.pereira@inesctec.pt)
Pedro Carvalho (pedro.m.carvalho@inesctec.pt)

2. Explorar Espaços em Realidade Virtual[MCT]

"Explorar uma cena 3D em RV pode ser uma ótima maneira de descobrir um local do mundo real. No entanto, criar uma cena 3D foto-realista pode ser desafiador. Aproveitando a acessibilidade da Web e melhores fluxos de trabalho e ferramentas para criação de conteúdo, investigadores recentemente criaram experiências de RV envolventes. Neste projeto, vamos criar uma experiência de RV similar de um espaço de nossa escolha e documentar o fluxo de trabalho e escolhas adotadas."

Orientadores:
Nuno Pereira (nuno.a.pereira@inesctec.pt)
Luís Corte Real (luis.corte-real@inesctec.pt)

3. Transmissão de Vídeo Volumétrico[MCT]

"O vídeo volumétrico permite aos usuários ver o conteúdo de vídeo de qualquer posição e ângulo e tem sido utilizado para tele-presença ao vivo em Realidade Aumentada ou Virtual, para capturar performances ao vivo, ou captura de movimento. Esses vídeos requerem grandes volumes de dados, e, portanto, criar um sistema de streaming de vídeo volumétrico pode ser complexo. Neste projeto, queremos explorar um sistema de ponta a ponta para captura e streaming de vídeo volumétrico."

Orientadores:
Nuno Pereira (nuno.a.pereira@inesctec.pt)
Paula Viana (paula.viana@inesctec.pt)

4. Geração de Objetos Sintéticos para Imagens Naturais[MCT]

"Os conjuntos de dados assumem uma importância crescente no desenvolvimento de modelos de "deep learning" para diversas tarefas, como processamento de dados visuais. A preparação de conjuntos de dados para estes modelos é demorada e pode ser custosa. Portanto, o uso de dados sintéticos é um compromisso para superar esses obstáculos. Pretendemos testar um pequeno conjunto de metodologias para a geração de dados sintéticos, concentrando-se em pessoas e objetos dentro de veículos, que podem ser usados para treinar modelos para esse tipo de situação."

Orientadores:
Pedro Carvalho (pedro.m.carvalho@inesctec.pt)
Nuno Pereira (nuno.a.pereira@inesctec.pt)

5. Segmentação de Imagem para Pecuária de Precisão[MCT]

"Assim como em outras áreas, a criação de animais tem adotado cada vez mais soluções tecnológicas para aumentar a eficiência dos processos, mas as características inerentes do cenário apresentam alguns desafios. Por exemplo, os objetos são animais vivos e os produtores mostram certa resistência à nova tecnologia. Assim, o uso de imagens tem despertado interesse crescente como abordagem não invasiva, mas ainda apresenta dificuldades, especialmente em cenários não controlados. Pretendemos explorar um pequeno conjunto de metodologias de processamento de imagem para segmentar animais em ambientes não controlados."

Orientadores:
Pedro Carvalho (pedro.m.carvalho@inesctec.pt)

6. Caracterização Experimental de uma “Smart Antenna” a 3 GHz[OET]

"Antenas inteligentes podem reconfigurar eletronicamente os padrões de radiação para formar o máximo de radiação em uma direção desejada. Reflectarrays são uma boa solução para uma antena inteligente de baixo custo, pois utilizam alimentação espacial em vez de redes de alimentação tradicionais. Esse tipo de antena consiste em um conjunto plano de elementos. Cada elemento é projetado para incorporar uma fase refletida em particular quando a onda incidente o ilumina, a fim de moldar o feixe em uma direção desejada. Neste trabalho, caracterizaremos um reflectarray de 2 bits de 20x20 a 3 GHz."

Orientadores:
Sofia Inácio (sofia.i.inacio@inesctec.pt)
Luís Pessoa (luis.m.pessoa@inesctec.pt)

7. Fechadura Inteligente com Reconhecimento Facial em RISC-V[OET]

"Este projeto irá explorar como construir uma fechadura de porta com reconhecimento facial, usando um chip ESP32-CAM. Este chip combina um microcontrolador e capacidades Wi-Fi, tornando-o ideal para aplicações de IoT. O reconhecimento facial adiciona uma camada extra de segurança. O ESP32-CAM é baseado em RISC-V, uma arquitetura de instruções (ISA) aberta, que é cada vez mais relevante devido à sua simplicidade, flexibilidade e escalabilidade. É altamente personalizável para se adaptar a aplicações específicas. Este projeto permitirá explorar a interseção de hardware e software e como a integração de ambos pode levar a soluções inovadoras."“

Orientadores:
João C. Ferreira (joao.c.ferreira@inesctec.pt)
Nuno Paulino (nuno.m.paulino@inesctec.pt)

8. Implementação de uma Memória Analógica com Componentes Discretos[OET]

As redes neuronais artificiais são cada vez mais utilizadas para resolver diversos problemas, desde um simples aproximações de funções, até deteção de objetos em tempo real, ou condução autónoma. À medida que o software evolui para atingir os requisitos, o hardware também deve melhorar, permitindo tempos de treino e inferência mais rápidos. Dada essa necessidade, novos paradigmas de computação têm sido explorados, como o uso de memórias analógicas/digitais locais ou memristors para aumentar a eficiência do sistema. Esta proposta visa o projeto e implementação de uma memória analógica em uma placa de circuito impresso, utilizando componentes discretos.

Orientadores:
Guilherme Carvalho (guilherme.l.leitao@inesctec.pt)
Vítor Grade Tavares (vgt@fe.up.pt)

9. Controlo Digital Multi-Bit de Arrays de Antenas Planares[OET]

“As matrizes de antenas são dispositivos com mais do que uma antena, cada uma chamada "elemento". Um tipo de matriz é a matriz planar, onde os elementos são organizados numa superfície plana. Controlando cada elemento, é possível definir a direção de radiação, o que é promissor para futuras aplicações de RF. O controlo do elemento é feito com um conjunto de díodos, ou seja, um conjunto de N bits. Mais bits significa melhor controlo, mas também mais tempo para realizar os cálculos complexos necessários. Para matrizes grandes (20x20), isto afeta a rapidez com que a direção pode ser alterada. Este trabalho irá implementar um controlo multi-bit, melhorando o controlo já existente de 1 bit.“

Orientadores:
Nuno Paulino (nuno.m.paulino@inesctec.pt)
Luís M. Pessoa (luis.m.pessoa@inesctec.pt)

10. Análise do desempenho de uma antena UHF-RFID[OET]

“Em aplicações de near-field, a deteção de etiquetas RFID deve ser limitada dentro de um volume confinado, próximo à superfície da antena. Torna-se, portanto, necessário um design de antena adequado. Com base num design comercial existente de uma antena UHF-RFID, foi desenhada, simulada, e fabricada um nova antena. A estrutura consiste numa linha microstrip, em circuito aberto ou em curto-circuito, acoplada a tiras planas periódicas de metal. Este trabalho irá caracterizar a antena experimentalmente. Nomeadamente, realizar uma análise da deteção das etiquetas variando a sua distância e posição em relação à superfície da antena.

Orientadores:
Sofia Inácio (sofia.i.inacio@inesctec.pt)
Luís Pessoa (luis.m.pessoa@inesctec.pt)

11. Microscopic Image Analysis for Urine Biomarker Characterization[VCMI]

"O cancro da mama tem um risco de recorrência até 70%, o mais elevado de todos os tipos de cancro, resultando também no maior gasto para os sistemas de saúde. O método atual de cuidado consiste em cistoscopia e citologia invasivas regulares, que requerem visitas hospitalares. Um estudo revelou que 63% das citologias resultaram em diagnósticos indeterminados. Um procedimento não invasivo com sensibilidade e especificidade comparáveis ou melhores ajudaria no acompanhamento dos pacientes. Este trabalho irá desenvolver um algoritmo de visão computacional para análise de imagem microscópica para caracterização de biomarcadores na urina e validar o algoritmo com dados de referência."

Orientadores:
Hélder Oliveira (helder.f.oliveira@inesctec.pt)
Tania Pereira (tania.pereira@inesctec.pt)
Raphaël Canadas (rfcanadas@med.up.pt)

12. Generative Adversarial Networks for 3D Medical Data[VCMI]

“O cancro da mama é o cancro com maior incidência em todo o mundo e uma das principais causas de mortalidade por cancro. O tratamento atual envolve cirurgia combinada com radioterapia. No entanto, 2/3 dos tumores da mama detetados precocemente são clinicamente impalpáveis. Estes exigem procedimentos invasivos de localização menos precisos para uma abordagem terapêutica conservadora. Para ter sucesso, um problema científico deve primeiro ser resolvido: como é que a mama, um órgão altamente deformável, muda de forma quando um paciente está em diferentes posições enquanto, e quando são usados diferentes métodos de imagem médica? Pretendemos desenvolver uma abordagem híbrida "física/in silico" de aprendizagem computacional para gerar dados artificiais com base em modelos gerativos e validar o algoritmo com dados reais.”

Orientadores:
Hélder Oliveira (helder.f.oliveira@inesctec.pt)
Tania Pereira (tania.pereira@inesctec.pt)
Tiago Gonçalves (tiago.f.goncalves@inesctec.pt)

13. Transformers para Previsão de Series Temporais[VCMI]

"A previsão de séries temporais com transformadores refere-se ao uso de redes neurais baseadas em transformadores para prever valores futuros de séries temporais. Os transformadores lidam eficazmente com dados sequenciais, capturando dependências de longo prazo nos dados, o que é importante para uma previsão precisa. Eles são particularmente bem-sucedidos em tarefas de Processamento de Linguagem Natural, como tradução e geração de texto. Este trabalho irá utilizar o Transformer-XL e outras variações, empregando a técnica de "codificação posicional relativa" para lidar com dependências de longo prazo nos dados de forma eficaz, e comparar com outras arquiteturas."

Orientadores:
Hugo S. Oliveira (hugo.oliveira@fc.up.pt)

14. Mixed Supervised Learning for Colorectal Cancer Segmentation[VCMI]

“A segmentação manual de tecidos a partir de imagens gigapixel de lâminas coradas com Hematoxilina e Eosina (H&E) requer conhecimento especializado e é muito demorada. Isso limita os conjuntos de dados disponíveis para abordagens de redes neurais neste domínio. Vários trabalhos abordam essa restrição recorrendo à aprendizagem auto-supervisionada e semi-supervisionada. A aprendizagem auto-supervisionada seguida de ajustes supervisionados é baseada em "transfer learning", uma estratégia amplamente utilizada em visão computacional. Este trabalho propõe um paradigma de aprendizagem semi-supervisionada para aprender eficientemente uma tarefa de segmentação destas imagens.”

Orientadores:
João D. Nunes (joao.d.fernandes@inesctec.pt)
Tania Pereira (tania.pereira@inesctec.pt)

15. Deep Learning Models for Glioma Characterization using Genomic Data[VCMI]

"Glioblastoma (GBM) tem uma das taxas de sobrevivência mais baixa a 5 anos entre todos os tipos de cancro. Embora tenham sido realizados estudos genómicos sobre a doença, as alterações nas regiões regulatórias não codificantes do GBM permanecem em grande parte inexploradas. Neste projeto, o objetivo será utilizar modelos de inteligência artificial e conjuntos de dados públicos para melhorar as previsões e a caracterização dos tumores. O principal objetivo será o desenvolvimento de um modelo de "deep learning" para prever a sobrevivência do paciente, e validar o algoritmo com dados verdadeiros.“

Orientadores:
Tania Pereira (tania.pereira@inesctec.pt)
Hélder Oliveira (helder.f.oliveira@inesctec.pt)
Jennifer Boer (RMIT Australia)

16. Deep Detection of Glioma Biomarkers using MRI and WSI[VCMI]

"Os gliomas difusos do tipo-adulto são os tumores malignos mais frequentes do sistema nervoso central. O diagnóstico atual para detetar esses gliomas inclui imagem por ressonância magnética (MRI), e aquisição de tecido. Em seguida, é feita uma biópsia que é regularmente avaliada por análise molecular para diferenciar os gliomas. Resultados recentes de modelos de "deep learning" que combinam MRI e exames de patologia digital (WSI) prometem fornecer informações complementares sobre o fenótipo do tumor e, consequentemente, o genótipo do tumor. Este estágio abordará o uso de técnicas de aprendizagem computacional e "deep learning" para detectar os dois biomarcadores de glioma mais importantes."

Orientadores:
Tomé Albuquerque (tome.m.albuquerque@inesctect.pt)

17. Explainable Artificial Intelligence[VCMI]

“O conhecimento aprendido pelos sistemas de reconhecimento facial que dependem de modelos de "deep learning" não é transparente para os humanos. Esses sistemas altamente complexos aprendem correlações a partir de eventos não causais, e inferem relações potencialmente não-causais. Assim, apesar de terem um desempenho extraordinário, podem ser fracos contra ataques ou amostras desconhecidas. Por exemplo, esses sistemas podem ser tendenciosos em relação ao gênero ou outros tipos de preconceitos. Este trabalho usará PyTorch e outras frameworks de machine learning para usar novas informações de domínio e semântica, como cor dos olhos e simetria facial, que geralmente são úteis, mas nem sempre são aproveitadas pelos modelos atuais.”

Orientadores:
Ana F. Sequeira (ana.f.sequeira@inesctec.pt)
Pedro Neto (pedro.d.carneiro@inesctec.pt)

18. Metodologia para o Posicionamento Sensível a Obstáculos de uma Plataforma Robótica Móvel em Redes 6G[WiN]

“As redes 5G fornecem banda larga móvel de alta confiabilidade e baixa latência, para um grande número de dispositivos. As futuras redes 6G irão mais além, para permitir conectividade ubíqua enquanto reconfiguram dinamicamente a posição das células de comunicação. O principal objetivo deste estágio é o desenvolvimento de uma framework para a posicionamento de uma célula de comunicação, transportada por uma plataforma robótica móvel, que seja sensível a obstáculos usando informações de câmeras de vídeo, e uma API para controlar a posição da plataforma.“

Orientadores:
André Coelho (andre.f.coelho@inesctec.pt)
Rui Campos (rui.l.campos@inesctec.pt)

19. Algoritmo de Posicionamento Sensível a Obstáculos para um Cenário Simples[WiN]

"Durante desastres naturais ou provocados pelo homem, a confiabilidade da infraestrutura de comunicação é crucial. Eventos como incêndios florestais, terremotos, inundações e até ataques cibernéticos e terroristas podem deixar as redes indisponíveis. É aí que entram as Redes de Próxima Geração (NGN). Esses sistemas inovadores visam superar desafios em cenários difíceis, inclusive por meio do uso de veículos aéreos não tripulados (UAVs) para fornecer conectividade sem fio sob demanda. No entanto, o sucesso depende muito da Linha de Visão (LoS), que pode ser facilmente bloqueada por obstáculos. Iremos atacar esse desafio de frente, fornecendo LoS aos utilizadores usando UAVs, e avaliando a conexão usando o simulador de rede 3 (ns-3).“

Orientadores:
Kamran Shafafi (kamran.shafafi@inesctec.pt)

20. Aprendizagem Online para Otimização de Débito Wi-Fi usando Algoritmos de Reinforcement Learning[WiN]

“Novas versões de Wi-Fi têm introduzido capacidades que permitem um maior débito. No entanto, é cada vez mais complexo desenvolver algoritmos para otimizar os parâmetros da rede. Abordaremos este problema utilizando "Reinforcement Learning" (RL) para adaptar inteligentemente a rede. Algoritmos de RL são tipicamente desenvolvidos e avaliados em simulações simplistas que consideram que a aprendizagem offline é suficiente. Neste estágio de verão, pretendemos evoluir o algoritmo para uma abordagem online, para aproximar sua aplicação em um contexto real.”

Orientadores:
Rúben Queirós (ruben.m.queiros@inesctec.pt)
Hélder Fontes (helder.m.fontes@inesctec.pt)

21. Otimização de Ligação sem Fios IoT Usando Modelos Matlab/Simulink[WiN]

"Serão utilizados modelos do MATLAB e do Simulink para explorar os modelos disponíveis e exemplos de simulação para blocos relacionados com a "Internet-of-Things" e sistemas de comunicação wireless. Será selecionado e analisado um modelo representativo de um link de comunicação típico, com seus principais blocos e funcionalidades identificados. Serão realizadas pesquisas adicionais para derivar possíveis melhorias de configuração para o modelo básico. Por fim, a otimização obtida do link sem fio será avaliada comparando os resultados de simulação do modelo original com o modelo modificado."

Orientadores:
Nuno Almeida (nalmeida@inesctec.pt)

22. Avaliação do Desempenho de um Algoritmo de Comunicação Multimodal sem Fios Subaquática[WiN]

"The concepto de Economia Azul está relacionado com atividades industriais e comerciais no mar e tem recebido cada vez mais interesse nos últimos anos, incluindo parques eólicos offshore, monitorização ambiental e mineração em águas profundas. Operar no oceano requer recursos e logística para apoiar missões tripuladas, especialmente debaixo de água, onde as comunicações de banda larga estão limitadas a aplicações de curto alcance. Duas tecnologias podem ser utilizadas para estes cenários: rádio e ótica. Este tema oferece uma oportunidade única para trabalhar em comunicações subaquáticas multimodais, através da realização de experiências em um tanque de água doce com modems de rádio e acústicos de última geração."“

Orientadores:
João P. Loureiro (joao.p.loureiro@inesctec.pt)
Filipe B. Teixeira (fbt@inesctec.pt)
Rui Campos (rcampos@inesctec.pt)

23. Caracterização do Desempenho da Ligação Starlink[WiN]

"Este estágio faz parte do projeto OVERWATCH, que aborda o desenvolvimento de uma solução de comunicações de backup para cenários de emergência. Esta solução de comunicações é baseada num drone ancorado, composto por componentes aéreos e terrestres. O componente aéreo age como um mastro de comunicações, com altura configurável, com acesso Wi-Fi e uma estação base 5G. O componente terrestre inclui o hardware de conexão à Internet via Satélite de Órbita Baixa (LEO). Esta ligação via satélite, baseada no hardware comercial da Starlink, servirá como backhaul de acesso à Internet para esta solução de comunicações. Como esta tecnologia é recente, é importante caracterizar o desempenho deste backhaul, para compreender o impacto na qualidade de serviço oferecida. O principal objetivo deste trabalho é o desenvolvimento de um quadro para a avaliação periódica do desempenho da rede."

Orientadores:
Helder Martins Fontes (helder.m.fontes@inesctec.pt)
Rui Lopes Campos (rui.l.campos@inesctec.pt)