Candidata-te a um dos est\u00e1gios de ver\u00e3o que temos para oferecer!<\/p>\n\n\n\n
Este ano, o CTM oferece-te 23 temas de est\u00e1gio!<\/strong> Os t\u00f3picos cobrem todas as 4 \u00e1reas do centro: Redes Sem Fios<\/a> [WiN]<\/mark>, Tecnologias \u00d3ticas e Eletr\u00f3nicas<\/a> [OET]<\/mark>, Tecnologias de Comunica\u00e7\u00f5es Multim\u00e9dia<\/a> [MCT]<\/mark>, e Computa\u00e7\u00e3o Visual e Intelig\u00eancia Artificial<\/a> [VCMI]<\/mark>.<\/p>\n\n\n\n Consulta os diferentes t\u00f3picos de est\u00e1gio em detalhe, seguindo este link<\/a>. As descri\u00e7\u00f5es contem os objetivos, plano de trabalhos, e orientadores de cada t\u00f3pico. <\/p>\n\n\n\n Escolhe at\u00e9 3 t\u00f3picos <\/strong>que mais despertem o teu interesse e preenche o formul\u00e1rio de candidatura indicando a tua ordem de prefer\u00eancia. Iremos tentar atribuir-te os temas que mais te interessam! <\/p>\n\n\n\n Aqui, podes consultar um resumo dos est\u00e1gios, e o link direto para cada proposta: <\/p>\n\n\n\n 1. <\/mark>Cria\u00e7\u00e3o Autom\u00e1tica de Modelos 3D a Partir de Imagens<\/a>[MCT]<\/mark><\/kbd><\/p>\n\n\n\n \"J\u00e1 quiseste alguma vez voar em torno de um lugar que s\u00f3 podes ver em fotos? Gra\u00e7as \u00e0 recente pesquisa em aprendizagem computacional, podemos criar, por vezes em poucos segundos, bons modelos 3D a partir de uma s\u00e9rie de imagens que mostram um alvo a partir de m\u00faltiplos \u00e2ngulos, prevendo a profundidade da cena. Neste projeto, vamos explorar essas t\u00e9cnicas, treinar modelos do tipo \"neural radiance field\" (NeRF), e comparar o desempenho com diferentes entradas.\"<\/em> 2. <\/mark>Explorar Espa\u00e7os em Realidade Virtual<\/a>[MCT]<\/mark><\/kbd><\/p>\n\n\n\n \"Explorar uma cena 3D em RV pode ser uma \u00f3tima 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 cria\u00e7\u00e3o de conte\u00fado, investigadores recentemente criaram experi\u00eancias de RV envolventes. Neste projeto, vamos criar uma experi\u00eancia de RV similar de um espa\u00e7o de nossa escolha e documentar o fluxo de trabalho e escolhas adotadas.\"<\/em> 3. <\/mark>Transmiss\u00e3o de V\u00eddeo Volum\u00e9trico<\/a>[MCT]<\/mark><\/kbd><\/p>\n\n\n\n \"O v\u00eddeo volum\u00e9trico permite aos usu\u00e1rios ver o conte\u00fado de v\u00eddeo de qualquer posi\u00e7\u00e3o e \u00e2ngulo e tem sido utilizado para tele-presen\u00e7a ao vivo em Realidade Aumentada ou Virtual, para capturar performances ao vivo, ou captura de movimento. Esses v\u00eddeos requerem grandes volumes de dados, e, portanto, criar um sistema de streaming de v\u00eddeo volum\u00e9trico pode ser complexo. Neste projeto, queremos explorar um sistema de ponta a ponta para captura e streaming de v\u00eddeo volum\u00e9trico.\"<\/em><\/p>\n\n\n\n Orientadores: 4. <\/mark>Gera\u00e7\u00e3o de Objetos Sint\u00e9ticos para Imagens Naturais<\/a>[MCT]<\/mark><\/kbd><\/p>\n\n\n\n \"Os conjuntos de dados assumem uma import\u00e2ncia crescente no desenvolvimento de modelos de \"deep learning\" para diversas tarefas, como processamento de dados visuais. A prepara\u00e7\u00e3o de conjuntos de dados para estes modelos \u00e9 demorada e pode ser custosa. Portanto, o uso de dados sint\u00e9ticos \u00e9 um compromisso para superar esses obst\u00e1culos. Pretendemos testar um pequeno conjunto de metodologias para a gera\u00e7\u00e3o de dados sint\u00e9ticos, concentrando-se em pessoas e objetos dentro de ve\u00edculos, que podem ser usados para treinar modelos para esse tipo de situa\u00e7\u00e3o.\"<\/em><\/p>\n\n\n\n Orientadores: 5. <\/mark>Segmenta\u00e7\u00e3o de Imagem para Pecu\u00e1ria de Precis\u00e3o<\/a>[MCT]<\/mark><\/kbd><\/p>\n\n\n\n \"Assim como em outras \u00e1reas, a cria\u00e7\u00e3o de animais tem adotado cada vez mais solu\u00e7\u00f5es tecnol\u00f3gicas para aumentar a efici\u00eancia dos processos, mas as caracter\u00edsticas inerentes do cen\u00e1rio apresentam alguns desafios. Por exemplo, os objetos s\u00e3o animais vivos e os produtores mostram certa resist\u00eancia \u00e0 nova tecnologia. Assim, o uso de imagens tem despertado interesse crescente como abordagem n\u00e3o invasiva, mas ainda apresenta dificuldades, especialmente em cen\u00e1rios n\u00e3o controlados. Pretendemos explorar um pequeno conjunto de metodologias de processamento de imagem para segmentar animais em ambientes n\u00e3o controlados.\"<\/em> 6. <\/mark>Caracteriza\u00e7\u00e3o Experimental de uma \u201cSmart Antenna\u201d a 3 GHz<\/a>[OET]<\/mark><\/kbd><\/p>\n\n\n\n \"Antenas inteligentes podem reconfigurar eletronicamente os padr\u00f5es de radia\u00e7\u00e3o para formar o m\u00e1ximo de radia\u00e7\u00e3o em uma dire\u00e7\u00e3o desejada. Reflectarrays s\u00e3o uma boa solu\u00e7\u00e3o para uma antena inteligente de baixo custo, pois utilizam alimenta\u00e7\u00e3o espacial em vez de redes de alimenta\u00e7\u00e3o tradicionais. Esse tipo de antena consiste em um conjunto plano de elementos. Cada elemento \u00e9 projetado para incorporar uma fase refletida em particular quando a onda incidente o ilumina, a fim de moldar o feixe em uma dire\u00e7\u00e3o desejada. Neste trabalho, caracterizaremos um reflectarray de 2 bits de 20x20 a 3 GHz.\"<\/em><\/p>\n\n\n\n Orientadores: 7. <\/mark>Fechadura Inteligente com Reconhecimento Facial em RISC-V<\/a>[OET]<\/mark><\/kbd><\/p>\n\n\n\n \"Este projeto ir\u00e1 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 aplica\u00e7\u00f5es de IoT. O reconhecimento facial adiciona uma camada extra de seguran\u00e7a. O ESP32-CAM \u00e9 baseado em RISC-V, uma arquitetura de instru\u00e7\u00f5es (ISA) aberta, que \u00e9 cada vez mais relevante devido \u00e0 sua simplicidade, flexibilidade e escalabilidade. \u00c9 altamente personaliz\u00e1vel para se adaptar a aplica\u00e7\u00f5es espec\u00edficas. Este projeto permitir\u00e1 explorar a interse\u00e7\u00e3o de hardware e software e como a integra\u00e7\u00e3o de ambos pode levar a solu\u00e7\u00f5es inovadoras.\"<\/em>“ 8. <\/mark>Implementa\u00e7\u00e3o de uma Mem\u00f3ria Anal\u00f3gica com Componentes Discretos<\/a>[OET]<\/mark><\/kbd><\/p>\n\n\n\n As redes neuronais artificiais s\u00e3o cada vez mais utilizadas para resolver diversos problemas, desde um simples aproxima\u00e7\u00f5es de fun\u00e7\u00f5es, at\u00e9 dete\u00e7\u00e3o de objetos em tempo real, ou condu\u00e7\u00e3o aut\u00f3noma. \u00c0 medida que o software evolui para atingir os requisitos, o hardware tamb\u00e9m deve melhorar, permitindo tempos de treino e infer\u00eancia mais r\u00e1pidos. Dada essa necessidade, novos paradigmas de computa\u00e7\u00e3o t\u00eam sido explorados, como o uso de mem\u00f3rias anal\u00f3gicas\/digitais locais ou memristors para aumentar a efici\u00eancia do sistema. Esta proposta visa o projeto e implementa\u00e7\u00e3o de uma mem\u00f3ria anal\u00f3gica em uma placa de circuito impresso, utilizando componentes discretos.<\/em> 9. <\/mark>Controlo Digital Multi-Bit de Arrays de Antenas Planares<\/a>[OET]<\/mark><\/kbd><\/p>\n\n\n\n “As matrizes de antenas s\u00e3o dispositivos com mais do que uma antena, cada uma chamada \"elemento\". Um tipo de matriz \u00e9 a matriz planar, onde os elementos s\u00e3o organizados numa superf\u00edcie plana. Controlando cada elemento, \u00e9 poss\u00edvel definir a dire\u00e7\u00e3o de radia\u00e7\u00e3o, o que \u00e9 promissor para futuras aplica\u00e7\u00f5es de RF. O controlo do elemento \u00e9 feito com um conjunto de d\u00edodos, ou seja, um conjunto de N bits. Mais bits significa melhor controlo, mas tamb\u00e9m mais tempo para realizar os c\u00e1lculos complexos necess\u00e1rios. Para matrizes grandes (20x20), isto afeta a rapidez com que a dire\u00e7\u00e3o pode ser alterada. Este trabalho ir\u00e1 implementar um controlo multi-bit, melhorando o controlo j\u00e1 existente de 1 bit.<\/em>“ 10. <\/mark>An\u00e1lise do desempenho de uma antena UHF-RFID<\/a>[OET]<\/mark><\/kbd><\/p>\n\n\n\n “Em aplica\u00e7\u00f5es de near-field, a dete\u00e7\u00e3o de etiquetas RFID deve ser limitada dentro de um\nvolume confinado, pr\u00f3ximo \u00e0 superf\u00edcie da antena. Torna-se, portanto, necess\u00e1rio um\ndesign 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 peri\u00f3dicas de metal. Este trabalho ir\u00e1 caracterizar a antena experimentalmente. Nomeadamente,\nrealizar uma an\u00e1lise da dete\u00e7\u00e3o das etiquetas variando a sua dist\u00e2ncia e posi\u00e7\u00e3o em\nrela\u00e7\u00e3o \u00e0 superf\u00edcie da antena. <\/em> 11. <\/mark>Microscopic Image Analysis for Urine Biomarker Characterization<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \"O cancro da mama tem um risco de recorr\u00eancia at\u00e9 70%, o mais elevado de todos os tipos de cancro, resultando tamb\u00e9m no maior gasto para os sistemas de sa\u00fade. O m\u00e9todo atual de cuidado consiste em cistoscopia e citologia invasivas regulares, que requerem visitas hospitalares. Um estudo revelou que 63% das citologias resultaram em diagn\u00f3sticos indeterminados. Um procedimento n\u00e3o invasivo com sensibilidade e especificidade compar\u00e1veis ou melhores ajudaria no acompanhamento dos pacientes. Este trabalho ir\u00e1 desenvolver um algoritmo de vis\u00e3o computacional para an\u00e1lise de imagem microsc\u00f3pica para caracteriza\u00e7\u00e3o de biomarcadores na urina e validar o algoritmo com dados de refer\u00eancia.\"<\/em><\/p>\n\n\n\n Orientadores: 12. <\/mark>Generative Adversarial Networks for 3D Medical Data<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \u201cO cancro da mama \u00e9 o cancro com maior incid\u00eancia 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 s\u00e3o clinicamente impalp\u00e1veis. Estes exigem procedimentos invasivos de localiza\u00e7\u00e3o menos precisos para uma abordagem terap\u00eautica conservadora. Para ter sucesso, um problema cient\u00edfico deve primeiro ser resolvido: como \u00e9 que a mama, um \u00f3rg\u00e3o altamente deform\u00e1vel, muda de forma quando um paciente est\u00e1 em diferentes posi\u00e7\u00f5es enquanto, e quando s\u00e3o usados diferentes m\u00e9todos de imagem m\u00e9dica? Pretendemos desenvolver uma abordagem h\u00edbrida \"f\u00edsica\/in silico\" de aprendizagem computacional para gerar dados artificiais com base em modelos gerativos e validar o algoritmo com dados reais.\u201d <\/em> 13. <\/mark>Transformers para Previs\u00e3o de Series\nTemporais<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \"A previs\u00e3o de s\u00e9ries temporais com transformadores refere-se ao uso de redes neurais baseadas em transformadores para prever valores futuros de s\u00e9ries temporais. Os transformadores lidam eficazmente com dados sequenciais, capturando depend\u00eancias de longo prazo nos dados, o que \u00e9 importante para uma previs\u00e3o precisa. Eles s\u00e3o particularmente bem-sucedidos em tarefas de Processamento de Linguagem Natural, como tradu\u00e7\u00e3o e gera\u00e7\u00e3o de texto. Este trabalho ir\u00e1 utilizar o Transformer-XL e outras varia\u00e7\u00f5es, empregando a t\u00e9cnica de \"codifica\u00e7\u00e3o posicional relativa\" para lidar com depend\u00eancias de longo prazo nos dados de forma eficaz, e comparar com outras arquiteturas.\"<\/em> 14. <\/mark>Mixed Supervised Learning for Colorectal Cancer Segmentation<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \u201cA segmenta\u00e7\u00e3o manual de tecidos a partir de imagens gigapixel de l\u00e2minas coradas com Hematoxilina e Eosina (H&E) requer conhecimento especializado e \u00e9 muito demorada. Isso limita os conjuntos de dados dispon\u00edveis para abordagens de redes neurais neste dom\u00ednio. V\u00e1rios trabalhos abordam essa restri\u00e7\u00e3o recorrendo \u00e0 aprendizagem auto-supervisionada e semi-supervisionada. A aprendizagem auto-supervisionada seguida de ajustes supervisionados \u00e9 baseada em \"transfer learning\", uma estrat\u00e9gia amplamente utilizada em vis\u00e3o computacional. Este trabalho prop\u00f5e um paradigma de aprendizagem semi-supervisionada para aprender eficientemente uma tarefa de segmenta\u00e7\u00e3o destas imagens.\u201d<\/em> 15. <\/mark>Deep Learning Models for Glioma Characterization using Genomic Data<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \"Glioblastoma (GBM) tem uma das taxas de sobreviv\u00eancia mais baixa a 5 anos entre todos os tipos de cancro. Embora tenham sido realizados estudos gen\u00f3micos sobre a doen\u00e7a, as altera\u00e7\u00f5es nas regi\u00f5es regulat\u00f3rias n\u00e3o codificantes do GBM permanecem em grande parte inexploradas. Neste projeto, o objetivo ser\u00e1 utilizar modelos de intelig\u00eancia artificial e conjuntos de dados p\u00fablicos para melhorar as previs\u00f5es e a caracteriza\u00e7\u00e3o dos tumores. O principal objetivo ser\u00e1 o desenvolvimento de um modelo de \"deep learning\" para prever a sobreviv\u00eancia do paciente, e validar o algoritmo com dados verdadeiros.<\/em>“ 16. <\/mark>Deep Detection of Glioma Biomarkers using MRI and WSI<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \"Os gliomas difusos do tipo-adulto s\u00e3o os tumores malignos mais frequentes do sistema nervoso central. O diagn\u00f3stico atual para detetar esses gliomas inclui imagem por resson\u00e2ncia magn\u00e9tica (MRI), e aquisi\u00e7\u00e3o de tecido. Em seguida, \u00e9 feita uma bi\u00f3psia que \u00e9 regularmente avaliada por an\u00e1lise molecular para diferenciar os gliomas. Resultados recentes de modelos de \"deep learning\" que combinam MRI e exames de patologia digital (WSI) prometem fornecer informa\u00e7\u00f5es complementares sobre o fen\u00f3tipo do tumor e, consequentemente, o gen\u00f3tipo do tumor. Este est\u00e1gio abordar\u00e1 o uso de t\u00e9cnicas de aprendizagem computacional e \"deep learning\" para detectar os dois biomarcadores de glioma mais importantes.\" <\/em> 17. <\/mark>Explainable Artificial Intelligence<\/a>[VCMI]<\/mark><\/kbd><\/p>\n\n\n\n \u201cO conhecimento aprendido pelos sistemas de reconhecimento facial que dependem de modelos de \"deep learning\" n\u00e3o \u00e9 transparente para os humanos. Esses sistemas altamente complexos aprendem correla\u00e7\u00f5es a partir de eventos n\u00e3o causais, e inferem rela\u00e7\u00f5es potencialmente n\u00e3o-causais. Assim, apesar de terem um desempenho extraordin\u00e1rio, podem ser fracos contra ataques ou amostras desconhecidas. Por exemplo, esses sistemas podem ser tendenciosos em rela\u00e7\u00e3o ao g\u00eanero ou outros tipos de preconceitos. Este trabalho usar\u00e1 PyTorch e outras frameworks de machine learning para usar novas informa\u00e7\u00f5es de dom\u00ednio e sem\u00e2ntica, como cor dos olhos e simetria facial, que geralmente s\u00e3o \u00fateis, mas nem sempre s\u00e3o aproveitadas pelos modelos atuais.\u201d<\/em> 18. <\/mark>Metodologia para o Posicionamento Sens\u00edvel a Obst\u00e1culos de uma Plataforma Rob\u00f3tica M\u00f3vel em Redes 6G<\/a>[WiN]<\/mark><\/kbd><\/p>\n\n\n\n “As redes 5G fornecem banda larga m\u00f3vel de alta confiabilidade e baixa lat\u00eancia, para um grande n\u00famero de dispositivos. As futuras redes 6G ir\u00e3o mais al\u00e9m, para permitir conectividade ub\u00edqua enquanto reconfiguram dinamicamente a posi\u00e7\u00e3o das c\u00e9lulas de comunica\u00e7\u00e3o. O principal objetivo deste est\u00e1gio \u00e9 o desenvolvimento de uma framework para a posicionamento de uma c\u00e9lula de comunica\u00e7\u00e3o, transportada por uma plataforma rob\u00f3tica m\u00f3vel, que seja sens\u00edvel a obst\u00e1culos usando informa\u00e7\u00f5es de c\u00e2meras de v\u00eddeo, e uma API para controlar a posi\u00e7\u00e3o da plataforma.<\/em>“<\/em> 19. <\/mark>Algoritmo de Posicionamento Sens\u00edvel a Obst\u00e1culos para um Cen\u00e1rio Simples<\/a>[WiN]<\/mark><\/kbd><\/p>\n\n\n\n \"Durante desastres naturais ou provocados pelo homem, a confiabilidade da infraestrutura de comunica\u00e7\u00e3o \u00e9 crucial. Eventos como inc\u00eandios florestais, terremotos, inunda\u00e7\u00f5es e at\u00e9 ataques cibern\u00e9ticos e terroristas podem deixar as redes indispon\u00edveis. \u00c9 a\u00ed que entram as Redes de Pr\u00f3xima Gera\u00e7\u00e3o (NGN). Esses sistemas inovadores visam superar desafios em cen\u00e1rios dif\u00edceis, inclusive por meio do uso de ve\u00edculos a\u00e9reos n\u00e3o tripulados (UAVs) para fornecer conectividade sem fio sob demanda. No entanto, o sucesso depende muito da Linha de Vis\u00e3o (LoS), que pode ser facilmente bloqueada por obst\u00e1culos. Iremos atacar esse desafio de frente, fornecendo LoS aos utilizadores usando UAVs, e avaliando a conex\u00e3o usando o simulador de rede 3 (ns-3).<\/em>“<\/em> 20. <\/mark>Aprendizagem Online para Otimiza\u00e7\u00e3o de D\u00e9bito Wi-Fi usando Algoritmos de Reinforcement Learning<\/a>[WiN]<\/mark><\/kbd><\/p>\n\n\n\n \u201cNovas vers\u00f5es de Wi-Fi t\u00eam introduzido capacidades que permitem um maior d\u00e9bito. No entanto, \u00e9 cada vez mais complexo desenvolver algoritmos para otimizar os par\u00e2metros da rede. Abordaremos este problema utilizando \"Reinforcement Learning\" (RL) para adaptar inteligentemente a rede. Algoritmos de RL s\u00e3o tipicamente desenvolvidos e avaliados em simula\u00e7\u00f5es simplistas que consideram que a aprendizagem offline \u00e9 suficiente. Neste est\u00e1gio de ver\u00e3o, pretendemos evoluir o algoritmo para uma abordagem online, para aproximar sua aplica\u00e7\u00e3o em um contexto real.\u201d<\/em> 21. <\/mark>Otimiza\u00e7\u00e3o de Liga\u00e7\u00e3o sem Fios IoT Usando Modelos Matlab\/Simulink<\/a>[WiN]<\/mark><\/kbd><\/p>\n\n\n\n \"Ser\u00e3o utilizados modelos do MATLAB e do Simulink para explorar os modelos dispon\u00edveis e exemplos de simula\u00e7\u00e3o para blocos relacionados com a \"Internet-of-Things\" e sistemas de comunica\u00e7\u00e3o wireless. Ser\u00e1 selecionado e analisado um modelo representativo de um link de comunica\u00e7\u00e3o t\u00edpico, com seus principais blocos e funcionalidades identificados. Ser\u00e3o realizadas pesquisas adicionais para derivar poss\u00edveis melhorias de configura\u00e7\u00e3o para o modelo b\u00e1sico. Por fim, a otimiza\u00e7\u00e3o obtida do link sem fio ser\u00e1 avaliada comparando os resultados de simula\u00e7\u00e3o do modelo original com o modelo modificado.\"<\/em> 22. <\/mark>Avalia\u00e7\u00e3o do Desempenho de um Algoritmo de\nComunica\u00e7\u00e3o Multimodal sem Fios Subaqu\u00e1tica<\/a>[WiN]<\/mark><\/kbd><\/p>\n\n\n\n \"The concepto de Economia Azul est\u00e1 relacionado com atividades industriais e comerciais no mar e tem recebido cada vez mais interesse nos \u00faltimos anos, incluindo parques e\u00f3licos offshore, monitoriza\u00e7\u00e3o ambiental e minera\u00e7\u00e3o em \u00e1guas profundas. Operar no oceano requer recursos e log\u00edstica para apoiar miss\u00f5es tripuladas, especialmente debaixo de \u00e1gua, onde as comunica\u00e7\u00f5es de banda larga est\u00e3o limitadas a aplica\u00e7\u00f5es de curto alcance. Duas tecnologias podem ser utilizadas para estes cen\u00e1rios: r\u00e1dio e \u00f3tica. Este tema oferece uma oportunidade \u00fanica para trabalhar em comunica\u00e7\u00f5es subaqu\u00e1ticas multimodais, atrav\u00e9s da realiza\u00e7\u00e3o de experi\u00eancias em um tanque de \u00e1gua doce com modems de r\u00e1dio e ac\u00fasticos de \u00faltima gera\u00e7\u00e3o.\"<\/em>“ 23. <\/mark>Caracteriza\u00e7\u00e3o do Desempenho da Liga\u00e7\u00e3o Starlink<\/a>[WiN]<\/mark><\/kbd><\/p>\n\n\n\n \"Este est\u00e1gio faz parte do projeto OVERWATCH, que aborda o desenvolvimento de uma solu\u00e7\u00e3o de comunica\u00e7\u00f5es de backup para cen\u00e1rios de emerg\u00eancia. Esta solu\u00e7\u00e3o de comunica\u00e7\u00f5es \u00e9 baseada num drone ancorado, composto por componentes a\u00e9reos e terrestres. O componente a\u00e9reo age como um mastro de comunica\u00e7\u00f5es, com altura configur\u00e1vel, com acesso Wi-Fi e uma esta\u00e7\u00e3o base 5G. O componente terrestre inclui o hardware de conex\u00e3o \u00e0 Internet via Sat\u00e9lite de \u00d3rbita Baixa (LEO). Esta liga\u00e7\u00e3o via sat\u00e9lite, baseada no hardware comercial da Starlink, servir\u00e1 como backhaul de acesso \u00e0 Internet para esta solu\u00e7\u00e3o de comunica\u00e7\u00f5es. Como esta tecnologia \u00e9 recente, \u00e9 importante caracterizar o desempenho deste backhaul, para compreender o impacto na qualidade de servi\u00e7o oferecida. O principal objetivo deste trabalho \u00e9 o desenvolvimento de um quadro para a avalia\u00e7\u00e3o peri\u00f3dica do desempenho da rede.\"<\/em> Apply to one of the internship topics we have for you this year! This year, CTM offers you 23 internship topics! The topics cover all the 4 areas of the centre: Wireless Networks [WiN], Optical and Electronic Technologies [OET], Multimedia Communication Technologies [MCT], and Visual Computing & Machine Intelligence [VCMI]. Look up the several internship […]<\/p>","protected":false},"author":7,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":"","gt_page_layout":"","gt_hide_page_title":false,"gt_remove_bottom_margin":false},"_links":{"self":[{"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/pages\/42"}],"collection":[{"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/comments?post=42"}],"version-history":[{"count":82,"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/pages\/42\/revisions"}],"predecessor-version":[{"id":703,"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/pages\/42\/revisions\/703"}],"wp:attachment":[{"href":"https:\/\/csi.inesctec.pt\/pt\/wp-json\/wp\/v2\/media?parent=42"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Orientadores:
Nuno Pereira (nuno.a.pereira@inesctec.pt<\/a>)
Pedro Carvalho (pedro.m.carvalho@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Nuno Pereira (nuno.a.pereira@inesctec.pt<\/a>)
Lu\u00eds Corte Real (luis.corte-real@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Nuno Pereira (nuno.a.pereira@inesctec.pt<\/a>)
Paula Viana (paula.viana@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Pedro Carvalho (pedro.m.carvalho@inesctec.pt<\/a>)
Nuno Pereira (nuno.a.pereira@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Pedro Carvalho (pedro.m.carvalho@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Sofia In\u00e1cio (sofia.i.inacio@inesctec.pt<\/a>)
Lu\u00eds Pessoa (luis.m.pessoa@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Jo\u00e3o C. Ferreira (joao.c.ferreira@inesctec.pt<\/a>)
Nuno Paulino (nuno.m.paulino@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Guilherme Carvalho (guilherme.l.leitao@inesctec.pt<\/a>)
V\u00edtor Grade Tavares (vgt@fe.up.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Nuno Paulino (nuno.m.paulino@inesctec.pt<\/a>)
Lu\u00eds M. Pessoa (luis.m.pessoa@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Sofia In\u00e1cio (sofia.i.inacio@inesctec.pt<\/a>)
Lu\u00eds Pessoa (luis.m.pessoa@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
H\u00e9lder Oliveira (helder.f.oliveira@inesctec.pt<\/a>)
Tania Pereira (tania.pereira@inesctec.pt<\/a>)
Rapha\u00ebl Canadas (rfcanadas@med.up.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
H\u00e9lder Oliveira (helder.f.oliveira@inesctec.pt<\/a>)
Tania Pereira (tania.pereira@inesctec.pt<\/a>)
Tiago Gon\u00e7alves (tiago.f.goncalves@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Hugo S. Oliveira (hugo.oliveira@fc.up.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Jo\u00e3o D. Nunes (joao.d.fernandes@inesctec.pt<\/a>)
Tania Pereira (tania.pereira@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Tania Pereira (tania.pereira@inesctec.pt<\/a>)
H\u00e9lder Oliveira (helder.f.oliveira@inesctec.pt<\/a>)
Jennifer Boer (RMIT Australia)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Tom\u00e9 Albuquerque (tome.m.albuquerque@inesctect.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Ana F. Sequeira (ana.f.sequeira@inesctec.pt<\/a>)
Pedro Neto (pedro.d.carneiro@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Andr\u00e9 Coelho (andre.f.coelho@inesctec.pt<\/a>)
Rui Campos (rui.l.campos@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Kamran Shafafi (kamran.shafafi@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
R\u00faben Queir\u00f3s (ruben.m.queiros@inesctec.pt<\/a>)
H\u00e9lder Fontes (helder.m.fontes@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Nuno Almeida (nalmeida@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Jo\u00e3o P. Loureiro (joao.p.loureiro@inesctec.pt<\/a>)
Filipe B. Teixeira (fbt@inesctec.pt<\/a>)
Rui Campos (rcampos@inesctec.pt<\/a>)<\/p>\n\n\n\n
\n\n\n\n
Orientadores:
Helder Martins Fontes (helder.m.fontes@inesctec.pt<\/a>)
Rui Lopes Campos (rui.l.campos@inesctec.pt<\/a>)<\/p>","protected":false},"excerpt":{"rendered":"