<div dir="ltr"><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Reenvío información sobre beca de doctorado en el área de Deep Learning en procesamiento de imágenes.</div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Saludos,</div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif"> Diego</div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif"><br></div><div class="gmail_quote">---------- Mensaje reenviado ----------<br>De: <b class="gmail_sendername">Mauricio Delbracio</b> <span dir="ltr"><<a href="mailto:mdelbra@fing.edu.uy">mdelbra@fing.edu.uy</a>></span><br>Fecha: 16 de enero de 2018, 11:03<br>Asunto: Oferta de doctorado en el área de aprendizaje profundo<br>Para: Paola Bermolen <<a href="mailto:paola@fing.edu.uy">paola@fing.edu.uy</a>>, lorena etcheverry <<a href="mailto:lorenae@fing.edu.uy">lorenae@fing.edu.uy</a>>, Ernesto Mordecki <<a href="mailto:mordecki@cmat.edu.uy">mordecki@cmat.edu.uy</a>>, Diego Garat <<a href="mailto:dgarat@fing.edu.uy">dgarat@fing.edu.uy</a>>, Guillermo Moncecchi <<a href="mailto:gmonce@fing.edu.uy">gmonce@fing.edu.uy</a>>, Diego Armentano <<a href="mailto:diego@cmat.edu.uy">diego@cmat.edu.uy</a>>, Marcelo Fiori - IIE - IMERL <<a href="mailto:mfiori@fing.edu.uy">mfiori@fing.edu.uy</a>>, Santiago Castro - InCo <<a href="mailto:sacastro@fing.edu.uy">sacastro@fing.edu.uy</a>>, Matias Di Martino <<a href="mailto:matiasdm@fing.edu.uy">matiasdm@fing.edu.uy</a>><br><br><br>Rogamos dar difusión entre potenciales interesados.<br>
<br>
Estamos buscando estudiantes de Doctorado para trabajar en el área de<br>
Deep Learning en procesamiento de imágenes. Contamos con una beca de<br>
Doctorado de la ANII para un buen candidato.<br>
<br>
*Requerimientos:* Formación en ciencias de la computación y/o matemática<br>
aplicada (egresados de ingeniería eléctrica, ingeniería en<br>
computación, licenciatura en matemática). Se valorará conocimientos en<br>
aprendizaje automático, análisis de datos, procesamiento de señales.<br>
<br>
Abajo más información.<br>
<br>
Interesados contactarse a: <a href="mailto:mdelbra@fing.edu.uy">mdelbra@fing.edu.uy</a> o <a href="mailto:pmuse@fing.edu.uy">pmuse@fing.edu.uy</a><br>
<br>
Saludos,<br>
<br>
Mauricio Delbracio<br>
Pablo Musé<br>
<br>
<br>
**Aprendizaje Profundo para la restauración eficiente de imágenes y videos**<br>
<br>
La popularización de los dispositivos de captura de imágenes digitales<br>
ha llevado a que millones de imágenes sean adquiridas y compartidas<br>
continua e instantáneamente. Aunque su calidad ha mejorado<br>
significativamente, persisten problemas fundamentales como el ruido,<br>
la resolución limitada o la borrosidad  por movimiento de la cámara<br>
durante capturas en baja luz. El mejoramiento de imágenes tiene<br>
implicancias prácticas en áreas vinculadas al desarrollo productivo,<br>
la seguridad, la investigación científica, además del posible fin<br>
comercial en sí mismo.<br>
<br>
Recientemente ha surgido un nuevo paradigma de restauración de<br>
imágenes en base a técnicas de aprendizaje automático profundo,<br>
impulsado por el gran volumen de datos existentes. Si bien los<br>
resultados son en general de muy buena calidad, su desempeño es muy<br>
variable y dependiente de cada caso. Esto se explica en cierta medida<br>
por no incorporar un modelo de formación de imagen, y aprender<br>
directamente una transformación no lineal entre una entrada de baja<br>
calidad y una salida de alta calidad, basándose en un enorme número de<br>
ejemplos. Esto requiere ajustar un muy elevado número de parámetros<br>
trayendo aparejado tiempos de entrenamiento muy extensos.<br>
<br>
Este proyecto busca integrar modelos físico-matemáticos de formación<br>
de imagen en el marco del aprendizaje profundo. Esta integración ha<br>
sido poco explorada a pesar de tener potencialmente dos beneficios<br>
significativos: mayor eficiencia vinculada a la reducción de la<br>
complejidad computacional y mayor robustez debido a las restricciones<br>
físicas impuestas por los modelos; un entendimiento más profundo del<br>
problema en términos del modelado matemático.<br>
<br>
Estos conceptos se verán concretados en el diseño, implementación y<br>
validación de técnicas novedosas que permitan corregir la borrosidad y<br>
aumentar la resolución en imágenes y videos digitales. Se buscará que<br>
las mismas sean robustas a diferentes condiciones de adquisición, y<br>
maximicen la calidad de la restauración asegurando la eficiencia en la<br>
utilización de recursos.<br>
<br>
Acá pueden ver una lista de artículos relacionados a la temática del doctorado:<br>
<br>
<a href="https://github.com/mdelbra/deep-imaging" rel="noreferrer" target="_blank">https://github.com/mdelbra/<wbr>deep-imaging</a><br>
</div><br><br clear="all"><div><br></div>-- <br><div class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><span>Diego Armentano<br><a href="mailto:diegoax@gmail.com" target="_blank">diego@cmat.edu.uy</a><br><a href="http://www.cmat.edu.uy/%7Ediego/" target="_blank">http://www.cmat.edu.uy/~diego/</a><br>2 525 25 22 (109)</span></div></div>
</div>