Doktorand i tillämpad matematik med fokus på datorseende och spatiell AI

Lunds universitet grundades 1666 och rankas återkommande som ett av världens främsta lärosäten. Här finns omkring 46 000 studenter och 8 500 medarbetare i Lund, Helsingborg och Malmö. Vi förenas i vår strävan att förstå, förklara och förbättra vår värld och människors villkor.

Beskrivning av verksamheten

Tjänsten är placerad på avdelningen för datorseende och maskininlärning (CVML) vid Matematikcentrum. Matematikcentrum är en institution som till-hör både den tekniska fakulteten (LTH) och den naturvetenskapliga fakulteten vid Lunds Universitet.

Inom avdelningen för datorseende och maskininlärning finns flera disputerade forskare samt cirka 20 doktorander. Forskning inom datorseende började på mitten av 1980-talet och omfattar för närvarande (i) geometri och datorseende (inklusive analys av video, ljud, radio och radarsignaler), (ii) medicinsk bildanalys samt (iii) maskininlärning och artificiell intelligens. Gruppen har omfattande erfarenhet av grund- och tillämpad forskning inom datorseende, maskin-inlärning och artificiell intelligens, samt en historia av att omsätta sådana resultat till praktiska tillämpningar för slutanvändare.

Att vara doktorand

Som doktorand är du både antagen som student och anställd vid Lunds universitet.

Som forskarstuderande tränas du i ett vetenskapligt förhållningssätt. Det kan kort beskrivas som att du får övning i att tänka kritiskt och analytiskt, att du får lösa problem självständigt med hjälp av rätt metodval och du får en forskningsetisk medvetenhet. Dessutom ges möjlighet för dig som doktorand att arbeta med projekt, att utveckla dina ledaregenskaper och din pedagogiska förmåga. Under hela din studietid guidas du av handledare. Forskarstudierna avslutas med en avhandling och doktorsexamen.

Mer om att vara doktorand vid LTH på lth.se.

Ämnes- och projektbeskrivning

Forskningsområdet för denna tjänst är datorseende och maskininlärning, med fokus på nya end-to-end-maskininlärningsmetoder och grundläggande metoder lämpade för structure-from-motion-forskning med hjälp av ljud. Forskningsämnet är matematik.

Inom vår avdelning har vi omfattande erfarenhet av att utveckla nya metoder för att skapa 3D-modeller från sensordata, vilka används i många tillämpningar, till exempel 3D-kartor för mänsklig navigering samt kartering och lokalisering för autonoma bilar och andra fordon. Vi utvecklar nya metoder, till exempel särdragsextraktion från sensordata, lösning av polynomekvationer och optimering.

Projektet finansieras av det strategiska forskningsområdet ELLIIT och är en del av projektet ”Next Generation Spatial AI”, som pågår 2026–2031. Det är ett gemensamt projekt mellan Lund och Linköping, se ELLIIT. I detta projekt kommer vi att utforska nya metoder för struktur- och rörelse-skattning som arbetar direkt på sensordata. Här kommer vi också att använda nya så kallade feature-metric-metoder. Dessa nya moderna djupinlärningsbaserade angreppssätt har potential att revolutionera metoder för 3D förståelse. I projektet kommer vi främst att studera akustiska data och sensorer, men metoderna kan även tillämpas på andra sensortyper.

Avhandlingsarbetet inom projektet kommer att omfatta utveckling av nya metoder, teoretisk analys, algoritmdesign, planering och genomförande av experiment, datainsamling, författande av vetenskapliga artiklar samt presentation av resultaten vid internationella konferenser.

Arbetsuppgifter

Du kommer framförallt att ägna dig åt din forskarutbildning, vilket innefattar såväl deltagande i forskningsprojekt som forskarutbildningskurser, seminarier och konferenser.

Forskningsområdet för den aktuella utlysningen är datorseende och maskininlärning, med fokus på metoder för 3D-kartläggning med hjälp av ljud. Projektet undersöker hur sådana system kan omformas genom att konstruera end-to-end-metoder som kombinerar detektion och spårning med 3D-estimering. I forskningen kommer vi att studera nya metoder för att uppskatta positioner och geometri direkt från ljud. Nuvarande metoder bygger på förenklade mätningar såsom tidsdifferenser, vilka fångar grundläggande geometri men missar mycket av rikedomen i verkliga akustiska signaler. Här kommer du i stället att utforska hur inlärda representationer från djupa neurala nätverk kan användas direkt i 3D-estimering, vilket gör det möjligt för systemet att utnyttja mer detaljerad signalinformation såsom rörelseeffekter, signalstyrka och efterklang. Genom att träna dessa representationer tillsammans med estimeringsprocessen är målet att skapa mer exakta och robusta metoder som går bortom begränsningarna hos traditionella angreppssätt.

Avhandlingsarbetet kommer att omfatta utveckling av nya metoder, planering och genomförande av experiment, datainsamling, programmering och implementering, författande av vetenskapliga artiklar samt presentation av resultaten vid internationella konferenser.

I arbetsuppgifterna kan det även komma att ingå medverkan i undervisning och annat institutionsarbete (dock max 20 % av arbetstiden).

För annonsen i sin helhet var god se Lunds universitets hemsida.