Postdoktor inom djupinlärningsbaserad bildregression från indirekta brusiga data - Under tillsättning eller tillsatt, ej sökbar

Vid avdelningen för systemteknik utvecklar vi både teori och konkreta verktyg för inlärning, resonerande och agerande baserat på data. Ett övergripande mål är att förbättra både människors och maskiners förståelse av komplexiteten i den verkliga världen. En viktig del i vår forskning är probabilistiska modeller som gör att vi systematiskt kan representera och hantera den osäkerhet som finns i alla data. Data och inlärningsalgoritmer är även de viktiga beståndsdelar i vår forskning. Det är fortfarande en stor utmaning att utveckla effektiva och exakta inlärningsalgoritmer som kan hantera högdimensionella modeller, datarika applikationer, komplexa modellstrukturer och olika datakällor som uppstår i många av de dataanalysproblem som vi för närvarande står inför.

Vid avdelningen har vi ett brett nätverk av starka internationella samarbeten runt om i världen, till exempel vid University of Cambridge, University of Oxford, University of British Columbia, University of Sydney, University of Newcastle och Aalto University. Det finns även utmärkta möjligheter till samarbeten med ledande forskningsgrupper i Sverige och Europa genom våra anknytningar till WASP (https://wasp-sweden.org/) och ELLIS society (https://ellis.eu/).

Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet.

Arbetsuppgifter
Vi erbjuder en 2-årig postdoktorstjänst med finansiering från Kjell and Märta Beijer stiftelsen och Tandem Forest Values programmet vid Kungl. Skogs- och Lantbruksakademien.

Tjänsten inkluderar utveckling av teori och algoritmer som bygger på djupinlärning för att lösa regressionsproblem inom datorseende tillämpat på inversa problem. Det sistnämnda syftar på en situation där indata är brusiga indirekta observationer av bilden. Ett specifikt mål är att utvidga energi-baserade modeller för djup probabilistisk regression till inversa problem, exempelvis genom att inkludera en explicit fysikbaserad modell för att generera data från en bild. Arbetet kommer ledas av en tillämpning där man skall upptäcka inre defekter (sprickor, gren-knutar, metalliska objekt, osv) i trästockar utifrån data som är brusiga röntgenprojektioner. Tillämpningen är del av ett större internationellt samarbete som stöds av Finlands Akademi och inkluderar forskare från LUT-universitetet och Ålborgs universitet. Det övergripande målet med detta samarbete är att utveckla metoder för bildstyrd optimering av såglinjen för stockar i sågverk.

Forskningen kommer att bedrivas vid institutionen för informationsteknologi, Uppsala universitet. Som postdoktor kommer du att dra nytta av den starka forskningsmiljön vid Uppsala universitet inom  maskininlärning.

Kvalifikationskrav
För anställning som postdoktor ska du ha doktorsexamen, eller en utländsk examen som bedöms motsvara doktorsexamen, i matematik, signalbehandling, datalogi, eller beräkningsvetenskaper. Examen ska ha avlagts högst tre år före ansökningstidens utgång. Om det finns särskilda skäl kan examen vara äldre än tre år. Med särskilda skäl avses ledighet på grund av sjukdom, föräldraledighet, förtroendeuppdrag inom fackliga organisationer etc. Sökande skall ha en stark bakgrund från maskininlärning eller signalbehandling med erfarenhet från mjukvaruutveckling inom beräkningsvetenskap eller maskininlärning baserat på Python och/eller C/C++. Slutligen skall sökande vara motiverad och ha förmåga att arbeta självständigt och i samarbete med övriga projektmedlemmar.

Önskvärt/meriterande i övrigt
Erfarenhet inom tomografisk bildrekonstruktion är önskvärt. Publikationer vid ledande konferenser inom maskininlärning är en betydande fördel. Som person är du kreativ, noggrann och har ett strukturerat angreppssätt. Vid urval bland de sökande bedöms förmågan att självständigt driva sitt arbete framåt, att samarbeta med andra, att ha ett professionellt förhållningssätt samt att analysera och arbeta med komplexa problem. Efter behörighetskraven kommer stor vikt att läggas vid personliga egenskaper och personlig lämplighet.

Ansökan: Ansökan ska innehålla:

1. En meritförteckning (CV),
2. Kopia på relevanta betygshandlingar (översatta till svenska eller engelska),
3. Publikationslista,
4. Upp till fem utvalda publikationer i elektronisk form.
5. Beskrivning av din nuvarande och tidigare forskning (max 1 sida) och förslag på framtida forskning (max 1 sida),
6. Kontaktinformation till två referenser,
7. Ett personligt brev där du kort motiverar varför du söker denna tjänst samt ange tidigast möjliga anställningsdatum (max 1 sida).

Om anställningen 
Anställningen är tidsbegränsad i två år enligt centralt kollektivavtal. Omfattningen är heltid. Tillträde enligt överenskommelse men helst inte senare än 31 mars 2022. Placeringsort: Uppsala.

Upplysningar om anställningen lämnas av: Professor Ozan Öktem (tel: 0733-52 2185, e-post: ozan.oktem@it.uu.se) eller Professor Thomas Schön (tel: 018-471 2594, e-post: thomas.schon@it.uu.se).

Välkommen med din ansökan senast den 13 december 2021, UFV-PA 2021/4202.