Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Universal Geometric Transfer Learning

Descrizione del progetto

Un nuovo approccio per i dati 3D

Svelare i segreti nascosti nei complessi dati 3D rappresenta una sfida formidabile. I metodi esistenti, spesso addestrati ex novo per ogni compito, hanno delle difficoltà poiché ignorano preziose conoscenze condivise e non sono in grado di generalizzare in modo efficace. A causa della limitatezza dei dati di addestramento, questi approcci sono spesso insufficienti nelle applicazioni pratiche. In questo contesto, il progetto VEGA, finanziato dal CER, svilupperà un quadro universale per l’apprendimento per trasferimento, con l’obiettivo di sbloccare il potenziale dei moduli pre-formabili e dell’analisi multiscala. Questa scoperta promette di superare i limiti posti dalla scarsità di dati di addestramento, consentendo applicazioni che vanno dal monitoraggio dell’evoluzione dei sistemi biologici alla conservazione del patrimonio culturale. La strategia visionaria di VEGA annuncia una nuova era di strumenti di modellazione adattabili, pronti a rivoluzionare diversi settori che si basano sull’analisi dei dati geometrici.

Obiettivo

In this project, we propose to develop a theoretical and practical framework for transfer learning with geometric 3D data. Most existing learning-based approaches, aimed at analyzing 3D data, are based on training neural networks from scratch for each data modality and application. This means that such methods, first, ignore the wider information overlap that might exist across different tasks and object or scene categories, and, second, tend to generalize poorly beyond the specific scenarios for which they are trained. Even more fundamentally, the majority of existing techniques are limited to problem settings in which sufficient amount of training data is available, making them ill-adapted in many practical applications with limited supervision.

In this project, we suggest to take a fundamentally different approach to geometric data analysis: rather than designing independent application or class-specific solutions, we propose to develop a theoretical and practical framework for geometric transfer learning. Our main goal will be to develop universally-applicable methods by combining powerful pre-trainable modules with effective multi-scale analysis and fine-tuning, given minimal task-specific data. The overall key to our study will be analyzing rigorous ways, both theoretically and in practice, in which solutions can be transferred and adapted across problems, semantic categories and geometric data types.

Such an approach will open the door to fundamentally new tasks and modeling tools, applicable to any geometric data analysis scenario, regardless of the amount of training data available. This would allow, for example, to track the evolution of biological systems, by studying the underlying complex 3D shape dynamics, or to analyze variability in object and scene collections consisting of 3D scans of previously unseen shape categories, crucial in cultural preservation and life science applications, among myriad others.

Campo scientifico (EuroSciVoc)

Questo progetto non è ancora stato classificato con EuroSciVoc.
Suggerisci i campi scientifici che ritieni più rilevanti e aiutaci a migliorare il nostro servizio di classificazione.

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2022-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

ECOLE POLYTECHNIQUE
Contributo netto dell'UE
€ 1 999 490,00
Indirizzo
ROUTE DE SACLAY
91128 PALAISEAU CEDEX
Francia
Regione
Ile-de-France Ile-de-France Paris
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 999 490,00

Beneficiari (1)