# Machine Learning / Software Engineering Thesis Student - Efficient On-Device ML for AR
## Project Background
Sluit je aan bij Snap Inc om te onderzoeken hoe je moderne deep learning kunt combineren met event-based en embedded processors voor AR glasses. Het project richt zich op het uitbreiden van wat AR glasses on-device kunnen doen door temporele en ruimtelijke sparsity uit te buiten om altijd-aan perceptie te bereiken binnen strikte energiebudgetten.
## Wat je doet
Als thesis student zul je een gericht onderzoeksdomein in efficiënt on-device ML voor AR definiëren en voortdrijven:
- Design en prototype ML modellen afgestemd op AR use cases onder embedded beperkingen (event-based vision modellen, lichtgewicht CNNs/Vision Transformers, hybride frame+event pipelines)
- Datasets en baselines opzetten relevant voor AR taken (detection, tracking, segmentation, gesture/interaction) en evaluatiemetreken definiëren over accuracy, latency, memory usage en energy
- Modellen implementeren en trainen in PyTorch, inclusief data pipelines, training loops en evaluation scripts
- Efficiëntie technieken verkennen zoals sparsity, pruning, quantization (PTQ/QAT) of event-based representaties
- Modellen profileren onder embedded-achtige omstandigheden met simulators, profiling tools of edge accelerators
- Bevindingen communiceren via ablation studies, thesis report en reproducible codebase met pre-trained checkpoints
## Expected Outcomes
- Proof-of-concepts demonstreren op AR hardware (Spectacles)
- Meetbare verbeteringen leveren in runtime performance, efficiëntie en aanpassingsvermogen
- Inzichten bieden in model–system co-design voor low-power, on-device ML
- Bijdragen aan ML frameworks, tooling of deployment strategies voor embedded AR systems
- High-quality thesis report produceren met reproducible code en resultaten
## Minimum Qualifications
- Momenteel ingeschreven in Master's program (Computer Science, Electrical/Computer Engineering, Artificial Intelligence, Robotics of gerelateerd vakgebied)
- Studieprogramma staat Master's thesis/graduation project met externe organisatie toe
- Sterke achtergrond in lineaire algebra, waarschijnlijkheid en optimalisatie
- Deep learning fundamentals inclusief backpropagation, regularization en model architectures
- Praktische ervaring met trainen van deep learning modellen voor computer vision
- PyTorch (voorkeur) of vergelijkbare framework ervaring
- Comfort met implementeren en trainen van CNNs en/of vision transformers
- Vaardigheid in Python en standaard ML tooling (NumPy, PyTorch, Git, experiment management)
- Interesse in het omzetten van onderzoeksresultaten naar praktische toepassingen