OTDK dicsőségfal

2019

informatika

Botos Csaba

Domain Partitioning Networks

Témavezető:
Dr. Horváth András, Philip H.s. Torr

Összefoglaló

Standard adversarial training involves two agents, namely a generator and a discriminator, playing a mini-max game. However, even if the players converge to an equilibrium, the generator may only recover a part of the target data distribution, in a situation commonly referred to as mode collapse. In this work, we present Triple-GMAN, a new approach to deal with mode collapse in generative adversarial learning. First, we use multiple discriminators each enforcing the generator to cover an additional part of the target distribution. To ensure these parts don’t overlap and collapse into the same mode, we add a classifier as a third agent in the game that decides for each sample which discriminator the generator is trained against. Through experiments on toy examples and real images, we show the merits of our method and its superiority with respect to competing methods.

Even though the architecture contains a non-differentiable sampling operation, the agents can be trained with the classic stochastic gradient update techniques.

Botos Csaba

Adatok feltöltés alatt

Curriculum Vitae

Botos Csaba vagyok, Nyíregyházán nőttem fel.
Az érettségit az óbudai József Attila Gimnáziumban tettem le 2014-ben, éppen elegendő ponttal ahhoz, hogy a PPKE ITK bionika szakára bekerüljek.
Biológiából emelt érettségit tettem, rendkívűl vonzott a rendszertan és funkcionális biológia.
2015-ben az MTA KOKI-ban gyakornokoskodtam, idegsejtek szinapszisainak 3D rekonstrukciójával foglalkoztam.
Reguly István, analízis gyakorlatvezetőm javaslatára kezdtem el foglalkozni a neural network, machine learning elméletével.
2016-ban megírtam a saját auto-diff eszköztáramat, erre a tapasztalatra építettem a későbbiek során a munkámat.
2017-ben EKG jelek klasszifikálásával kezdtünk el foglalkozni, és elindítottuk a CSOPA MI előadássorozatot.
2018-ban kitüntetéses diplomát szereztem bionikából, megépítettük az ITK arcfelismerő rendszerét, amelyre megkaptuk az Új Nemzeti Kiválóság Program támogatását. Ősszel gyakornoki pozíciót ajánlottak az oxfordi Torr Vision Groupban, ahol jobban elmélyülhettem a machine learning elméleti kérdéseiben.
2019-ben az EKG osztályozóval (orvosi alk.), az arcfelismerővel (hétköznapi alk.) és az oxfordi munkával I. II. I. helyezést értünk el a XXXIV. OTDK-n. Ősszel ösztöndíjat nyertem a PhD tanulmányaim megkezdéséhez a University of Oxford Engineering Science tanszékén.

Dr. Horváth András

A TDK úgy vélem valahol kutatás és az oktatás között helyezkedik el, s emiatt rendkívül jól illik karunk célkitűzéséhez, profiljához. Remek dolog közösen dolgozni egy érdeklődő hallgatóval, s közben mindketten tanulunk egymástól, s ilyen munkák által lehet legjobban feléleszteni a diákokban a kutatás iránti kedvet.

horvath.andras@itk.ppke.hu

Philip H.s. Torr

Adatok feltöltés alatt