Участник:Anton

Материал из MachineLearning.

Версия 15:06, 4 ноября 2014

Антон Осокин, к.ф.-м.н. В настоящее время (2014-2016) я постдок в Inria - SIERRA team, Париж. С 2005 по 2010 гг. я учился в МГУ на факультете ВМК и кафедре ММП. С 2010 по 2014 я работал на кафедре ММП сначала аспирантом, а затем ассистентом. Мой научный руководитель – Дмитрий Петрович Ветров. C 2007 г. я член группы байесовских методов машинного обучения и по 2014 год я был постоянным участником прекрасного спецсеминара. English homepage

Научные интересы

• Машинное обучение
• Компьютерное зрение
• Графические модели
• Дискретная и непрерывная оптимизация

Избранные научные публикации

• Anton Osokin, Dmitry Vetrov. Submodular relaxation for inference in Markov random fields. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). Accepted. 2014. pdf, supplementary, code
• Anton Osokin, Pushmeet Kohli. Perceptually Inspired Layout-aware Losses for Image Segmentation. European Conference on Computer Vision (ECCV), 2014. pdf
• Alexander Novikov, Anton Rodomanov, Anton Osokin, Dmitry Vetrov. Putting MRFs on a Tensor Train. In International Conference on Machine Learning (ICML), 2014. JMLR: W&CP volume 32. pdf; supplementary
• Осокин А. А. Субмодулярная релаксация в задаче минимизации энергии марковского случайного поля. Кандидатская диссертация. 2014. Научный руководитель — Дмитрий Петрович Ветров

текст (pdf) автореферат (pdf)

• Pushmeet Kohli, Anton Osokin, Stefanie Jegelka. A Principled Deep Random Field Model for Image Segmentation. In Computer Vision and Pattern Recognition (CVPR), 2013. pdf, supplementary, code
• Andrew Delong, Olga Veksler, Anton Osokin, and Yuri Boykov. Minimizing Sparse High-Order Energies by Submodular Vertex-Cover. Advances in Neural Information Processing Systems (NIPS), 2012. pdf
• Anton Osokin, Dmitry Vetrov. Submodular Relaxation for MRFs with High-Order Potentials. HiPot: ECCV 2012 Workshop on Higher-Order Models and Global Constraints in Computer Vision, 2012. pdf + supplementary
• Andrew Delong, Anton Osokin, Hossam Isack, and Yuri Boykov. Fast Approximate Energy Minimization with Label Costs, In International Journal of Computer Vision, 96(1):1–27, January 2012. pdf, code
• Anton Osokin, Dmitry Vetrov, Vladimir Kolmogorov. Submodular Decomposition Framework for Inference in Associative Markov Networks with Global Constraints. In Computer Vision and Pattern Recognition (CVPR), June 2011. pdf
• Andrew Delong, Anton Osokin, Hossam Isack, and Yuri Boykov. Fast Approximate Energy Minimization with Label Costs, In Computer Vision and Pattern Recognition (CVPR), June 2010. pdf, code

Заметки

• Алгоритмы минимизации энергии на основе разрезов графов. 2013. pdf
• Непараметрические байесовские методы. Процессы Дирихле. 2014. pdf

Коды

• Субмодулярная релаксация github
• Код по статье с CVPR 2013 о кооперативных разрезах: coopCuts_CVPR2013_v0.4.zip
• Matlab-интерфейс для алгоритмов минимизации энергии MRF: TRW-S и LBP в реализации В. Колмогорова: mrfMinimizerMex_trws_lbp.zip
• Matlab-интерфейс для алгоритма Бойкова-Колмогорова для построения минимального разреза графа: github
• Matlab-интерфейс для алгоритма Бойкова-Колмогорова c динамическими разрезами графов: github
• Matlab-интерфейс для алгоритма IBFS для построения минимального разреза графа (данный алгоритм часто работает быстрее алгоритма Бойкова-Колмогорова): github
• Matlab-интерфейс для алгоритма Бойкова-Колмогорова. Эта версия позволяет эффективно вычислять мин-маргиналы при помощи динамических разрезов графов. computeMinMarginals.zip
• Matlab-интерфейс для алгоритма минимизации энергии QPBO в реализации В. Колмогорова. Данный алгоритм позволяет получать частично-оптимальные решения для MRF с бинарными переменными. github
• Matlab-интерфейс для алгоритма вычисления частично оптимальных конфигураций от Ивана Ковтуна (реализация K. Alahari). Код применим для парно-сепарабельных MRF к-значных переменных с парными потенциалами Поттса. partialOptimality_Kovtun.zip

Учебно-методическая работа

Спецкурс «Байесовские методы машинного обучения»
Курс «Графические модели»
Спецсеминар «Байесовские методы машинного обучения»
Семинары в поддержку курса «Графические модели» , ШАД
Практикум на ЭВМ (317)