Daniel Johansen Trosten er vinneren av beste masterkandidat 2019


Daniel Johansen Trosten er vinneren av prisen beste masterkandiat 2019 ved Fakultet for naturvitenskap og teknologi. Han får 10.000,- for sin mastergrad innen maskinlæring og statistikk.

Daniel Johansen Trosten. Foto: privat

Trosten har studert sivilingeniør i anvendt fysikk og matematikk ved Institutt for fysikk og teknologi, og leverte sin mastergradsoppgave innen maskinlæring og statistikk våren 2019. Både masteroppgave og mastergradsemner ble gjennomført med toppkarakterer. Han skal til høsten starte som stipendiat ved IFT, da også innen maskinlæring.

Ikke-styrt bildegjennkjenningssystemer
Bedømmelseskomiteen bestående av professor Morten Hald og førsteamanuensis Ellinor Ytterstad hadde mange lovord om kandidaten:  "Masteroppgaven er omfattende med høyt faglig nivå, langt utover det en kan forvente av en masterkandidat. Arbeidet viser gode kunnskaper om feltet, innen matematikk, statistikk og fysikk, samt kunnskaper om effektiv programmering. Kandidaten har blant annet utviklet en ny metodikk for ikke-styrt bildegjenkjenningssystemer. Dette er et mye vanskeligere problem enn styrt bildegjenkjenning, som er standarden innen feltet.

Komiteen har latt seg imponere over masteroppgaven som også er meget velskrevet og godt strukturert.

Arbeidet har allerede resultert i flere publikasjoner i vitenskapelige tidsskrift."

Tittel på hans oppgave var: «Deep Image Clustering with Tensor Kernels and Unsupervised Companion Objectives»

Veiledere har vært professor Robert Jenssen og førsteamanuensis Michael Kampffmeyer.

Vinneren takker for prisen

Trosten er glad for å ha vunnet prisen: "Jeg vil først og fremst takke komitéen for avgjørelsen. Det er veldig hyggelig at arbeidet blir satt pris på, spesielt med tanke på hvor mye blod, svette og tårer som ble lagt ned underveis. Denne prisen er utvilsomt en laginnsats, så jeg vil derfor rette en stor takk til min veileder, Robert Jenssen, min biveileder, Michael Kampffmeyer, samt Mads, Andreas og andre medstudenter, og venner og familie. 

Oppgaven dreier seg i hovedsak om utvikling av ny metodikk for klynging, ved hjelp av dyp læring. Klynging er en gren innenfor maskinlæring, der man ønsker å gruppere observasjoner uten noen form for forhåndsinformasjon om gruppene. Datamaskinen må derfor selv finne ut hva som karakteriserer de forskjellige gruppene, og hvordan den skal plassere observasjoner i disse gruppene. Klynging er et nyttig verktøy, både i utforskende dataanalyse, og for å lage klassifiseringssystemer for data som ikke er manuelt annotert. 

Arbeidet med oppgaven var fylt med høye topper og dype daler. Heldigvis hadde jeg gode veiledere, som jeg kunne kontakte når ting ikke gikk helt på skinner. I tillegg hadde vi på masterkontoret en lav terskel for å spørre hverandre om hjelp eller innspill, dersom en av oss sto fast. Det har utvilsomt spart meg for mye unødvendig grubling og frustrasjon".

Instituttenes nominerte studenter til "Beste masterkandidat" 
I forkant av kåringen hadde instituttene foreslått kandidater etter følgende kriterier:

1. Karakteren A på mastergradsoppgave
2. Snittkarakter på mastergradskurs (siste 2 år)
3. Kvalitet på mastergradsoppgave (potensiale for publisering, nyskapning og originalitet)

 

På Twitter   #norgesarktiske