原創(chuàng) | 文 BFT機器人

近日，計算機視覺領域的著名學者，ResNet發(fā)明人何愷明，宣布將于2024年加入麻省理工學院（MIT）電氣工程與計算機科學系EECS擔任教職。有網(wǎng)友表示：MIT的學生有福了！

在今年3月的一次MIT演講中，何愷明透露了他未來的研究方向：將人工智能應用于科學研究領域。他計劃專注于計算機視覺、自然語言處理（NLP）和自監(jiān)督學習。

01

計算機視覺的經(jīng)典之作——殘差網(wǎng)絡ResNet

何愷明的研究廣泛涵蓋計算機視覺和深度學習的各個主題。他致力于從計算機視覺問題的角度出發(fā)，開發(fā)適用于不同領域的通用方法。

目前，何愷明的研究重點是構建可以學習復雜世界表示的計算機模型，并探索面向復雜世界的智能。他的長期目標是通過更強大的人工智能來增強人類智能。

何愷明提出的殘差網(wǎng)絡的結構ResNet是深度學習領域的一項重要研究成果，該結構解決了神經(jīng)網(wǎng)絡中的退化問題，即網(wǎng)絡的層數(shù)增加時，在數(shù)據(jù)集上的性能反而下降的情況。在遙感圖像領域，ResNet模型可以用于分類、目標檢測、語義分割等任務。

傳統(tǒng)的深度網(wǎng)絡在訓練過程中，梯度會逐漸變小，導致網(wǎng)絡難以收斂。而ResNet引入了核心思想，即通過引入跳躍連接（shortcut connection），將輸入的信息直接傳遞給輸出，這樣網(wǎng)絡可以學習殘差（residual）而不是直接學習輸出。這種設計加速了收斂速度，并且可以構建更深的網(wǎng)絡。

ResNet的優(yōu)點：

1.提高網(wǎng)絡的準確性：

ResNet的結構使網(wǎng)絡可以更好地捕捉圖像中的細節(jié)和特征。通過殘差學習，網(wǎng)絡可以學習到殘差部分，能夠更好地適應復雜的數(shù)據(jù)分布。

2.構建更深的網(wǎng)絡：

相比傳統(tǒng)的深度網(wǎng)絡，ResNet可以超過100層甚至更深。更深的網(wǎng)絡可以學習到更復雜的特征表示，提高了網(wǎng)絡的表達能力和性能。

ResNet的引入使得深度網(wǎng)絡的訓練更加容易，提高了網(wǎng)絡的性能。在圖像識別任務中取得了顯著的成果，對于推動深度學習和計算機視覺領域的發(fā)展具有重要意義。

02

從高考狀元到業(yè)界翹楚

何愷明是一個備受學術界推崇的人物，被許多人視為“天才型”學者。他的成就令人矚目，從高考滿分狀元開始到成為CVPR（計算機視覺與模式識別）最佳論文獎的首位華人得主，再到他引領的“深度殘差網(wǎng)絡”震驚學界，這位“80后”青年才俊有著諸多傳奇故事。

2003年高考前夕，何愷明已經(jīng)憑借全國物理競賽一等獎的成績，拿到了保送清華的資格。但是他仍然決定參加高考，最終憑借扎實的基礎知識成為廣東省高考狀元。在清華物理系基礎科學班畢業(yè)后，他進入香港中文大學多媒體實驗室攻讀博士學位，師從湯曉鷗。

湯曉鷗表示：“愷明應該是世界上唯一一個在畢業(yè)不到10年內(nèi)3次以第一作者身份獲得CVPR和ICCV最佳論文的人?！?/p>

2007年，還未畢業(yè)的何愷明進入微軟亞洲研究院（MSRA）實習，并選擇了視覺計算組作為他的研究興趣。博士期間，他拿到了NIPS（神經(jīng)信息處理系統(tǒng)）的最佳學生論文和COLT（計算學習理論）的最佳論文獎。2009年，在IEEE舉辦的國際計算機視覺與模式識別會議上，何愷明以一篇圖片暗通道先驗去霧算法論文技驚四座，當年會議投稿的論文多達1450篇，只有393篇被收錄，而何愷明的論文成為當年唯一的最佳論文。

博士畢業(yè)后，何愷明成為微軟亞洲研究院的研究員。在畢業(yè)后直接拿到了MIT和Stanford的教職邀請，并在2021年獲得號稱“諾獎風向標”的斯隆研究獎。

2016年，何愷明加入Facebook人工智能實驗室，任研究科學家至今。根據(jù)Google Scholar的統(tǒng)計，他已經(jīng)發(fā)表了73篇論文，其H指數(shù)為67。截至2023年7月，何愷明的研究引用次數(shù)超過46萬次，并且每年以超過10萬次的速度增長。

這樣厲害的人，選擇在MIT發(fā)光發(fā)熱，成為華人之光，并有望成為未來圖靈獎的候選人之一。何愷明的故事，展示了年輕人在科學研究中的巨大潛力和成就。他的才華和成就使他成為學術界的翹楚，同時也為年輕一代樹立了榜樣。

初稿?| 蔡敏捷

終稿?| 貓

排版 |?居居手

更多精彩內(nèi)容請關注公眾號：BFT機器人


本文為原創(chuàng)文章，版權歸BFT機器人所有，如需轉載請與我們聯(lián)系。若您對該文章內(nèi)容有任何疑問，請與我們聯(lián)系，將及時回應。