·“作为一位FAIR（Facebook AI Research）研究科学家，我将于2024年加入麻省理工学院（MIT）电气工程与计算机科学系EECS担任教职”·何凯明的CNN（卷积神经网络）模型ResNet在网络

 

·“作为一位FAIR（Facebook AI Research）研究科学家，我将于2024年加入麻省理工学院（MIT）电气工程与计算机科学系EECS担任教职”·何凯明的CNN（卷积神经网络）模型ResNet在网络的每一层引入了一个直连通道，从而解决了深度网络的梯度传递问题，获得了2016年CVPR的最佳论文奖，是计算机视觉历史上被引用最多的论文。

近日，AI领域著名学者、残差神经网络ResNet发明人何恺明在个人网站上宣布即将回归学界，加入麻省理工学院（MIT）担任教职何恺明的主要研究领域为计算机视觉和深度学习，他的ResNets论文是2019年、2020年和2021年Google Scholar Metrics所有研究领域中被引用最多的论文，并建立了现代深度学习模型的基本组成部分。

在深度学习模型Transformers、AI围棋工具AlphaGo Zero、AI蛋白质结构预测工具AlphaFold中都有使用ResNet今年3月，何恺明在MIT的一场演讲中透露，接下来的研究方向会是AI for science（人工智能用于科研），将聚焦计算机视觉、NLP（自然语言处理）和self-supervised（自监督学习）。

作为目前Facebook AI Research（FAIR）的研究科学家，他已经在个人网站中换上了全新的头像，并在置顶的声明中表示，“作为一位FAIR研究科学家，我将于2024年加入麻省理工学院（MIT）电气工程与计算机科学系EECS担任教职。

”

AI领域著名学者、残差神经网络ResNet发明人何恺明在个人网站上的声明师从汤晓鸥2003年，何恺明以标准分900分获得广东省高考总分第一，被清华大学物理系基础科学班录取毕业后，他进入香港中文大学多媒体实验室攻读博士学位，师从香港中文大学教授汤晓鸥。

何恺明曾于2007年进入微软亚洲研究院视觉计算组实习，实习导师为孙剑博士2011年博士毕业后，何恺明加入微软亚洲研究院任研究员2016年，他加入Facebook人工智能实验室，任研究科学家至今何恺明的研究曾数次获奖。

2009年，汤晓鸥教授、孙剑博士和当时博士研究生在读的何恺明共同完成的论文《基于暗原色的单一图像去雾技术》拿到了国际计算机视觉顶会CVPR（IEEEConference on Computer Vision and Pattern Recognition，即IEEE国际计算机视觉与模式识别会议）的最佳论文奖，也是该会议创办25年来首次有亚洲学者获得最高奖项。

2016年，何恺明凭借ResNet再获CVPR最佳论文奖，此外，他还有一篇论文进入了CVPR2021最佳论文的候选何恺明还因为Mask R-CNN（实例分割算法）获得过ICCV（IEEE International Conference on Computer Vision，即国际计算机视觉大会）2017年的最佳论文马尔奖（Marr Prize），同时也参与了当年最佳学生论文的研究。

根据Google Scholar的统计，何恺明一共发表了73篇论文，H Index数据为67截至2023年7月，何恺明的研究引用次数超过46万次，并且每年以超过10万次的速度增长ResNet发明人何恺明最著名的一项工作是提出了一种残差网络的结构ResNet，用以解决神经网络中的退化问题，即网络的层数越深，在数据集上的性能表现却越差。

而ResNet允许网络结构尽可能地加深，并引入了全新结构，目前的人工智能或多或少都受到了这个结构的影响汤晓鸥曾在2023世界人工智能大会上介绍了何恺明的工作和成就，“在2015年之前，深度学习最多只能训练20层，而CNN（卷积神经网络）模型ResNet在网络的每一层引入了一个直连通道，从而解决了深度网络的梯度传递问题，获得了2016年CVPR的最佳论文奖，是计算机视觉历史上被引用最多的论文。

”“在ResNet之后就可以有效地训练超过百层的深度神经网络，把网络打得非常深”汤晓鸥说，“在大模型时代，以Transformer为核心的大模型，包括GPT系列，也普遍采用了ResNet结构，以支撑上百层的Transformer的堆叠。

何恺明把神经网络做深了，谷歌把神经网络的入口拉大了，又深又大，才成为今天的大模型”汤晓鸥表示，何恺明还有一项工作——Mask R-CNN算法，是就职于Facebook时开发的，是一个真正高性能的物体检测算法框架，获得了ICCV 2017年最佳论文。

“恺明应该是世界上唯一一个在毕业不到10年内3次以第一作者身份获得CVPR和ICCV最佳论文的人”汤晓鸥表示，Mask R-CNN首次把基于掩码的自编码思想用于视觉领域的非监督学习，开启了计算机视觉领域自监督学习的大门，并被推广到3D领域、音频领域，甚至是AI for science领域。

2021年11月，何恺明以一作身份发表论文《Masked Autoencoders Are Scalable Vision Learners》，提出了一种泛化性能良好的计算机视觉识别模型，同样是刚刚发表就成为了计算机视觉圈的热门话题。

从何恺明个人网站上的叙述来看，这可能也是他接下来的研究方向：“通过计算机视觉问题的视角，我的目标是开发适用于各个领域的通用方法我目前的研究重点是构建可以学习复杂世界表示的计算机模型，并探索面向复杂世界的智能。

我研究的长期目标是通过更强大的人工智能来增强人类智能”据悉，何恺明加入MIT后会立刻成为该校论文引用量最高的学者附：何恺明个人网站的声明全文我将于2024年加入麻省理工学院（MIT）电气工程与计算机科学系（EECS），担任教职。

我目前是Facebook AI Research（FAIR）的研究科学家我的研究涵盖了计算机视觉和深度学习的广泛主题通过计算机视觉问题的视角，我的目标是开发适用于各个领域的通用方法我目前的研究重点是构建可以学习复杂世界表示的计算机模型，并探索面向复杂世界的智能。

我研究的长期目标是通过更强大的人工智能来增强人类智能我在计算机视觉和深度学习领域发表了一系列极具影响力的论文我关于深度残差网络（ResNets）的论文是2019年、2020年和2021年Google Scholar Metrics所有研究领域中被引用最多的论文，并建立了现代深度学习模型的基本组成部分（例如，在Transformers、AlphaGo Zero、AlphaFold中）。

我在视觉目标检测方面的工作，包括Faster R-CNN和Mask R-CNN，产生了重大影响，是这些领域被引用最多的论文之一我在视觉自监督学习方面的作品是CVPR 2020年、2021年和2022年发表的被引次数最多的论文。

我的论文有超过46万次引用（截至2023年7月），每年增加超过10万次我是领域中几个著名奖项的获得者，包括2018年PAMI青年研究员奖，CVPR 2009年最佳论文奖，CVPR 2016年，ICCV 2017年，ICCV 2017年最佳学生论文奖，ECCV 2018年最佳论文荣誉奖，CVPR 2021年，以及ICCV 2021年的最佳论文奖。

在2016年加入FAIR之前，我曾于2011年至2016年在微软亚洲研究院（MSRA）担任研究员2011年在香港中文大学获得博士学位，2007年在清华大学获得学士学位(本文来自澎湃新闻，更多原创资讯请下载“澎湃新闻”APP)。

举报/反馈

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186