何恺明：深度学习的远见者 | AI生成和翻译
Kaiming He 是过去十年中最具影响力的 Computer Vision 研究员之一，以其对现代 Deep Learning 和 Artificial Intelligence 产生根本性影响的开创性工作而闻名。
Background and Career
Kaiming He 在 The Chinese University of Hong Kong 获得博士学位，随后加入 Microsoft Research Asia (MSRA)，这是全球顶级 Computer Vision 研究机构之一。此后，他加入了 Facebook AI Research (FAIR，现为 Meta AI)，继续产出具有变革性的成果。他的研究为他赢得了诸多荣誉，包括享誉盛名的 Marr Prize 和 PAMI Young Researcher Award。
Major Contributions
ResNet (Residual Networks, 2015)
这无疑是 He 最著名的贡献。ResNet 引入了 “skip connections” 或 “residual connections”，允许梯度的训练过程中直接流经网络。这解决了困扰深层网络的 Degradation Problem，使得训练数百甚至数千层的网络成为可能。ResNet 赢得了 2015 年的 ImageNet 竞赛，至今仍是 Computer Vision 领域引用次数最多的论文之一。该架构通过实现比以往更深的网络训练，彻底改变了 Deep Learning 领域。
Faster R-CNN 和 Mask R-CNN
他共同开发了 Faster R-CNN，这成为了 Object Detection 的标准框架。在此基础上，Mask R-CNN 将该方法扩展到了 Instance Segmentation（检测并分割单个物体），提供了一个简单且优雅的解决方案，在学术界和工业界应用中都得到了广泛采用。
Kaiming Initialization (He Initialization)
他为神经网络开发了一种 Initialization 方案，考虑了 ReLU 等 Activation Functions 的非线性特征。这一看似技术性的贡献已成为训练深层网络的标准实践，帮助模型更可靠、更快速地收敛。
Momentum Contrast (MoCo)
近期，He 通过 MoCo 对 Self-supervised Learning 做出了重大贡献，使模型能够从无标签数据中学习有用的 Representations。这项工作在提高 Computer Vision 模型的 Data-efficient 方面具有深远影响。
Impact
Kaiming He 的工作具有巨大的实际影响力。ResNet 架构驱动了无数 Computer Vision 应用，从 Medical Imaging 到 Autonomous Vehicles。他的研究始终将理论洞察与实际应用相结合，使复杂的想法能够被更广泛的 AI 社区所理解和使用。他开发的技术在全球大学中被教授，并在主要的 Deep Learning 框架中得到实现。
他对待研究的方法——识别根本问题、提出优雅的解决方案并进行实证验证——为该领域树立了标准，并激励了 Computer Vision 和 Deep Learning 领域的一代研究者。