何

何恺明

Kaiming He

残差网络计算机视觉目标检测自监督学习

ResNet 作者 · 麻省理工学院副教授 · 麻省理工学院（MIT） · 中国 / 美国

何恺明在中国出生长大，2007 年在清华大学获得学士学位，2011 年在香港中文大学获得博士学位，随后加入微软亚洲研究院，2016 年转入 Facebook 人工智能研究院。他最广为人知的成果是 2015 年提出的深度残差网络：通过引入跳跃连接，让上百层甚至上千层的网络得以稳定训练，一举解决了深层网络的退化问题，并以 ResNet 赢得当年 ImageNet 分类与检测任务冠军，该论文后来成为深度学习领域被引用最多的论文之一。此外，他与团队提出的 Faster R-CNN、Mask R-CNN、RetinaNet 等工作，系统性地奠定了现代目标检测与实例分割框架，其中 Mask R-CNN 获得 ICCV 2017 最佳论文奖；此后他转向自监督学习，提出 MoCo 等方法，用对比学习在没有人工标注的情况下训练视觉表征。他的研究成果被广泛用于工业界的视觉系统，ResNet 也成为各类视觉任务中最常见的骨干网络之一。2024 年他加入麻省理工学院任副教授，继续从事计算机视觉与表征学习研究。

主要经历

2015 何恺明在2015年提出了深度残差网络（ResNet），该网络通过引入跳跃连接解决了深层神经网络难以训练的问题，显著提升了网络性能。这一创新性工作使得ResNet在当年的ImageNet大规模视觉识别挑战赛（ILSVRC）图像分类任务中取得了冠军，标志着深度学习在图像识别领域的重大突破。
2016 2016年，何恺明加入Facebook人工智能研究院（FAIR），继续推进视觉识别与目标检测研究。何恺明的研究成果在视觉识别领域得到了广泛应用，其论文《Deep Residual Learning for Image Recognition》被引用超过10,000次，成为该领域最具影响力的论文之一。
2017 2017年，何恺明与团队共同提出了Mask R-CNN和RetinaNet（Focal Loss）两种算法。Mask R-CNN在实例分割任务中表现出色，而RetinaNet则通过Focal Loss解决了密集目标检测中的困难。Mask R-CNN因此荣获了2017年国际计算机视觉大会（ICCV）的最佳论文奖，进一步巩固了何恺明在计算机视觉领域的领导地位。
2019 2019年，何恺明与团队共同提出MoCo（Momentum Contrast）算法，该算法采用动量对比的方式进行自监督视觉预训练，显著推动了无标注学习领域的发展。该研究发表在《International Conference on Learning Representations》（ICLR）上，为后续的自监督学习研究提供了新的思路和方法。
2024 2024年，何恺明加入麻省理工学院（MIT）担任副教授，继续专注于计算机视觉与表征学习的研究。在此期间，他带领团队在图像识别、目标检测等领域取得了显著成果，其中一项研究成果发表在《Proceedings of the National Academy of Sciences》（PNAS）上，为计算机视觉领域的发展做出了重要贡献。