Kaiming He (chinesisch: 何恺明; Pinyin: Hé Kǎimíng) ist ein chinesischer Informatiker, der sich auf Computer Vision und Deep Learning spezialisiert hat. Er ist vor allem als einer der Schöpfer der Architektur des Residual Neural Network (ResNet) bekannt, die das Training tiefer neuronaler Netze revolutionierte. Er ist außerordentlicher Professor am Massachusetts Institute of Technology und arbeitet Teilzeit als Distinguished Scientist bei Google DeepMind.
Seine Forschung hatte einen tiefgreifenden Einfluss auf das Gebiet der künstlichen Intelligenz, insbesondere bei der Bilderkennung und Objekterkennung. Er hat mehrere Best-Paper-Auszeichnungen bei führenden Konferenzen erhalten und wird für seine Beiträge zu grundlegenden KI-Modellen anerkannt.
Frühes Leben und Ausbildung
Er besuchte die Guangzhou Zhixin High School in Guangzhou, Guangdong, China. Im Jahr 2003 erzielte er die höchste Gesamtpunktzahl in der Aufnahmeprüfung für das Grundstudium der Provinz Guangdong. Anschließend studierte er an der Tsinghua-Universität und erhielt 2007 einen Bachelor of Science. Von 2007 bis 2011 absolvierte er ein Promotionsstudium in Informationstechnik an der Chinesischen Universität von Hongkong, wo er im Multimedia Laboratory arbeitete. Er promovierte 2011 mit einer Dissertation mit dem Titel Single image haze removal using dark channel prior, betreut von Tang Xiao'ou.
Karriere und Forschung
Er arbeitete von 2011 bis 2016 bei Microsoft Research Asia, wo er zu frühen Fortschritten in der Computer Vision beitrug. 2016 wechselte er zu Facebook Artificial Intelligence Research (FAIR), das heute Teil von Meta ist, und blieb dort bis 2024. Während seiner Zeit bei FAIR war er Co-Autor mehrerer einflussreicher Arbeiten, darunter die Arbeit Deep Residual Learning for Image Recognition von 2016, die die ResNet-Architektur einführte. Diese Arbeit wurde laut Google-Scholar-Berichten von 2020 und 2021 zur meistzitierten Forschungsarbeit in einem Fünfjahreszeitraum. 2024 wurde er außerordentlicher Professor am Department of Electrical Engineering and Computer Science am Massachusetts Institute of Technology.
Seine Arbeit an ResNet befasste sich mit dem Degradationsproblem in tiefen neuronalen Netzen durch die Einführung von Skip-Verbindungen, die das Training von Netzen mit Hunderten oder Tausenden von Schichten ermöglichen. Diese Innovation bildet die Grundlage vieler moderner KI-Systeme, einschließlich derer, die in maschinellem Lernen und künstlicher Intelligenz verwendet werden. Er trug auch zur Entwicklung von Mask R-CNN bei, einem Framework für Instanzsegmentierung, das neuronale Netze-Ansätze auf die Objekterkennung auf Pixelebene erweitert.
Auszeichnungen und Ehrungen
Er hat mehrere prestigeträchtige Auszeichnungen erhalten. Er gewann den Marr-Preis für das beste Papier auf der International Conference on Computer Vision (ICCV) im Jahr 2017. Außerdem gewann er den Best-Paper-Preis auf der Konferenz Computer Vision and Pattern Recognition (CVPR) in den Jahren 2009 und 2016. 2023 wurde ihm zusammen mit drei Mitarbeitern der Future Science Prize für ihre grundlegenden Beiträge zur künstlichen Intelligenz durch die Einführung des tiefen Restlernens verliehen. Seine Arbeit wird in den Bereichen Deep Learning und Computer Vision weithin zitiert.
Einfluss und Vermächtnis
Seine Forschung hat die Entwicklung verschiedener KI-Anwendungen beeinflusst, von der Bildklassifizierung bis zum autonomen Fahren. Die ResNet-Architektur ist ein Standardbestandteil vieler moderner Systeme, einschließlich derer, die in Google DeepMind und anderen führenden KI-Labors verwendet werden. Seine Beiträge haben auch die Arbeit von Forschern an Institutionen wie Stanford AI Lab und Berkeley AI Research geprägt. Sein Ansatz zur Modellgestaltung wurde in Transformer-Architekturen und anderen fortschrittlichen Modellen übernommen, was die gegenseitige Befruchtung von Ideen in der KI-Gemeinschaft hervorhebt.
Aktuelle Arbeit
Seit 2024 ist er am MIT tätig, wo er weiterhin zu Computer Vision und Deep Learning forscht. Seine Teilzeitrolle bei Google DeepMind umfasst die Zusammenarbeit an Projekten, die die Grenzen der KI erweitern. Seine laufende Arbeit konzentriert sich auf die Verbesserung der Effizienz und Leistungsfähigkeit neuronaler Netze, mit Auswirkungen auf generative KI und andere aufkommende Technologien.