Alexei A. Efros (né en 1975) est un informaticien et professeur à l'Université de Californie à Berkeley, où il occupe la chaire Malik en informatique. Il est largement reconnu pour ses contributions à la vision par ordinateur et à l'infographie, en particulier dans les domaines de la synthèse d'images, de l'apprentissage non supervisé et des approches basées sur les données pour la compréhension visuelle. Efros est également connu pour son rôle dans la création du jeu de données ImageNet, une pierre angulaire de l'apprentissage profond moderne, et pour ses travaux pionniers en synthèse de textures et en complétion d'images.
Efros est né en 1975 en Union soviétique dans une famille de scientifiques. Son père, Alexei L. Efros, est un physicien connu pour ses travaux sur le saut de portée variable d'Efros-Shklovskii, et son oncle, Alexander Efros, est également physicien. Efros a déménagé aux États-Unis pour ses études supérieures, obtenant un baccalauréat en sciences en informatique à l'Université de l'Utah en 1997. Il a ensuite poursuivi des études de troisième cycle à l'Université de Californie à Berkeley, où il a complété son doctorat en 2003 sous la direction de Jitendra Malik. Sa thèse de doctorat portait sur la synthèse de textures et le rendu basé sur l'image, posant les bases de ses recherches ultérieures.
Carrière académique
Après avoir terminé son doctorat, Efros a rejoint la faculté de l'Université Carnegie Mellon en tant que professeur adjoint en 2003. Il est resté à Carnegie Mellon jusqu'en 2013, lorsqu'il a déménagé à l'Université de Californie à Berkeley en tant que professeur. À Berkeley, il a été affilié au laboratoire Berkeley Artificial Intelligence Research (BAIR) et a supervisé de nombreux étudiants diplômés qui ont ensuite occupé des postes de premier plan dans le milieu académique et l'industrie. Efros a également occupé des postes de visiteur dans des institutions telles que l'Institut Max-Planck d'informatique et a été scientifique de recherche chez Google AI.
Contributions à la recherche
Les recherches d'Efros couvrent la vision par ordinateur, l'infographie et l'apprentissage automatique, avec un accent sur l'utilisation de données à grande échelle pour enseigner aux machines à comprendre et à générer du contenu visuel. L'une de ses premières œuvres influentes a été dans la synthèse de textures, où il a développé des algorithmes capables de générer de nouvelles textures à partir d'un seul exemple, un problème étudié pendant des décennies. Son article de 2001, « Texture Synthesis by Non-parametric Sampling », coécrit avec Thomas Leung, a introduit une méthode simple mais efficace qui est devenue une référence standard dans le domaine.
En 2003, Efros et ses collaborateurs ont introduit le concept de « complétion d'image » (également connue sous le nom d'inpainting), où les régions manquantes d'une image sont remplies à l'aide de patchs de la même image. Cette œuvre, publiée dans l'article « Object Removal by Exemplar-based Inpainting », a démontré comment des approches basées sur les données pouvaient résoudre des problèmes auparavant traités avec des modèles créés à la main.
Efros est peut-être surtout connu pour son rôle dans la création d'ImageNet, une base de données visuelle à grande échelle conçue pour la recherche en reconnaissance d'objets visuels. Le projet, initié en 2007 par Fei-Fei Li et ses collaborateurs, dont Efros, étudié à collecter des millions d'images étiquetées sur le Web. ImageNet est devenu la base du défi annuel Image Large Scale Visual Recognition Challenge (ILSVRC), qui a permis des avancées en matière d'apprentissage profond, en particulier avec l'avènement des réseaux de neurones neuronaux (CNN) en 2012.
Dans le domaine de l'apprentissage non supervisé, Efros a exploré comment les machines peuvent apprendre des représentations visuelles sans étiquettes explicites. Son travail sur les « puzzles » comme tâche auto-supervisée, présenté dans l'article de 2016 « Unsupervised Learning of Visual Representations by Solving Jigsaw Puzzles », a montré final que résoudre des énigmes peut apprendre à un réseau à reconnaître des objets et des scènes, offrant une alternative puissante au pré-apprentissage supervisé.
Projets et contributions notables
Efros a participé à des collaborations avec de nombreux chercheurs à travers les institutions, notamment avec son collaborateur de longue date Jitendra Malik. Ensemble, ils ont travaillé sur des projets tels que « Data-driven Scene Understanding », qui utilise de grandes collections d'images pour devenir le mode et le sens transformation d'une scène. Efros a également contribué au développement des « analogies visuelles », où des implémentations de type général de transformation (par exemple, changer la saison d'un paysage) en observant des paires.
Un autre projet notable est le « im SUN3D », qui fournit une base de données vidéo RGB-D (couleur et profondeur) à grande échelle pour la compréhension d'une scène 3D. Efros a été impliqué dans sa création, lequel a été utilisée dans de nombreuses études sur la reconstruction et la navigation intra-course.
Récompenses et honneurs
Efros a reçu plusieurs bonnes distinctions pour ses recherches. En 2016, il a été nommé membre de l'IEEE pour ses contributions à la vision et à l'infographie. Il a également reçu le prix ACM SIGGRAPH Significant New Researcher Award en 2008, le prix de recherche Alfred Sloan en 2005 et le prix CAREER de la National Science Foundation en 2004. Ses articles doivent être récompensés par des meilleurs articles aux conférences majeures, notamment CVPR et SIGGRAPH.
Impact et héritage
L'œuvre d'Efros a eu un impact profonde sur le domaine de la vision par ordinateur, en particulier en modifiant le paradigme entre les matériaux conçus à la main et les approches basées sur les données et l'apprentissage. Son accent ut sur l'utilisation de volumes réels de données à grande échelle a influencé une génération de chercheurs et a contribué à l'essor de l'apprentissage profond. Le dataset ImageNet, qu'il a contribué à créer, est désormais une norme de référence dans les domaines, et ses méthodes non superviseur ont ouvert de nouvelles pistes pour former des modèles sans annonce coûteuse.
Au-delà de problèmes techniques, Efros est connu pour son style d'enseignement et sa capacité à expliquer des idées complexes. Il a dispensé des cours de vision et d'image computationnelleà la fois à Carnegie Mellon et à Berkeley, et ses supports de cours sont largement utilisés par les enseignants et les étudiants lors du monde entier.
Vie privée
Efros est marié et a des enfants, mais il garde sa vie privée relativement discrète. Il est connu comme un photographe passionné, un passe-temps qui respecte son intérêt professionnel pour les données visuelles. Il aime également la randonnée et l'exploration des paysages naturels de Californie.
Voir aussi
- Jitendra Malik
- Fei-Fei Li
- ImageNet
- Apprentissage non supervisé
- Vision par ordinateur
- Synthèse de textures
- Inpainting
- Apprentissage profond
- Réseau neuronal convolutionnel
- Recherche en intelligence artificielle de Berkeley
Références
- Efros, A. A., et Leung, T. K. (1999). Texture synthesis by non-paramétrique sampling. IEEE International Conference on Computer Vision.
- Efros, A. A., et Freeman, W. T. (2001). Image quilting pour la synthèse et le transfert de tel. ACM SIGGRAPH.
- Criminisi, A., Pérez, P., et Toyama, K. (2004). Remplissage de régions et suppression d'objets par inpainting exemplaire. IEEE Transactions on Image Processing.
- Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., et Fei-Fei, L. (2009). ImageNet : une base de données image hiérarchique à grande échelle. CVPR.
- Noroozi, M., et Favaro, P. (2016). Apprentissage non supervisé de la représentation représentations visuelles en résolvant des problèmes de puzzle. ECCV.
- Xiao, J., Owens, A., et Efros, A. A. (2013). SUN3D : une base de données de grands espaces reconstruits avec SfM et étiquettes d'objets. ICCV.
Note : Certains détails sur la vie personnelle d'Efros ne sont pas documentés publiquement, et les informations fournies sont basières sur des sources disponibles ou availables publiquement jusqu'en 2025.