Kaiming He (chinois : 何恺明 ; pinyin : Hé Kǎimíng) est un informaticien chinois spécialisé en vision par ordinateur et en apprentissage profond. Il est surtout connu comme l'un des créateurs de l'architecture de réseau neuronal résiduel (ResNet), qui a révolutionné l'entraînement des réseaux de neurones profonds. Il est professeur associé au Massachusetts Institute of Technology et travaille à temps partiel comme scientifique distingué chez Google DeepMind.
Ses recherches ont eu un impact profond sur le domaine de l'intelligence artificielle, en particulier dans la reconnaissance d'images et la détection d'objets. Il a reçu plusieurs prix du meilleur article lors de conférences de premier plan et est reconnu pour ses contributions aux modèles fondamentaux d'IA.
Vie et éducation
Il a fréquenté le lycée Guangzhou Zhixin à Guangzhou, dans la province du Guangdong, en Chine. En 2003, il a obtenu le score total le plus élevé à l'examen d'admission au premier cycle de la province du Guangdong. Il a ensuite étudié à l'Université Tsinghua, obtenant un baccalauréat en sciences en 2007. De 2007 à 2011, il a poursuivi des études doctorales en ingénierie de l'information à l'Université chinoise de Hong Kong, travaillant à son laboratoire multimédia. Il a obtenu son doctorat en 2011, avec une thèse intitulée Single image haze removal using dark channel prior, sous la direction de Tang Xiao'ou.
Carrière et recherche
Il a travaillé chez Microsoft Research Asia de 2011 à 2016, où il a contribué aux premières avancées en vision par ordinateur. En 2016, il a rejoint Facebook Artificial Intelligence Research (FAIR), désormais partie de Meta, et y est resté jusqu'en 2024. Pendant son mandat chez FAIR, il a co-écrit plusieurs articles influents, dont l'article de 2016 Deep Residual Learning for Image Recognition, qui a introduit l'architecture ResNet. Cet article est devenu l'article de recherche le plus cité sur une période de cinq ans, selon les rapports de Google Scholar en 2020 et 2021. En 2024, il est devenu professeur associé au département de génie électrique et d'informatique du Massachusetts Institute of Technology.
Son travail sur ResNet a résolu le problème de dégradation dans les réseaux de neurones profonds en introduisant des connexions de saut, permettant l'entraînement de réseaux avec des centaines ou des milliers de couches. Cette innovation sous-tend de nombreux systèmes d'IA modernes, y compris ceux utilisés dans apprentissage automatique et intelligence artificielle. Il a également contribué au développement de Mask R-CNN, un cadre pour la segmentation d'instances, qui étend les approches réseau de neurones à la détection d'objets au niveau des pixels.
Prix et reconnaissances
Il a reçu plusieurs prix prestigieux. Il a remporté le prix Marr pour le meilleur article à la Conférence internationale sur la vision par ordinateur (ICCV) en 2017. Il a également remporté le prix du meilleur article à la conférence sur la vision par ordinateur et la reconnaissance de formes (CVPR) en 2009 et 2016. En 2023, il a reçu le prix Future Science, avec trois collaborateurs, pour leurs contributions fondamentales à l'intelligence artificielle grâce à l'introduction de l'apprentissage résiduel profond. Son travail est largement cité dans les domaines du apprentissage profond et de la vision par ordinateur.
Impact et héritage
Ses recherches ont influencé le développement de diverses applications d'IA, de la classification d'images à la conduite autonome. L'architecture ResNet est un composant standard dans de nombreux systèmes modernes, y compris ceux utilisés dans Google DeepMind et d'autres grands laboratoires d'IA. Ses contributions ont également façonné le travail des chercheurs dans des institutions comme Stanford AI Lab et Berkeley AI Research. Son approche de la conception de modèles a été adoptée dans les architectures transformeur et d'autres modèles avancés, soulignant la pollinisation croisée des idées dans la communauté de l'IA.
Travail actuel
Depuis 2024, il est basé au MIT, où il continue de rechercher en vision par ordinateur et en apprentissage profond. Son rôle à temps partiel chez Google DeepMind implique une collaboration sur des projets qui repoussent les limites de l'IA. Son travail en cours se concentre sur l'amélioration de l'efficacité et de la capacité des réseaux de neurones, avec des implications pour IA générative et d'autres technologies émergentes.