乔纳森·朗是一位计算机科学家和研究者，因对深度学习的奠基性贡献而闻名，尤其是在计算机视觉领域。他最著名的成就是开发了全卷积网络（FCN），这是一种神经网络架构，通过实现端到端、逐像素的预测，彻底改变了语义分割。他的工作是在加州大学伯克利分校攻读博士学位期间完成的，对后续的图像理解架构和应用产生了持久的影响。
朗的研究出现在深度学习快速发展的时期，当时卷积神经网络主要用于图像分类。他的洞察在于调整这些网络，使其能够生成密集的空间输出，从而为需要详细场景理解的任务开辟了新的可能性。他引入的FCN框架成为后来模型（如U-Net）的基石，并影响了其他多个领域。
早期生活与教育
乔纳森·朗在卡内基梅隆大学完成了本科学习，在那里打下了计算机科学和机器学习的坚实基础。随后，他前往加州大学伯克利分校攻读研究生，加入了伯克利人工智能研究（BAIR）实验室。在包括阿列克谢·埃夫罗斯和特雷弗·达雷尔在内的知名导师指导下，朗专注于推进视觉识别任务的神经网络架构。
在攻读博士学位期间，朗与同事合作开展了连接理论与实践的项目。他的博士论文聚焦于全卷积网络的发展，这一主题定义了他的职业生涯，并影响了一代计算机视觉研究。
全卷积网络
2015年，乔纳森·朗与埃文·谢尔哈默和特雷弗·达雷尔在IEEE计算机视觉与模式识别会议（CVPR）上发表了开创性论文《用于语义分割的全卷积网络》。这项工作引入了一种新颖的架构，将传统分类网络中的全连接层替换为卷积层，使模型能够接受任意大小的输入图像，并生成相应大小的输出图。关键创新在于使用反卷积层（也称为转置卷积）将粗粒度的特征图放大到原始图像分辨率，从而实现密集的逐像素预测。
FCN架构使用逐像素损失函数进行端到端训练，并在PASCAL VOC和NYUDv2等标准基准上取得了最先进的成果。该论文证明了为分类学习到的特征可以有效地迁移到分割任务中，并引入了跳跃连接的概念，将深层语义信息与浅层细粒度细节相结合，从而提高了边界精度。
这项工作在推动从基于补丁或滑动窗口的方法转向全卷积模型方面发挥了关键作用，后者现已成为语义分割的标准。FCN框架还为后续架构（如U-Net和基于残差网络的分割模型）奠定了基础，其影响延伸至实例分割和物体检测领域。
贡献与影响
乔纳森·朗的贡献超越了FCN论文本身。他对全卷积网络的研究被广泛引用，并启发了自动驾驶、医学影像和遥感等众多应用。高效执行密集预测的能力使FCN成为实时系统的实用选择，并被早期版本的特斯拉自动驾驶和其他自动驾驶车辆的感知栈所采用。
朗的工作还促进了人们对如何设计神经网络以处理结构化输出任务的更广泛理解。他对端到端学习和反卷积层的强调影响了后续生成模型和生成式AI的发展。
完成博士学位后，朗继续在该领域工作，为学术研究和工业应用均做出了贡献。他曾参与OpenAI及其他领先AI组织，将他的专业知识应用于大规模机器学习系统。
奖项与认可
FCN论文于2020年在CVPR上获得了时间检验奖，以表彰其对计算机视觉的持久影响。朗的工作还获得了其他多项荣誉，包括在主要会议上获得的最佳论文奖。他的研究被众多教程和综述文章广泛引用，巩固了他作为深度学习视觉领域关键人物的地位。
近期职业与工作
近年来，乔纳森·朗专注于扩展深度学习模型的规模，并探索其在自然语言处理和跨模态理解中的应用。他为涉及大型语言模型的项目做出了贡献，并致力于提高神经网络的效率和鲁棒性。他目前的兴趣包括机器学习理论以及更通用的AI系统开发。
朗仍然是研究社区的活跃成员，经常与斯坦福AI实验室和MIT CSAIL等机构合作。他持续的工作不断推动深度学习的边界，他被视为该领域的思想领袖。
参见
参考文献
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully Convolutional Networks for Semantic Segmentation. CVPR.
- Shelhamer, E., Long, J., & Darrell, T. (2017). Fully Convolutional Networks for Semantic Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence.