Jitendra Malik (nascido em 11 de outubro de 1960) é um acadêmico indiano-americano que é o Professor Arthur J. Chick de Engenharia Elétrica e Ciências da Computação na Universidade da Califórnia, Berkeley. Ele é conhecido por sua pesquisa em visão computacional, abrangendo reconhecimento visual, segmentação e robótica, e influenciou o campo tanto por contribuições técnicas quanto por liderança.
O trabalho de Malik tem feito a ponte entre modelagem computacional e visão biológica, baseando-se em psicologia e neurociência. Ele orientou mais de oitenta estudantes de doutorado e pesquisadores de pós-doutorado, muitos dos quais agora lideram grupos de pesquisa acadêmicos e industriais. Suas contribuições foram reconhecidas com inúmeros prêmios, incluindo o Prêmio Computer Pioneer de 2019 da IEEE Computer Society.
Biografia acadêmica
Malik nasceu em Mathura, Índia, em 11 de outubro de 1960. Completou seus estudos na St. Aloysius Senior Secondary School em Jabalpur. Obteve um diploma de BTech em engenharia elétrica pelo Indian Institute of Technology Kanpur em 1980 e um PhD em ciência da computação pela Universidade de Stanford em 1985. Em janeiro de 1986, ingressou na UC Berkeley, onde se tornou Professor Arthur J. Chick na Divisão de Ciência da Computação, Departamento de Engenharia Elétrica e Ciências da Computação (EECS). Ele também ocupa cargos docentes em bioengenharia e nos grupos de Ciência Cognitiva e Ciência da Visão. Atuou como presidente da Divisão de Ciência da Computação de 2002 a 2004 e como chefe do departamento de EECS de 2004 a 2006 e de 2016 a 2017.
Malik foi pesquisador visitante no Google durante 2015–2016. Mais tarde, ingressou na Fundamental AI Research (FAIR) da Meta, atuando como Diretor de Pesquisa e Líder de Site em Menlo Park antes de se tornar Vice-Presidente de Pesquisa em Robótica em 2025. Em 2026, ingressou na Amazon como Vice-Presidente e Cientista Distinto em seu laboratório Frontier AI and Robotics (FAR), permanecendo afiliado à UC Berkeley.
Visão geral da pesquisa
Malik tem sido um líder em visão computacional por várias décadas, contribuindo para muitos resultados fundamentais. Sua abordagem comumente se inspira em psicologia e neurociência, contribuindo para modelos computacionais de visão biológica. Ele enquadrou os problemas centrais da visão computacional como os "3R's" - reconhecimento, reconstrução e reorganização - enfatizando seu forte acoplamento. Mais recentemente, seu grupo se voltou para a robótica, fazendo contribuições significativas para navegação e locomoção com pernas.
Reconhecimento visual
O final dos anos 1990 marcou uma transição de técnicas geométricas para técnicas de aprendizado no reconhecimento visual. O grupo de Malik foi pioneiro em características projetadas manualmente, como textons (saídas de filtros quantizadas por vetor) e contextos de forma (arranjos relativos de pontos), bem como novas técnicas de aprendizado de máquina, como kernels de interseção rápida e SVM-KNN. Isso permitiu desempenho recorde mundial em tarefas incluindo reconhecimento de dígitos manuscritos (2001), quebra de CAPTCHAs (2002), categorias Caltech101 (2005–07) e detecção de pessoas (2009). O método de contexto de forma recebeu o prêmio Helmholtz test-of-time e tem mais de 9.000 citações.
Em 2012, o trabalho "AlexNet" do grupo de Geoff Hinton lançou a revolução do Deep learning. Malik desempenhou um papel catalisador ao encorajar Hinton a provar que o aprendizado profundo funcionava melhor competindo em benchmarks padrão de reconhecimento visual, especificamente ImageNet. Após o AlexNet, a comunidade permaneceu cética quanto à generalidade, já que o ImageNet não exigia localização de objetos. Girshick et al inventaram o método R-CNN, que provou que isso poderia ser feito com pré-treinamento na classificação do ImageNet seguido de ajuste fino para detecção de objetos. Este artigo, com mais de 44.000 citações para sua versão CVPR 2014, recebeu o prêmio Longuet-Higgins test-of-time. Variantes do R-CNN dominaram o reconhecimento de objetos por quase uma década até serem superadas por modelos de visão-linguagem.
Segmentação
O agrupamento visual e a discriminação figura-fundo foram estudados pela primeira vez pela escola da Gestalt há mais de um século. O grupo de Malik, ao longo de duas décadas (1995–2015), transformou a área de uma coleção variada de técnicas em uma ciência baseada empiricamente. Eles criaram o Berkeley Segmentation Data Set (BSDS) usando múltiplos observadores humanos para marcar limites percebidos, mostrando consistência com um modelo hierárquico de segmentação. O artigo do BSDS tem mais de 10.000 citações e recebeu o prêmio Helmholtz test-of-time.
Armados com este conjunto de dados, Malik et al desenvolveram uma racionalização para vários indícios da Gestalt como "ótimos" se a visão humana evoluiu para ser adaptativa às estatísticas do mundo natural. Isso permitiu a comparação quantitativa de algoritmos de segmentação, em vez de exemplos selecionados. A ideia de benchmarking em conjuntos de dados padrão tornou-se uma norma, particularmente no reconhecimento de objetos liderado por Perona (Caltech 101) e Everingham et al (PASCAL VOC).
Impacto e legado
A influência de Malik se estende além de sua própria pesquisa. Ele supervisionou mais de oitenta estudantes de doutorado e pesquisadores de pós-doutorado, muitos dos quais se tornaram acadêmicos líderes em instituições incluindo MIT, UC Berkeley, Carnegie Mellon University, Cornell University, University of Illinois Urbana–Champaign, University of Pennsylvania e University of Michigan, bem como pesquisadores industriais no Google, Meta e outras grandes organizações. Seu trabalho moldou a trajetória da visão computacional, desde a engenharia inicial de características até a era do aprendizado profundo, e continua a influenciar a robótica e a visão-linguagem.