Kaiming He (chinês: 何恺明; pinyin: Hé Kǎimíng) é um cientista da computação chinês especializado em visão computacional e aprendizado profundo. Ele é mais conhecido como um dos criadores da arquitetura de rede neural residual (ResNet), que revolucionou o treinamento de redes neurais profundas. Ele é professor associado no Instituto de Tecnologia de Massachusetts e trabalha em tempo parcial como Cientista Distinto no Google DeepMind.
Sua pesquisa teve um impacto profundo no campo da inteligência artificial, particularmente em reconhecimento de imagens e detecção de objetos. Ele recebeu vários prêmios de melhor artigo em conferências de alto nível e é reconhecido por suas contribuições a modelos fundamentais de IA.
Início da Vida e Educação
Ele frequentou a Escola Secundária Guangzhou Zhixin em Guangzhou, Guangdong, China. Em 2003, ele alcançou a maior pontuação total no exame de admissão de graduação da província de Guangdong. Ele então estudou na Universidade Tsinghua, obtendo um Bacharelado em Ciências em 2007. De 2007 a 2011, ele realizou estudos de doutorado em engenharia da informação na Universidade Chinesa de Hong Kong, trabalhando em seu Laboratório Multimídia. Ele recebeu seu PhD em 2011, com uma dissertação intitulada Single image haze removal using dark channel prior, orientada por Tang Xiao'ou.
Carreira e Pesquisa
Ele trabalhou na Microsoft Research Asia de 2011 a 2016, onde contribuiu para avanços iniciais em visão computacional. Em 2016, ele ingressou na Facebook Artificial Intelligence Research (FAIR), agora parte da Meta, e permaneceu lá até 2024. Durante seu período na FAIR, ele coautorou vários artigos influentes, incluindo o artigo de 2016 Deep Residual Learning for Image Recognition, que introduziu a arquitetura ResNet. Este artigo se tornou o artigo de pesquisa mais citado em um período de cinco anos, de acordo com relatórios do Google Scholar em 2020 e 2021. Em 2024, ele se tornou professor associado no Departamento de Engenharia Elétrica e Ciência da Computação do Instituto de Tecnologia de Massachusetts.
Seu trabalho na ResNet abordou o problema de degradação em redes neurais profundas ao introduzir conexões de salto, permitindo o treinamento de redes com centenas ou milhares de camadas. Essa inovação sustenta muitos sistemas modernos de IA, incluindo aqueles usados em aprendizado de máquina e inteligência artificial. Ele também contribuiu para o desenvolvimento do Mask R-CNN, uma estrutura para segmentação de instâncias, que estende abordagens de rede neural à detecção de objetos em nível de pixel.
Prêmios e Reconhecimentos
Ele recebeu vários prêmios prestigiosos. Ele ganhou o Prêmio Marr pelo melhor artigo na Conferência Internacional de Visão Computacional (ICCV) em 2017. Ele também ganhou o prêmio de melhor artigo na conferência de Visão Computacional e Reconhecimento de Padrões (CVPR) em 2009 e 2016. Em 2023, ele foi agraciado com o Prêmio de Ciência do Futuro, junto com três colaboradores, por suas contribuições fundamentais à inteligência artificial por meio da introdução do aprendizado residual profundo. Seu trabalho é amplamente citado nos campos de aprendizado profundo e visão computacional.
Impacto e Legado
A pesquisa dele influenciou o desenvolvimento de várias aplicações de IA, desde classificação de imagens até direção autônoma. A arquitetura ResNet é um componente padrão em muitos sistemas modernos, incluindo aqueles usados em Google DeepMind e outros laboratórios líderes de IA. Suas contribuições também moldaram o trabalho de pesquisadores em instituições como Laboratório de IA de Stanford e Pesquisa de IA de Berkeley. Sua abordagem ao design de modelos foi adotada em arquiteturas de transformadores e outros modelos avançados, destacando a polinização cruzada de ideias na comunidade de IA.
Trabalho Atual
A partir de 2024, ele está baseado no MIT, onde continua a pesquisar visão computacional e aprendizado profundo. Seu papel em tempo parcial no Google DeepMind envolve colaboração em projetos que empurram os limites da IA. Seu trabalho em andamento foca em melhorar a eficiência e a capacidade das redes neurais, com implicações para IA generativa e outras tecnologias emergentes.