贾登是普林斯顿大学的计算机科学家和教授，因在计算机视觉和机器学习领域的贡献而闻名。他最为人所知的是作为ImageNet的共同作者之一，这是一个大规模视觉数据库，在深度学习和人工智能的发展中发挥了基础性作用。
登的研究重点是通过计算模型理解视觉数据，涵盖物体识别、场景理解以及视觉与语言的交叉领域。他的工作影响了学术研究，也推动了自动驾驶和医学影像等领域的实际应用。
早期职业生涯与ImageNet
登在普林斯顿大学和斯坦福大学与李飞飞等人合作期间，是ImageNet项目的关键贡献者。该项目始于2007年，于2009年公开发布，旨在创建一个按WordNet层级组织的带标签图像综合数据集。ImageNet包含超过1400万张手工标注的图像，涵盖超过2万个类别，是当时规模最大、最详细的视觉数据集之一。
该数据集的规模和结构使得训练大型神经网络成为可能，从而推动了深度学习的突破。始于2010年的年度ImageNet大规模视觉识别挑战赛（ILSVRC）成为评估物体检测和图像分类算法的基准。2012年的比赛中，卷积神经网络实现了显著的错误率降低，被广泛认为是引发现代人工智能热潮的催化剂。
学术职位与研究
在普林斯顿大学完成博士学位后，登加入密歇根大学任教，随后回到普林斯顿大学担任助理教授。他的研究团队探索视觉识别中的问题，包括少样本学习、视频理解以及开发更高效、更稳健的模型。
登在CVPR、ICCV和NeurIPS等顶级会议和期刊上发表了大量论文。他的工作常常将计算机视觉与其他机器学习领域相结合，如机器学习理论和生成模型。他还参与了ImageNet之外的其他基准和数据集开发，包括Visual Genome项目，该项目为场景图生成等任务提供详细的图像标注。
对人工智能和计算机视觉的贡献
登的贡献不仅限于数据集创建。他探索了从有限数据中学习的方法，解决了标注样本稀缺领域的挑战。他在零样本和少样本学习方面的研究为大型语言模型以及结合视觉和文本的多模态系统提供了方法支持。
他的工作被引用数万次，反映了其在该领域的影响力。尤其是ImageNet，常被认为是2010年代深度学习快速发展的催化剂，推动了残差网络及其他支撑现代人工智能系统的架构的进步。
教学与指导
在普林斯顿大学，登教授计算机视觉和机器学习课程，指导的研究生和博士后研究人员已在学术界和工业界任职。他获得了教学奖项，并担任主要会议的程序委员会委员。
他的指导强调严谨的实验和精心设计的数据集的重要性，这一理念塑造了他的学生的工作方式。他的几位前学生为 notable 的人工智能项目做出了贡献，包括Transformer和OpenAI模型的相关工作。
认可与影响
登的研究为他赢得了众多荣誉，包括PAMI青年研究员奖和斯隆研究奖学金。他还在CVPR等会议上获得最佳论文奖，并因在计算机视觉领域的贡献被选为IEEE会士。
ImageNet的遗产继续影响着该领域，因为现代生成式人工智能和多模态学习的数据集都建立在其原则之上。登在普林斯顿大学的持续工作聚焦于推进视觉智能，对机器人技术、医疗保健和人机交互具有深远意义。
参见
参考文献
本文基于关于贾登职业生涯和研究的公开信息，包括他在普林斯顿大学的出版物和学术简介。