旷视首席科学家、知名AI学者孙剑博士去世

如此优秀的学者逝世，实为 CV 领域一大痛事。

6 月 14 日，旷视科技发布讣告，旷视首席科学家、旷视研究院院长孙剑博士因突发疾病抢救无效，于 2022 年 6 月 14 日凌晨去世。

孙剑博士是人工智能领域的优秀学者。

孙剑博士本硕博期间均就读于西安交通大学，2003 年在西安交通大学获得博士学位，加入微软亚洲研究院，任至首席研究员。2015-2016 年在微软美国研究院任合伙人级研究主管。

在微软研究院工作了 13 年后，孙剑博士于 2016 年 7 月加入旷视科技，担任首席科学家。在孙剑博士的带领下，旷视研究院研发了包括移动端高效卷积神经网络 ShuffleNet、开源深度学习框架天元 MegEngine、AI 生产力平台 Brain++ 等多项创新技术。

2019 年 1 月 21 日，西安交通大学成立人工智能学院，孙剑博士担任首任院长。

孙剑博士一直从事计算机视觉和计算机图形学领域的工作，拥有超过 40 项专利，自 2002 年以来在 CVPR、ICCV、ECCV、SIGGRAPH 和 PAMI 五个顶级学术会议和期刊上发表学术论文一百余篇，两次获得 CVPR 最佳论文奖。

2015 年，孙剑带领团队何恺明等人开发的「深度残差网络（ResNet）」是世界上第一个上百层的深度神经网络，开创了深度学习领域的一个里程碑。

ResNet 在 2016 年拿下了计算机视觉顶级会议 CVPR 的最佳论文奖，迄今引用量已超过 12 万。2018 年，ResNet 也被应用在 AlphaGo Zero 中。李沐曾经说过，假设你在使用卷积神经网络，有一半的可能性就是在使用 ResNet 或它的变种。

孙剑博士在基础研究的产品化方面有诸多成就。在微软工作期间有多项基础研究转化为核心产品 (Windows、Office、Azure、Bing、XBox 等) 的重要功能。加入旷视后，孙剑博士带领旷视研究院，聚焦计算机视觉领域，深耕基础研究和技术应用，研发出多种产品和算法，推动了 AI 技术在个人物联网、城市物联网和供应链物联网领域的应用落地。

如今，如此优秀的学者逝世，实为 CV 领域一大痛事。

产业孙剑首席科学家旷视研究院

相关技术

链式法则深度残差网络 Infographic 降采样

何恺明人物

Facebook AI Research研究科学家。Residual Net提出者。

来源：个人网站 He, K.

李沐人物

李沐，2008年毕业于上海交通大学计算机系,大学期间，曾在微软亚洲研究院担任实习生。2017年博士毕业后，李沐加入亚马逊任AI主任科学家。

来源：Mu Li

孙剑人物

孙剑，男，前微软亚研院首席研究员，现任北京旷视科技有限公司（Face++）首席科学家、旷视研究院院长。自2002年以来在CVPR, ICCV, SIGGRAPH, PAMI等顶级学术会议和期刊上发表学术论文100余篇，两次获得CVPR最佳论文奖(2009, 2016)。孙剑博士带领的团队于2015年获得图像识别国际大赛五项冠军 (ImageNet分类，检测和定位，MS COCO 检测和分割) ，其团队开发出来的“深度残差网络”和“基于区域的快速物体检测”技术已经被广泛应用在学术和工业界。

来源：个人页面百度百科 Sun, J

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

计算机图形技术

图像数据处理、计算机图像（英语：Computer Graphics）是指用计算机所创造的图形。更具体的说，就是在计算机上用专门的软件和硬件用来表现和控制图像数据。

来源：维基百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

计算机视觉技术

计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

来源：机器之心

深度残差网络技术

残差网络是为了解决深度神经网络（DNN）隐藏层过多时的网络退化问题而提出。退化（degradation）问题是指：当网络隐藏层变多时，网络的准确度达到饱和然后急剧退化，而且这个退化不是由于过拟合引起的。

来源：Deep Residual Learning for Image Recognition 机器之心

卷积神经网络技术

卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路，卷积神经网路需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据，它可以被认为是以一定时间间隔采样的一维网格，又如图像数据，其可以被认为是二维像素网格。

来源：Goodfellow, I.; Bengio Y.; Courville A. (2016). Deep Learning. MIT Press.维基百科

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

来源：机器之心 Techopedia

旷视科技机构

旷视成立于2011年，是全球领先的人工智能产品和解决方案公司。深度学习是旷视的核心竞争力，我们打造出自研的AI生产力平台Brain++并开源其核心——深度学习框架“天元”，实现了算法的高效开发与部署。在持续引领技术进步的同时，我们推动AI产业的商业化落地，聚焦个人物联网、城市物联网、供应链物联网三大赛道，为个人用户带来更出色的美学体验与安全保障、让城市空间更有序、并帮助企业实现工业、仓储数字化升级。我们提供包括算法、软件和硬件产品在内的全栈式、一体化解决方案。

https://www.megvii.com