2022/09/01 16:52

ResNeXt一作谢赛宁将从Meta离职，加入纽约大学任助理教授

又一位知名人工智能研究者宣布从业界离职，回归学术界。

近日，Facebook 人工智能研究院（FAIR）研究科学家谢赛宁在推特上宣布自己即将离开 FAIR，加入纽约大学担任助理教授。

他表示自己在 FAIR 度过了极好的 4 年，将在明年 1 月正式加入纽约大学，并期待与广泛的科学和创意社区一起探索人工智能，建立新的跨学科合作。李磊、高若涵、杨笛一等多位知名研究者纷纷表示祝贺。

图灵奖得主 Yann LeCun 也在推特上写道：「再次欢迎赛宁」。LeCun 不仅是 FAIR 的首席 AI 科学家，也是纽约大学计算机科学教授，于是 LeCun 再次欢迎了新同事。

谢赛宁（Saining Xie）

谢赛宁在加州大学圣迭亚哥分校（UCSD）获得博士和硕士学位，师从 Zhuowen Tu 教授。读博期间，他还在 NEC Labs、Adobe、Meta（原为 Facebook）、谷歌、DeepMind 当过实习生。在此之前，谢赛宁在上海交通大学获得了学士学位。

谢赛宁的主要研究方向包括深度学习和计算机视觉，并致力于改进表示学习技术，以帮助机器理解和利用大量的结构化信息，以及通过学习更好的表示来推动视觉识别的边界。

目前，他在 Google Scholar 上的引用量已经超过 21233。

他有多篇论文被 ECCV、CVPR、ICLR 等顶会接收，并曾担任 ECCV 2020/2022、ICCV 2021 和 CVPR 2021/2022 的领域主席。

2016 年底，谢赛宁作为一作发表论文《Aggregated Residual Transformations for Deep Neural Networks》，提出用于图像分类的简单、高度模块化的网络结构 ResNeXt。ResNeXt 是 ResNet 和 Inception 的结合体，它不需要人工设计复杂的 Inception 结构细节，而是每一个分支都采用相同的拓扑结构。目前，该论文的引用量已超 7600。

2020 年，谢赛宁与何恺明等人合作，发表论文《Graph Structure of Neural Networks》，论文提出了一种神经网络的新型的图表示法。该表示法有助于对神经网络的架构和预测性能有更深层的理解。

此外，他还是《 A ConvNet for the 2020s 》通讯作者，该研究重新检查了设计空间并测试了纯 ConvNet 所能达到的极限。逐渐将标准 ResNet「升级（modernize」为视觉 Transformer 的设计，并在此过程中发现了导致性能差异的几个关键组件。仅半年时间，论文引用量就已超过 200。

产业

相关数据

DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年，最初名称是DeepMind科技（DeepMind Technologies Limited），在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯，谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后，Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏，例如即时战略游戏《星际争霸II》（StarCraft II）。深度AI如果能直接使用在其他各种不同领域，除了未来能玩不同的游戏外，例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作，基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

https://deepmind.com/

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.

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.

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

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

图像分类技术

图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。

来源：百度百科