ResNeXt一作谢赛宁将从Meta离职，加入纽约大学任助理教授

机器之心报道

编辑：小舟、陈萍

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。

掌握「声纹识别技术」：前20小时交给我，后9980小时……

《声纹识别：从理论到编程实战》中文课上线，由谷歌声纹团队负责人王泉博士主讲。

课程视频内容共 12 小时，着重介绍基于深度学习的声纹识别系统，包括大量学术界与产业界的最新研究成果。

同时课程配有 32 次课后测验、10 次编程练习、10 次大作业，确保课程结束时可以亲自上手从零搭建一个完整的声纹识别系统。

点击 阅读原文 ，了解更多课程内容。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：content@jiqizhixin.com