ResNeXt一作谢赛宁将从Meta离职,加入纽约大学任助理教授

2022 年 9 月 1 日 机器之心
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

登录查看更多
0

相关内容

【伯克利马毅老师】强化学习与最优控制综述
专知会员服务
74+阅读 · 2022年4月26日
【CAAI 2019】自然语言与理解,苏州大学| 周国栋教授
专知会员服务
62+阅读 · 2019年12月1日
沈春华教授加入浙江大学!
CVer
0+阅读 · 2021年12月17日
学界 | Facebook、谷歌分别改进何恺明 FPN 工作
AI科技评论
11+阅读 · 2019年4月19日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年11月23日
Arxiv
23+阅读 · 2022年2月24日
Arxiv
10+阅读 · 2021年11月10日
Arxiv
17+阅读 · 2021年3月29日
Arxiv
19+阅读 · 2020年12月23日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
VIP会员
相关VIP内容
【伯克利马毅老师】强化学习与最优控制综述
专知会员服务
74+阅读 · 2022年4月26日
【CAAI 2019】自然语言与理解,苏州大学| 周国栋教授
专知会员服务
62+阅读 · 2019年12月1日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Arxiv
0+阅读 · 2022年11月23日
Arxiv
23+阅读 · 2022年2月24日
Arxiv
10+阅读 · 2021年11月10日
Arxiv
17+阅读 · 2021年3月29日
Arxiv
19+阅读 · 2020年12月23日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
Top
微信扫码咨询专知VIP会员