返回目录：旅游景点
伟大的上帝毕竟是伟大的上帝！
刚才，人工智能技术总部获悉，在两次获得CVPR最佳论文奖后，何明凯参与的最新两篇论文分别获得了2017年ICCV最佳论文奖和最佳学生论文奖。
这两篇获奖论文分别是今年4月出版的《蒙版R-有线电视新闻网》(Mask R-CNN)和今年8月出版的《密集物体探测聚焦损失》(Focus Loss for Densive Object Detection)，这两篇论文都是今年出版的，相隔只有四个月。应该指出，ICCV是计算机视觉领域的顶级会议之一，每两年举行一次。作为这两篇论文的第一和第四作者，何明凯足以证明他的实力。
以下是人工智能技术基地对这两篇获奖论文的简要介绍:
索尔兹:智乎
论文简介:我们提出了一个简单、灵活和通用的对象实例分割框架。该方法能够有效地检测图像中的目标，并为每个实例生成高质量的分割掩膜。这种方法被称为掩码(Mask R-CNN)，它通过增加一个预测对象掩码的分支来扩展更快的R-CNN，该分支平行于现有的边界框识别分支。屏蔽有线电视新闻网的训练很简单，只需给以5英尺/秒速度运行的更快的有线电视新闻网增加一点开销。此外，掩码R-有线电视新闻网可以很容易地扩展到其他任务，例如，它可以允许姿态估计在同一框架。我们在COCO系列挑战的三个轨道任务中取得了最好的结果，包括实例分割、边界物体检测和人类关键点检测。没有任何技巧，面具R-有线电视新闻网超越了所有现有的单一型号，包括可可2016年挑战冠军。
论文地址:
https://arxiv.org/abs/1703.06870
索尔兹:智乎
简介:目前，精度最高的目标检测器采用了R-CNN中常用的两阶段方法，将分类器应用于由候选目标位置组成的稀疏样本集。相反，一级检测器应用于由可能的目标位置组成的规则密集样本集，这更快更简单，但是其精度落后于两级检测器。在本文中，我们讨论了这一现象的原因。
我们发现，在训练密集目标检测器的过程中，前景-背景类别严重失衡是造成这一现象的主要原因。我们对此类不平衡的解决方案是重塑标准交叉熵损失，以降低清晰分类样本的损失权重。聚焦损失(Focal Loss)将训练集中在一组稀疏的困难样本上，防止大量简单的阴性样本在训练过程中淹没检测器。为了评估这种损失的有效性，我们设计并训练了一种简单的密集目标探测器——视网膜探测器。测试结果表明，在使用焦损训练时，视网膜神经网络不仅能赶上一级检测器的检测速度，而且在精度上也超过了所有最先进的两级检测器。
我们提出了一个新的损失函数，焦点损失，它在标准交叉熵标准中增加了一个因子(1- pt) γ。设置伽玛。0可以减少清晰分类样本的相对损失(pt > 0；. 5)使模型更加关注困难的误分类样本。实验表明，在有大量简单背景例子的情况下，我们提出的焦损函数能够高精度地训练密集目标检测器。
详情请参考人工智能科技基地营的文章:“何明凯的团队提出了焦点损失(Focal Loss)，目标探测精度高达39.1AP，打破了现有记录”。
高考状元
事实上，这并不是伟大的上帝明凯第一次展示他开放的能力。
2003年，何明凯以广东省理科高考状元的身份进入清华大学。
2009年，在IEEE组织的CVPR会议上，同时也是微软(MSRA)子研究院实习生的何明凯首次为一个完全由中国人组成的团队赢得了该奖项，他的第一篇论文《利用暗通道优先级去除单幅图像雾霾》震惊了四次。
2016年，何明凯团队的另一篇论文《图像识别的深度弹性学习》获得了CVPR最佳论文奖。
同年8月，他明凯离开MSRA，以科学家的身份加入了FAIR(脸书人工智能研究)。
在加入脸谱网后，他明凯立即成为了快速有线电视新闻网和面具有线电视新闻网的主要贡献者，没有任何适应期。
今天，他明凯再次成为ICCV最佳论文的获得者，再次扩大了与像我这样的普通人的差距，把人们抛在了后面。
然而，这并不是最绝望的。看看何明凯的微博，旅游，玩游戏...所有人都没有落后。所以，伟大的上帝毕竟是伟大的上帝！
