早在2023年就爆出AI大神何愷明面試MIT教職的視頻，如今終于塵埃落定。

其在個(gè)人網(wǎng)站上宣布，自己將于2024年加入MIT EECS（電子工程和計(jì)算機(jī)科學(xué)系) 。

并且在2024年2月正式在MIT上了第一課：計(jì)算機(jī)視覺(jué)進(jìn)階。

課程官方網(wǎng)址：

https://advances-in-vision./schedule.html

后臺(tái)回復(fù)hkm獲取課程PPT。

這里先簡(jiǎn)單介紹下其個(gè)人成就，隨后再介紹課程內(nèi)容。

如果不熟悉何凱明，那么提起ResNet，想必做CV的秒懂，有多少模型的骨干網(wǎng)絡(luò)用的都是ResNet??！

2003 年，何愷明以標(biāo)準(zhǔn)分 900 分獲得廣東省高考總分第一，被清華大學(xué)物理系基礎(chǔ)科學(xué)班錄取。在清華物理系基礎(chǔ)科學(xué)班畢業(yè)后，他進(jìn)入香港中文大學(xué)多媒體實(shí)驗(yàn)室攻讀博士學(xué)位，師從湯曉鷗。何愷明曾于 2007 年進(jìn)入微軟亞洲研究院視覺(jué)計(jì)算組實(shí)習(xí)，實(shí)習(xí)導(dǎo)師為孫劍博士。

2011 年博士畢業(yè)后，何愷明加入微軟亞洲研究院工作任研究員。2016 年，何愷明加入 Facebook 人工智能實(shí)驗(yàn)室，任研究科學(xué)家。

何愷明的研究曾數(shù)次得獎(jiǎng)。2009 年，湯曉鷗教授、孫劍博士和當(dāng)時(shí)博士研究生在讀的何愷明共同完成的論文《基于暗原色的單一圖像去霧技術(shù)》拿到了國(guó)際計(jì)算機(jī)視覺(jué)頂會(huì) CVPR 的最佳論文獎(jiǎng)。

2016 年，何愷明憑借 ResNet 再獲 CVPR 最佳論文獎(jiǎng)，此外，他還有一篇論文進(jìn)入了 CVPR2021 最佳論文的候選。何愷明還因?yàn)?Mask R-CNN 獲得過(guò) ICCV 2017 的最佳論文（Marr Prize），同時(shí)也參與了當(dāng)年最佳學(xué)生論文的研究。

根據(jù) Google Scholar 的統(tǒng)計(jì)，何愷明一共發(fā)表了 74 篇論文，H Index 數(shù)據(jù)為 68。截至今天，何愷明的研究引用次數(shù)超過(guò) 53 萬(wàn)次，并且每年以超過(guò) 10 萬(wàn)次的速度增長(zhǎng)。

這是個(gè)什么量級(jí)呢？簡(jiǎn)而言之，他加入 MIT 之后立刻成為該校論文引用量最高的學(xué)者，不限學(xué)科，沒(méi)有之一。

他在MIT的第一課仍然圍繞其深耕多年的領(lǐng)域：計(jì)算機(jī)視覺(jué)。

不愧是大神出品，內(nèi)容循序漸進(jìn)，深刻易懂，系統(tǒng)的介紹了CV的歷史，圖像的生成，傳統(tǒng)的圖像處理方法，傳統(tǒng)機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)方法，以及CNN在不同領(lǐng)域中的應(yīng)用。

第1講：

文檔還包含了一些關(guān)于計(jì)算機(jī)視覺(jué)的歷史和基本概念，例如視覺(jué)系統(tǒng)的歷史、圖像形成模型、從邊緣到表面約束的推理方案，以及計(jì)算機(jī)視覺(jué)任務(wù)的一般介紹。

第2講：

文檔通過(guò)理論和實(shí)驗(yàn)演示，深入探討了圖像形成的基本原理，包括光線如何通過(guò)針孔或透鏡聚焦到傳感器上，以及這些過(guò)程如何影響最終圖像的形成。

第3講：

詳細(xì)介紹了信號(hào)處理在計(jì)算機(jī)視覺(jué)中的應(yīng)用，例如，卷積，圖像變換，傅里葉變換等等。

第4講：

詳細(xì)介紹了線性濾波器在圖像和視頻處理中的應(yīng)用，特別是在空間和時(shí)間維度上的濾波操作。同時(shí)，也探討了這些濾波器如何影響我們對(duì)圖像內(nèi)容的感知，以及它們?cè)谟?jì)算機(jī)視覺(jué)和圖像分析中的實(shí)用性。

第5講：

詳細(xì)介紹了多尺度金字塔在圖像處理中的應(yīng)用，特別是在模式檢測(cè)、圖像融合和紋理分析方面的應(yīng)用。同時(shí)，也探討了這些方法在計(jì)算機(jī)視覺(jué)和圖像處理中的實(shí)用性和局限性。

第6講：

詳細(xì)介紹了機(jī)器學(xué)習(xí)的基本概念、方法和挑戰(zhàn)，特別是在圖像分類(lèi)和線性回歸中的應(yīng)用。同時(shí)，也強(qiáng)調(diào)了泛化問(wèn)題的重要性，并提供了解決過(guò)擬合和欠擬合問(wèn)題的策略。

第7講：

詳細(xì)介紹了神經(jīng)網(wǎng)絡(luò)的基本概念、結(jié)構(gòu)、計(jì)算方法以及深度網(wǎng)絡(luò)在數(shù)據(jù)表示和轉(zhuǎn)換中的作用。同時(shí)，也討論了如何通過(guò)正則化技術(shù)來(lái)防止過(guò)擬合。

第8講：

詳細(xì)介紹了梯度下降和反向傳播在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的應(yīng)用，以及如何通過(guò)可微分編程來(lái)優(yōu)化計(jì)算圖中的節(jié)點(diǎn)和邊。

第9講：

詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本概念、操作和應(yīng)用，以及如何通過(guò)可視化技術(shù)來(lái)理解網(wǎng)絡(luò)的行為。

截止到本文發(fā)布時(shí)，該課程仍在進(jìn)行中，后續(xù)課程ppt和視頻鏈接請(qǐng)?jiān)L問(wèn)下面官方網(wǎng)址。

https://advances-in-vision./schedule.html