京东争抢AI人才,前微软亚洲研究院资深研究员梅涛博士加盟


计算机视觉和多媒体领域的杰出科学家梅涛博士日前正式加入京东,出任京东集团AI平台与研究部AI研究院副院长,并担任计算机视觉与多媒体实验室主任。他将负责创建计算机视觉与多媒体实验室,以及京东AI平台与研究部在该领域的研究、创新和应用,向该部门负责人、京东集团副总裁周伯文博士汇报。


梅涛博士领导的实验室将聚焦于计算机视觉和多媒体领域的基础研究、算法创新和技术应用,将其深厚的计算机视觉技术的积累应用在京东零售、物流、金融、云计算等领域,并对相关基础设施模块进行赋能。同时,梅涛博士的团队还将探索计算机视觉与多媒体技术在一些新兴领域(如时尚和设计)的应用和落地,以提高和丰富用户在无界零售中的购物体验,使京东在相关领域的技术成为业界领先。

 

在加入京东之前,梅涛博士就职于“中国IT界的黄埔军校”——微软亚洲研究院,担任资深研究员,他同时还是中国科学技术大学和中山大学的客座教授和兼职博导,复旦大学的客座教授。梅涛博士在计算机视觉和多媒体领域的国际一流学术期刊及会议上发表论文100余篇,先后11次荣获最佳论文奖——包括包揽多媒体领域顶级学术期刊(IEEE T-MM, IEEE T-CSVT, ACM TOMM)的年度最佳论文和两次荣获多媒体顶级学术会议ACM Multimedia的最佳论文,并拥有50余项美国和国际专利。


梅涛博士领导的研究团队一直致力于图像和视频的深度理解、分析和应用,多次在图像和视频识别、描述和搜索的国际比赛中排名第一(如TRECVid、COCO、ActivityNet等)。他的研究成果先后20余次被成功转化到微软公司的关键产品和服务中,本人也多次被授予微软公司金星奖。

 

梅涛博士目前同时担任多媒体领域顶级期刊 IEEE T-MM 和 ACM TOMM的编委,并且是即将到来的2018年ACM多媒体年会(ACMMultimedia)的程序委员会主席和2019年IEEEE多媒体年会(IEEE ICME)的大会主席。他还是IEEE信号处理学会2018-2019年度杰出工业界演讲者。因在大规模多媒体内容分析、理解和应用领域做出的卓越贡献,梅涛博士于2016年当选为美国计算机协会杰出科学家(ACM DistinguishedScientist)和国际模式识别学会会士(IAPR Fellow)。他于1996年进入中国科学技术大学自动化系学习,分别于 2001 年和 2006 年获学士和博士学位。梅涛博士表示,“加入京东非常兴奋,希望可以将自身在科研、技术和管理方面多年的积累用来更好的改变零售世界,提升用户体验”。



招聘

新一年,AI科技大本营的目标更加明确,有更多的想法需要落地,不过目前对于营长来说是“现实跟不上灵魂的脚步”,因为缺人~~


所以,AI科技大本营要壮大队伍了,现招聘AI记者和资深编译,有意者请将简历投至:gulei@csdn.net,期待你的加入!


如果你暂时不能加入营长的队伍,也欢迎与营长分享你的精彩文章,投稿邮箱:suiling@csdn.net


如果以上两者你都参与不了,那就加入AI科技大本营的读者群,成为营长的真爱粉儿吧!后台回复:读者群,加入营长的大家庭,添加营长请备注自己的姓名,研究方向,营长邀请你入群。


热文精选


突发 | Yann LeCun卸任!Facebook变天,做AI不能落地是不成了

开发者AI职业指南:CSDN《AI技术人才成长路线图V1.0》重磅发布

企业智能化升级之路:CSDN《2017-2018中国人工智能产业路线图V1.0》重磅发布

蒋涛:重新回归的我,将带领CSDN全方位升级,为AI转型者打造一站式平台

速成班出来的AI人才,老板到底要不要?6位导师告诉你行业真相

2018 年了,该不该下定决心转型AI呢?

先搞懂这八大基础概念,再谈机器学习入门!

这三个普通程序员,几个月就成功转型AI,他们的经验是...

干货 | AI 工程师必读,从实践的角度解析一名合格的AI工程师是怎样炼成的



☟☟☟点击 | 阅读原文 | 查看更多精彩内容

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值