何恺明
何恺明，计算机视觉与深度学习领域的知名研究者，曾任职于微软研究院及Facebook AI Research（FAIR）。其主要学术贡献包括残差网络（ResNet）、Mask R-CNN实例分割框架、何氏权重初始化方法等，多项成果对图像识别、目标检测等任务产生了深远影响，并多次获得计算机视觉顶级会议最佳论文奖。
核心事实
时间轴 (近 90 天)
何恺明提出的残差连接（Residual Connection）解决了深度学习层数过多导致的深度丢失或塌陷问题
何恺明等人在2021年提出的MAE将图像切分为patch后随机遮盖高达75%的patch，用Vision Transformer编码可见patch并重建被遮盖部分
残差连接由何恺明在2015年ResNet中首次引入深度学习
2015年何恺明等人提出的ResNet引入了残差连接（Skip Connection），使训练上百层甚至上千层的网络成为可能，并成为Transformer架构中的标配组件
2015年何恺明等人提出的ResNet引入了残差连接（Skip Connection），使训练上百层甚至上千层网络成为可能
2015年何恺明等人提出的ResNet引入了残差连接（Skip Connection），使训练上百层甚至上千层的网络成为可能
He 初始化由何恺明于2015年提出，针对 ReLU 激活函数将方差调整为 2/n_in
ResNet 由何恺明等人在 2015 年提出，核心创新是跳跃连接，让网络学习残差映射 F(x)=H(x)-x
残差连接（Residual Connection）由何恺明等人在2015年的ResNet论文中提出，用于解决深层网络中的信息损失问题
全部知识事实 (14)
DDPM（Denoising Diffusion Probabilistic Models）在2020年奠定了扩散模型的理论基础
90%已验证2020年DDPM（Denoising Diffusion Probabilistic Models）在图像生成领域开创了通过逐步加噪—逐步去噪实现高质量生成的范式
80%已验证扩散模型的理论根基可追溯至2015年Sohl-Dickstein等人发表的非平衡热力学论文
80%已验证ResNet（残差网络）由微软研究院何恺明团队于2015年提出，通过引入残差连接解决了深层网络训练中的梯度消失问题
80%已验证残差连接最初由 He 等人在2015年的 ResNet 论文中提出，用于解决深度神经网络的梯度消失问题
75%待验证2015年何恺明等人提出的ResNet引入了残差连接（Skip Connection），使训练上百层甚至上千层的网络成为可能
60%待验证何恺明提出的残差连接（Residual Connection）解决了深度学习层数过多导致的深度丢失或塌陷问题
50%待验证何恺明等人在2021年提出的MAE将图像切分为patch后随机遮盖高达75%的patch，用Vision Transformer编码可见patch并重建被遮盖部分
50%待验证残差连接由何恺明在2015年ResNet中首次引入深度学习
50%待验证2015年何恺明等人提出的ResNet引入了残差连接（Skip Connection），使训练上百层甚至上千层的网络成为可能，并成为Transformer架构中的标配组件
50%待验证2015年何恺明等人提出的ResNet引入了残差连接（Skip Connection），使训练上百层甚至上千层网络成为可能
50%待验证He 初始化由何恺明于2015年提出，针对 ReLU 激活函数将方差调整为 2/n_in
50%待验证ResNet 由何恺明等人在 2015 年提出，核心创新是跳跃连接，让网络学习残差映射 F(x)=H(x)-x
50%待验证残差连接（Residual Connection）由何恺明等人在2015年的ResNet论文中提出，用于解决深层网络中的信息损失问题
50%