何凯明发表论文

孙剑老师对整个 AI 界的贡献是巨大的，毋庸置疑，ResNet，Faster RCNN 都是耳熟能详的名字。关于他的贡献，孙剑教授无论是在学术上还是产业上，都做得非常好。任何一个搞CV算法，尤其是DL相关的人，都很难绕开孙博这个节点。

学术上：孙剑教授发表了学术论文百余篇，被引超过了25万次，并且在2009和2009两次获得CVPR计算机视觉年会的最佳论文。产业上：孙剑教授加入旷视科技任首席科学家，并且他在2017年带领旷视研究院击败了谷歌、脸书、微软等科技巨头，获得了COCO&Places图像理解国际大赛三项冠军，拥有超过40多项专利。

大学里任何一位老师，只要获得孙剑教授学术上的成就或者产业上的成就，就属于凤毛麟角，孙剑教授在学术上和产业上成就显著，由此可见孙剑教授多么优秀，没想到如此杰出的一位教授，在年仅45岁的时候就不幸因病去世，真的是太让人惋惜了。孙老师是在公司内经常被人提及的名字。孙老师在这个领域的贡献是极大的，能力是极高的，就算是在旷视这种天才云集的公司，孙老师也是让人高山仰止的存在。

孙剑博士是旷视首席科学家、旷视研究院院长，CV领域TOP级别的人物，何凯明在微软亚洲研究院实习的导师，最著名的ResNet通讯作者。他带领旷视研究院研发了多项创新技术，引领前沿人工智能应用。只要从事深度学习基本上都知道他的重量级存在。孙老师的科研哲学理念对我们的影响非常大，论坛邮件里有大量关于做科研和工作的心得。

2003年博士毕业于西安交通大学人工智能与机器人研究所，此后孙剑一直在微软亚洲研究院工作，担任首席研究员，其主要研究方向是计算摄影学，人脸识别和基于深度学习的图像理解。他拥有超过40项专利，自2002年以来在顶级学术会议和期刊上发表学术论文100余篇，被引数为255630。并于2009和2016年两次获得CVPR计算机视觉年会的最佳论文奖。孙剑博士是一位在人工智能技术领域探索和创新的领路人。

%%%%暗原色去雾算法是建立在户外自然场景暗通道优先法则的基础上的去雾方法，其实就是解一个方程%%I(x)=J(x)t(x)+A(1-t(x));其中I(x)是受到雾气污染的图像。J(x)是我们需要求的去雾后的图像%%t(x)是天空中云层的透射分布率，A是天空的亮度%暗影去雾算法% 原始图像img_name = imread('C:\Users\Administrator\Desktop\桌面文件\专业课\设计\2.bmp');I = double(img_name) / 255;% 获取图像大小[h,w,c] = size(I);%去雾系数w0 = 0.95;img_size = w * h;%初始化结果图像dehaze = zeros(h,w,c);%初始化暗影通道图像win_dark = zeros(h,w);for i=1:h for j=1:wwin_dark(i,j)=min(I(i,j,:));%将三个通道中最暗的值赋给dark_I(i,j),显然，三维图变成了二维图endendwin_dark = ordfilt2(win_dark,1,ones(9,9),'symmetric');%计算大气亮度A，相关原理详见论文“Single Image Haze Removal Using Dark Channel Prior”dark_channel = win_dark;A = max(max(dark_channel));[i,j] = find(dark_channel==A);i = i(1);j = j(1);A = mean(I(i,j,:));%计算初始的transmission maptransmission = 1 - w0 * win_dark / A;%用guided filter对trasmission map做soft mattinggray_I = I(:,:,1);%这里gray_I 可以是RGB图像中任何一个通道p = transmission;r = 80;eps = 10^-3;transmission_filter = guidedfilter(gray_I, p, r, eps);t0=0.1;t1 = max(t0,transmission_filter);for i=1:cfor j=1:hfor l=1:wdehaze(j,l,i)=(I(j,l,i)-A)/t1(j,l)+A;endendendfigure,imshow(I);title('去雾前')figure,imshow(dehaze);title('去雾后')%里面用到的两个函数如下：（这两个函数是何凯明guided filter中的，详细原理可以参考博客园中laviewpb的分析）function q = guidedfilter(I, p, r, eps)% GUIDEDFILTER O(1) time implementation of guided filter.%% - guidance image: I (should be a gray-scale/single channel image)% - filtering input image: p (should be a gray-scale/single channel image)% - local window radius: r% - regularization parameter: eps[hei, wid] = size(I);N = boxfilter(ones(hei, wid), r); % the size of each local patch; N=(2r+1)^2 except for boundary pixels.mean_I = boxfilter(I, r) ./ N;mean_p = boxfilter(p, r) ./ N;mean_Ip = boxfilter(I.*p, r) ./ N;cov_Ip = mean_Ip - mean_I .* mean_p; % this is the covariance of (I, p) in each local patch.mean_II = boxfilter(I.*I, r) ./ N;var_I = mean_II - mean_I .* mean_I;a = cov_Ip ./ (var_I + eps); % Eqn. (5) in the paper;b = mean_p - a .* mean_I; % Eqn. (6) in the paper;mean_a = boxfilter(a, r) ./ N;mean_b = boxfilter(b, r) ./ N;q = mean_a .* I + mean_b; % Eqn. (8) in the paper;endfunction imDst = boxfilter(imSrc, r)% BOXFILTER O(1) time box filtering using cumulative sum%% - Definition imDst(x, y)=sum(sum(imSrc(x-r:x+r,y-r:y+r)));% - Running time independent of r; % - Equivalent to the function: colfilt(imSrc, [2*r+1, 2*r+1], 'sliding', @sum);% - But much faster.[hei, wid] = size(imSrc);imDst = zeros(size(imSrc));%cumulative sum over Y axisimCum = cumsum(imSrc, 1);%difference over Y axisimDst(1:r+1, :) = imCum(1+r:2*r+1, :);imDst(r+2:hei-r, :) = imCum(2*r+2:hei, :) - imCum(1:hei-2*r-1, :);imDst(hei-r+1:hei, :) = repmat(imCum(hei, :), [r, 1]) - imCum(hei-2*r:hei-r-1, :);%cumulative sum over X axisimCum = cumsum(imDst, 2);%difference over Y axisimDst(:, 1:r+1) = imCum(:, 1+r:2*r+1);imDst(:, r+2:wid-r) = imCum(:, 2*r+2:wid) - imCum(:, 1:wid-2*r-1);imDst(:, wid-r+1:wid) = repmat(imCum(:, wid), [1, r]) - imCum(:, wid-2*r:wid-r-1);end

function dark = darkChannel(imRGB)r=imRGB(:,:,1);g=imRGB(:,:,2);b=imRGB(:,:,3); 分别提取三色的灰度图[m n] = size(r); 提取单色图矩阵的宽度和长度a = zeros(m,n); 创建m*n的零矩阵afor i = 1: mfor j = 1: na(i,j) = min(r(i,j), g(i,j)); a(i,j)= min(a(i,j), b(i,j)); 依次比较三色分量的最小值提取为暗通道图endendd = ones(15,15); 创建15*15的单位矩阵fun = @(block_struct)min(min(block_struct.data))*d; dark = blockproc(a, [15 15], fun); 将图片分成15*15的小块并将每一块变成其中的最小值dark = dark(1:m, 1:n);我也是新手啊兄弟只能帮你到这儿了

孙剑博士一生专注于科研工作。他的不幸离世，让旷视失去了一位在人工智能技术领域探索和创新的领路人。每一位和他共事过的旷视同学，失去了一位智慧谦和的师长。旷视研究院的墙上一直挂着孙剑博士奠定的研究使命：持续创新拓展认知边界，非凡科技成就产品价值。这句话将永远激励我们，勇攀科研高峰！