רקע והשכלה
קאימינג הה הוא מדען-מחשב סיני-אמריקאי. הוא סיים תואר ראשון באוניברסיטת צינגחואה (2007) ודוקטורט באוניברסיטה הסינית של הונג-קונג (2011) בהנחיית שיאואו טאנג, כאשר עבודת-הדוקטורט שלו עסקה בהסרת-ערפל מתמונות בשיטת "dark channel prior" — נושא בראיית-מחשב קלאסית, עוד לפני שהתמקד ברשתות-נוירונים עמוקות.
קריירה: ממחקר סיני ל-Meta ולחזרה לאקדמיה
הה עבד ב-Microsoft Research Asia בין 2011 ל-2016, ולאחר מכן במעבדת המחקר Facebook AI Research (FAIR, כיום חלק מ-Meta) בין 2016 ל-2024. ב-2024 עבר לתפקיד פרופסור-חבר עם קביעות במחלקת ההנדסה-החשמלית ומדעי-המחשב (EECS) של MIT, תוך המשך עבודה חלקית כמדען-מצטיין (Distinguished Scientist) ב-Google DeepMind — שילוב שמדגים מעבר נפוץ יחסית בין תעשייה לאקדמיה בקרב חוקרי-AI בכירים.
ResNet: פריצת-הדרך המרכזית
התרומה המוכרת ביותר של הה היא ResNet (Residual Network) — ארכיטקטורת-רשת-נוירונים שהציג ב-2015/2016 יחד עם שיאנגיו ג׳אנג, שאוצ׳ינג רן וג׳יאן סון, ושפתרה בעיה מרכזית שהגבילה עד אז את עומק הרשתות שאפשר לאמן בפועל: ככל שרשת מעמיקה יותר, קשה יותר לאמן אותה ביעילות בגלל בעיית "שיפוע-נעלם". "קישורי-שארית" (residual connections) שהציעו מאפשרים למידע לדלג על שכבות שלמות, מה שהופך אימון של רשתות בנות מאות שכבות לאפשרי בפועל. המאמר, "Deep Residual Learning for Image Recognition", ניצח בתחרות ImageNet 2015 וזכה בפרס-המאמר-הטוב-ביותר ב-CVPR 2016; הוא נחשב לאחד המאמרים המצוטטים ביותר בתחום מדעי-המחשב במאה ה-21.
תרומות נוספות
מעבר ל-ResNet, תרם הה גם ל-Faster R-CNN ול-Mask R-CNN — שיטות מובילות לזיהוי-אובייקטים ולסגמנטציית-מופעים (הבחנה בין עצמים בודדים בתוך תמונה, לא רק סיווג כללי). בשנים מאוחרות יותר עבד גם על שיטות-למידה-עצמית-מונחית (self-supervised learning) כמו MoCo (Momentum Contrast) ו-MAE (Masked Autoencoders), המאפשרות לרשתות ללמוד ייצוגים שימושיים של תמונות בלי תיוג-אנושי.
הכרה ומורשת
הה זכה בפרס-המאמר-הטוב-ביותר ב-CVPR פעמיים (2009, 2016), בפרס Marr Prize של ICCV (2017), בפרס-החוקר-הצעיר של PAMI (2018), ובפרסי "מבחן-הזמן" (Test of Time) של ICCV ו-CVPR (2025–2026) על עבודות שהוכיחו השפעה ארוכת-טווח. קישורי-השארית שהציג ב-ResNet הפכו לרכיב-יסוד כמעט אוניברסלי בארכיטקטורות עמוקות מודרניות — כולל בטרנספורמרים, במערכות כמו AlphaGo Zero ואפילו ב-AlphaFold — כך שהשפעתו חורגת בהרבה מתחום ראיית-המחשב שבו החל.