第(1/3)頁
人臉識別是一項已經應用了很久的技術，各方面都比較成熟，只是之前的方法比較傳統落后。
一旦孟繁岐做出一些突破之后，可以很快切入進戰場，展開收割，快速盈利。
而醫療AI還處于比較早期的階段，其中最麻煩的問題是這些醫療數據與病人隱私方面的倫理問題。
在最最基層的數據問題上，就有不小的阻礙，各方面的手續章程繁瑣。
雖然尚海公共衛生中心主動與自己聯絡了，不過這方面的事情恐怕不會推進得太快，需要徐徐圖之。
應當先行著手處理的是人臉識別算法方面的事情，并且既然已經決定創業，自然要從商業的視角去考慮，而非是之前的學術角度。
孟繁岐了解這個時期最先進的人臉識別算法，比如臉書的DeepFace，原本是基于阿里克斯網絡做特征提取，加入了分段仿射變換，使用了3D人臉建模來重現臉部特征，對齊面部要素。
臉書在14年的這個方法是深度學習時代人臉識別算法的奠基之作，影響力很強。
不過在孟繁岐看來，這個方法極其臃腫，參數多達上億個，雖然在一個大型人類數據集LFW上性能為97.35%，接近人類水準。
但對孟繁岐來說，將這個性能繼續提升到99.6%往上是十拿九穩的事情。
不過，從數據上可以明顯看到，這個指標剩余的提升空間其實已經很小了，沒法很顯著地拉開差距。
從學術的角度去思考這個問題，自然是不要緊的，只要突破了世界紀錄，自然就是值得發表的研究。
可在工業界，思維卻不能這么簡單。
性能相差無幾的情況下，還有太多其他因素需要考慮進來。
比如速度快慢，商業用途，對速度都有硬指標的要求，這一點孟繁岐非常有信心；再比如算法的算子是否比較常見？有些復雜的學術操作，在商業使用的時候并不方便，硬件設備可能不支持，這點有可能會出問題。
其他諸如價格，使用難度，用戶界面的美觀程度，甚至于宣發的PPT做得唬不唬人，都很有可能成為外行人做出商業判斷的依據之一。
因此，孟繁岐覺得在人臉這個已經被比較成熟的問題上，單純只是自己這2個多點的技術突破只是較大的優勢，還不足以建立起絕對的優勢。
第(1/3)頁