第(2/3)頁

    自己計劃明年初去硅谷，想搭上華國官方的線，還是需要借力白度這樣的大型互聯網公司。

    此時的白度不像十年后已經顯出很大的頹勢，目前白度和企鵝阿貍位列三甲，還是具有很大價值的。

    李彥弘所考慮的同樣是這點，他對華國官方的了解也遠比孟繁岐更深，對其中潛在的機會十分渴望。

    既然想要拿下這個方向，疑人不用，用人不疑，李彥弘這點魄力還是有的。

    當然了，最主要的還是現在合同都沒簽呢。

    “說白了，你們也沒什么可擔憂的，我們驗收結果通過才會簽訂合同呢，到時候也是你們自己去審閱代碼，復現結果。信不過別人你們還信不過自己嗎？”

    李彥弘很快調整好了自己的心態，“我們直接持有這樣質疑的態度，是非常不可取的。一會人來了之后，我們還是要調整一下，注意方式方法。”

    另一邊，對這邊內幕一無所知的孟繁岐，正準備前往白度的燕京總部。

    作為重生人士的他，終究還是高估了現有的檢測技術。

    第一個真正意義上將深度學習技術應用到目標檢測上的，應當是這個月剛剛提出來的r-cnn，也就是區域檢測神經網絡。

    在傳統算法map值止步于30-40，不再繼續提升的情況下，r-cnn基于神經網絡，一舉突破了60的map值。

    它的r指得便是區域，檢測任務說白了，就是指出物體在圖片中的位置/區域。

    而即便在14-15年，r-cnn系列作為領先的高性能算法，他的推理時間也是奇慢無比的。

    采用14年牛津大學的vgg網絡作為結構的骨干，需要整整幾十秒才能處理一張圖像。也就沒有了任何實時的可能，只做學術研究之用，難以投入業界。

    即便是一兩年后，屢次更新，升級迭代的快速版本fast    r-cnn系列，也只有0.5和個位數的fps。

    而孟繁岐給出的算法：yolo。即便在448    x    448大小的圖像上，速度也超過了80fps。

    如果采用最小的模型版本進行推理，速度甚至可以達到驚人的200幀。

    多少人直到十年后，玩游戲的時候顯示器都顯示不了100幀？

    原本的初版yolo技術其實在精確程度上還有所不足，畢竟，作為專注于速度的檢測技術，在性能上有所犧牲也是在所難免。
    第(2/3)頁