的白度不像十年后已经显出很大的颓势，目前白度和企鹅阿狸位列三甲，还是具有很大价值的。
李彦弘所考虑的同样是这点，他对华国官方的了解也远比孟繁岐更深，对其中潜在的机会十分渴望。
既然想要拿下这个方向，疑人不用，用人不疑，李彦弘这点魄力还是有的。
当然了，最主要的还是现在合同都没签呢。
“说白了，你们也没什么可担忧的，我们验收结果通过才会签订合同呢，到时候也是你们自己去审阅代码，复现结果。信不过别人你们还信不过自己吗？”
李彦弘很快调整好了自己的心态，“我们直接持有这样质疑的态度，是非常不可取的。一会人来了之后，我们还是要调整一下，注意方式方法。”
另一边，对这边内幕一无所知的孟繁岐，正准备前往白度的燕京总部。
作为重生人士的他，终究还是高估了现有的检测技术。
第一个真正意义上将深度学习技术应用到目标检测上的，应当是这个月刚刚提出来的r-n，也就是区域检测神经网络。
在传统算法ap值止步于30-40，不再继续提升的情况下，r-n基于神经网络，一举突破了60的ap值。
它的r指得便是区域，检测任务说白了，就是指出物体在图片中的位置区域。
而即便在14-15年，r-n系列作为领先的高性能算法，他的推理时间也是奇慢无比的。
采用14年牛津大学的vgg网络作为结构的骨干，需要整整几十秒才能处理一张图像。也就没有了任何实时的可能，只做学术研究之用，难以投入业界。
即便是一两年后，屡次更新，升级迭代的快速版本fast r-n系列，也只有05和个位数的f。
而孟繁岐给出的算法：yolo。即便在448 x 448大小的图像上，速度也超过了80f。
如果采用最小的模型版本进行推理，速度甚至可以达到惊人的200帧。
多少人直到十年后，玩游戏的时候显示器都显示不了100帧？
原本的初版yolo技术其实在精确程度上还有所不足，毕竟，作为专注于速度的检测技术，在性能上有所牺牲也是在所难免。
但孟繁岐开始接触yolo技术的时候，都已经出到v4了，等到2023年的时候，甚至都已经到了v7，v8。
很多细节上的问题，孟繁岐就是想犯错都不知道该怎么犯。
最开始记得的就是优化之后的技术。
此时
『加入书签，方便阅读』
-->> 本章未完，点击下一页继续阅读(第2页/共3页)