“这特么根本不可能啊..”余恺还是不能理解这个恐怖的速度提升，“你这里应该是使用了自己新提出的DreamNet吧？”
“是的，我提出的残差网络对性能的提升有非常大的帮助，这种帮助是具有普适性的。并不是只有分类任务，在检测分割还有其他类型的任务上，都有非常强力的性能提升。”
“但如果想要做到这个运行速度，你实际上也没法使用你论文中提到的，50层，100层吧？”
“那是当然，对于快速检测算法来说，没有必要使用过于深的网络结构。18层或者34层的版本就已经足以负担大多数需求了。”
“不对，这不可能。”余恺拿出李彦弘带回的DreamNet论文复印件，仔细验算了一遍DreamNet18层和34层的参数量。
“对于这个参数量的网络来说，你最多也只能做到每秒3-5张图片才对。”余恺算来算去，还是根本对不上结果。
孟繁岐本想解释一番，说巨额的速度提升来自于检测端的创新突破，而不是骨干网络。
YOLO方法不做滑动窗口，也不去提出可选区域，而是直接对整个图片做回归。
这样的做法泛化性能很好，对不同类型不同场景的图片性能波动不大，但是在比较精细的事情上稍有欠缺，比如较小物体的检测和绝对位置。
但刚一想开口，又觉得不大保险。
眼前的两位技术负责人都是高手中的高手，自己言多必失，若是点醒了别人，那可就大事不好了。
“具体的结果已经展示给几位了，算法的细节和原理，现在这个阶段肯定是不方便和几位细聊的。”孟繁岐微笑应道，“如果你算出来不可能，说明你的前提就错了。”
“对我个人来说的话，其实这个成绩还有很大的优化空间的，只是我目前的主要兴趣并不在这个方向上。”
听听，这说的是人话么！
汪海峰刚想说点什么，闻言一时语塞，当场噎住。
他这两年检测算法搞了不少，距离这个结果还有十万八千里呢，结果眼前这人说得这叫什么话？
目前对这个方向不是那么感兴趣？那你倒是怎么在提升检测精确度的同时还给他加速了一百多倍的？
随便写了点是吧？气不气人呐？
“你后续会负责继续对这个系列算法进行优化吗？”李彦弘非常关注这件事，如果孟繁岐答应持续优化升级这个系列，其实就会
本章未完，请点击下一页继续阅读！