“這特麼根本不可能啊..”餘愷還是不能理解這個恐怖的速度提升，“你這裡應該是使用了自己新提出的DreamNet吧？”
“是的，我提出的殘差網路對效能的提升有非常大的幫助，這種幫助是具有普適性的。並不是只有分類任務，在檢測分割還有其他型別的任務上，都有非常強力的效能提升。”
“但如果想要做到這個執行速度，你實際上也沒法使用你論文中提到的，50層，100層吧？”
“那是當然，對於快速檢測演算法來說，沒有必要使用過於深的網路結構。18層或者34層的版本就已經足以負擔大多數需求了。”
“不對，這不可能。”餘愷拿出李彥弘帶回的DreamNet論文影印件，仔細驗算了一遍DreamNet18層和34層的引數量。
“對於這個引數量的網路來說，你最多也只能做到每秒35張圖片才對。”餘愷算來算去，還是根本對不上結果。
孟繁岐本想解釋一番，說鉅額的速度提升來自於檢測端的創新突破，而不是骨幹網路。
YOLO方法不做滑動視窗，也不去提出可選區域，而是直接對整個圖片做迴歸。
這樣的做法泛化效能很好，對不同型別不同場景的圖片效能波動不大，但是在比較精細的事情上稍有欠缺，比如較小物體的檢測和絕對位置。
但剛一想開口，又覺得不大保險。
眼前的兩位技術負責人都是高手中的高手，自己言多必失，若是點醒了別人，那可就大事不好了。
“具體的結果已經展示給幾位了，演算法的細節和原理，現在這個階段肯定是不方便和幾位細聊的。”孟繁岐微笑應道，“如果你算出來不可能，說明你的前提就錯了。”
“對我個人來說的話，其實這個成績還有很大的最佳化空間的，只是我目前的主要興趣並不在這個方向上。”
聽聽，這說的是人話麼！
汪海峰剛想說點什麼，聞言一時語塞，當場噎住。
他這兩年檢測演算法搞了不少，距離這個結果還有十萬八千里呢，結果眼前這人說得這叫什麼話？
目前對這個方向不是那麼感興趣？那你倒是怎麼在提升檢測精確度的同時還給他加速了一百多倍的？
隨便寫了點是吧？氣不氣人吶？
“你後續會負責繼續對這個系列演算法進行最佳化嗎？”李彥弘非常關注這件事，如果孟繁岐答應持續最佳化升級這個系列，其實就會起到一個類似招聘的效果。
“那這個就要看我們合同具體怎麼簽了。”孟繁岐打起了太極，合同沒看到，這種事情自然不好說。
李彥弘靠在椅背上，左手扶著下巴，開始了沉思。
孟繁岐不懷疑李彥弘在AI方向的投入力度，從20132023的這十年，李彥弘累計投入了超過千億在AI方向上，平均下來每年都有上百億。
即便從每年的經費裡面勻出來百分之一，也都夠自己吃得飽飽的了。
“我們自己這邊也有一些圖片資料，方便挪過來做一下推理嗎？”汪海峰問道。
“沒問題，都可以的。”孟繁岐聽了這句話，頓時警惕了起來。一般來說，要求演算法直接在自己的資料上推理聽起來很正常，但實際上是不大合理的事情。