“別亂說嗷，我哪有這麼好命。”孟繁岐覺得這小子還挺有意思的，“說正事吧，文件和論文的草稿我這裡都給了，這個你們仔細仔細去讀，我就不直接講了。”
“今天主要就是說一下主要脈絡和邏輯。YOLO檢測演算法，就是you only look once，只看一次。指的是對圖片僅進行一次掃描，它的主要速度提升就來自於此。
一個經典的檢測方法的流程是這樣的：先透過計算機圖形學（或者深度學習）的方法，對圖片進行分析，找出若干個可能存在物體的區域，將這些區域裁剪下來，放入一個圖片分類器中，由分類器分類。
最愚蠢的做法就是用多個尺寸的選框反覆掃描圖片，後面則是使用一些辦法，篩選最有可能的一些區域。這些做法都是兩步走的，看一次圖片選感興趣的區域，再看一次圖片去為這個區域做分類。
而我的做法是直接將整個圖片劃分成均勻的多個網格，其中每個格子都可以輸出物體的類別和檢測框的座標。物體落在哪個區域，哪個區域就負責預測這個物體。
我的網路輸出是一維的，前N個數字代表N個類別的機率，後面X個數字代表X個檢測框的機率，最後4X個數字用以描述檢測框在圖片上的位置。”
“那怎麼可能會快一兩百倍呢？”有思維敏捷的白度研究員出聲提問道，“比較注重速度的傳統辦法會削減提出的區域數量，通常最多也不過千餘個。按照你的說法，你至少也需要數十個網格，每個網格又需要數個檢測框，這樣的話，感覺差別也不是非常大。”
“如果我們採用7x7的網格+兩個檢測框的話，總數量就僅為98個檢測框。此外，在骨幹網路的設計還有非極大值抑制的具體操作順序上，也有很大的調整空間。”
“那效能應該會受到很大的影響吧？”
“多類的目標應該怎麼去做？”
“這樣的話，小目標的檢測應該會是一個難題吧？”
隨著孟繁岐的講解，在場的研究員們理解越來越深，問題也越來越多。
孟繁岐不得不說，李彥弘的這個研究院確實聚集了一批相當出色且思維跳躍有創造力的青年程式設計師們。
這才聽了沒有半小時，就已經能夠問出相當有深度，有意義的問題了。
其中有速度提升的來源，引數設定和意義這樣孟繁岐很好解釋的問題。
也有對小目標檢測的擔憂，這種確實是YOLO演算法硬傷的問題。
討論起技術內容來，時間總是過得特別快，不知不覺兩三個小時過去，孟繁岐此行的任務總算是全部完成了。
“走吧，今天簽了個大單子，比我想象的久好多啊。”如此高強度的談判加技術討論，他精神上的確有點吃不消了。“怎麼說，請你吃頓好？”
“去城裡吧。”韓辭微笑著建議道。
其實對大部分女生而言，這一趟下來，恐怕心中很難生出什麼好感。前前後後好幾個小時，換麥芒這樣的來了能無聊死。
不過對韓辭來說，這種專業領域上的才能和專注投入，反而是一件挺加分的事情。