“因此，我认为更深的网络没有取得更好的结果是一个优化问题，而不是一个模型设计问题，又或者是模型能力问题。模型本身是有更大的潜力的，只是优化的方式需要改变。”
“而这就是深度残差的意义所在。”
“对于我们需要学习的任意一个映射H(x)，我期待网络去学习一个F(x)+ x = H(x)中的F(x)，而不是直接学习H(x)本身。”
“这个操作可以简单的通过增加一个加法实现，而距离H(x)差值为x本身的F(x)，我们称之为关于恒等的残差映射。”
“如果这个恒等是理想的，那我们很容易将权重设置为很小的值。残差的形式很好地解决了一直以来都比较麻烦的梯度问题，可以看到，它使得上百层的网络可以持续地取得更好的性能。”
“在本次竞赛的识别分类上取得的成绩，只是残差思想最基础的体现，实际上，它是更好的特征提取器，可以更好地提取图像的特征以应用到各种图像任务中去。”
“不仅是本次竞赛的检测赛道，前两天白度的技术发布会上，想必大家也看到了明显的性能提升。”
说到这里，孟繁岐顿了一下，因为台下已经控制不住地开始议论纷纷。
虽然白度宣布了实时检测办法主要由孟繁岐这个特约研究员贡献，但对于具体的算法细节守口如瓶，什么也没有提。
只是承诺要等到6-12个月后会公布。
虽然众人大概都已经猜到，但听孟繁岐亲口说出，众人至少确定了一件事，那就是白度现在领先世界一大截的实时检测算法，是采用了DreamNet的。
“当然了，视觉类的任务还有非常多，除了我已经做过的生成，检测，分割，识别之外，还有姿态估计，深度估计，超分辨率等等等等。种类繁多，不一而足。”
“我的DreamNet论文已经公布，代码也已经开源，还有很多的方向需要大家一起去探索。”
孟繁岐吃了体量最大的几个赛道的蛋糕，自然也得留点汤给其他人。
在某个比较具体的方向，有几个十分得到认可的代表作就够了。
孟繁岐技术多得发不完，没必要把细分领域都一个个去自己做。
说白了就是稍微改改去让机器运行的事情，换一下数据，稍微调整下个别结构和参数。
把代码开源出来，让越来越多的工作基于自己的技术和算法去进行，是性价比更高
本章未完，请点击下一页继续阅读！