“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。”
“这个操可以简单的通过增加一個加法实现，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dream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dream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。”
更多内容加载中...请稍候...
本站只支持手机浏览器访问，若您看到此段落，代表章节内容加载失败，请关闭浏览器的阅读模式、畅读模式、小说模式，以及关闭广告屏蔽功能，或复制网址到其他浏览器阅读！
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！
