笔趣屋

第15章 比赛在开始前就已经结束（第3页）

在一个性能已经相当不错的模型上继续微调它的性能，就远远用不到21天那么久的时间了。

只需两天左右的时间，新的训练日志便显示，模型的性能已经基本收敛到一个固定值，很少再继续波动。

这样的话，孟繁岐在前往澳大利亚会议现场之前，就只剩下唯一的一件事情要做，那就是补齐手头这些论文的实验数据。

将这些文章所缺的最后一块拼图填补上去。

截止此时，孟繁岐已经大约完成了接近7篇之多的文章。除了本次的参赛核心，基于残差思想的新模型DreamNet，以及相关的训练技巧，批归一化，Adam二阶优化器，和Mix-up数据增强之外。

孟繁岐还在三个其他方向上准备了开创性的工作，以占坑三个关键的领域。

在参赛的相关内容中，其实只有残差网络算得上是开创性的内容。余下的三者，虽然是各自方向上的佳作，但是难以称得上是某一细分领域的奠基之作。

写论文去详细描述，也只是迫于无奈，因为为了确保DreamNet的性能和训练速度，孟繁岐不得已而使用了一些技巧。

为了确保这样的重要结果业界可以复现，孟繁岐不得不详细描述这些训练技巧，于是便写成论文。但若是有得选择，其实并不急于一时。

而他真正希望抢占先机去布局的，一，是先前与付院长讨论过原理的，生成式对抗网络。这是近些年来最具有前景也最优雅的无标签学习方法，是以后所有生成类技术难以绕开的一个里程碑。

二，是基于新思想的实时检测网络。这会使得在图片上分辨物体并确定位置的速度和准确率大大提高。日后落地最广的图像检测技术，不论是人脸识别，自动驾驶还是工业内检测。这些新技术都不得不提到这次提速的重要意义。

三，则是最简洁好用的分割网络，U-Net。这将会是复杂分割任务的基准线，并且会制霸医疗图像领域。

孟繁岐选出这三类加上残差网络，就涵盖了分类，检测，分割和生成四大领域。占领了图像算法的四大主要赛道。

之所以全选择图像类的技术，也是为了显得合理一些。至于语言类，语音类或者多种模态的融合算法，他则计划可以稍稍放缓些时日提出。