第(2/3)页

    ……

    下午两点整，任少卿走上讲台。

    报告厅里坐了大概七八十人，前排是几位头发花白的老教授，中间是一群年龄不一的副教授和研究员，后排是一大片跟他差不多大乃至更年轻的博士生和硕士生。

    任少卿把U盘插进去，屏幕上亮出报告封面：

    《基于改进卷积神经网络的目标检测：突破传统特征工程的范式》

    他扫了一眼台下，做了个深呼吸。

    “各位老师、各位同学，下午好。我叫任少卿，来自中科大与微软亚洲研究院的联合培养项目。今天我要跟大家分享的工作，核心出发点是一个我认为非常重要的问题——传统的手工特征，在目标检测任务上，是不是已经遇到了天花板？”

    后排有几个博士生坐直了一点。

    前排的老先生们，表情没什么变化。

    任少卿继续往下走。

    他讲架构，讲他对AleXNet的改进，讲数据增强，讲在PASCAL VOC上跑出来的结果。

    讲得快，但逻辑清晰，每一步推进都有据可查。

    讲到第七页，他把那张对比折线图放到了最大。

    “……在相同的测试集上，我们的方法在mAP指标上比当前最优的DPM模型高出了11.3个百分点。这个差距，我认为不是调参层面的改进，而是底层特征提取范式的本质性跃迁。”

    报告厅里安静了大概两秒钟。

    然后，前排左边第二个位置的老先生开口了。

    任少卿认识这位老先生。

    西安交大计算机视觉领域的老前辈，做了三十年图像处理，手底下出来的博士生如今遍布国内各大高校和研究院，标准的一代宗师。

    “小伙子，”

    老先生语气并不严厉，甚至带着点慈祥，

    “你这个结果，训练的时候用了多少GPU？”

    “四张NVIDIA GTX 780，训练了大约十二天。”

    老先生点了点头，慢条斯理地说：

    “我想问你，这十二天、四张显卡跑出来的东西，在工程落地上怎么解决？你这个模型，推理一张图片需要多长时间？”

    “目前大概是0.5到0.8秒每帧——”

    “那实时检测呢？”

    老先生温和地打断，

    “工业摄像头要求的是25帧以上，你离这个目标还差多远？”

    任少卿顿了一下。

    ——他当然知道差多远。他只是同样知道，五年后这个问题会变成什么样的答案。

    “目前确实还不满足实时要求，但是——”

    “还有，”

    旁边另一位中年教授接过话头，语气更直接，

    “你说比DPM高11个点，但你用的训练数据量是DPM的几倍？GPU算力消耗是DPM的几倍？这个对比，公平吗？”

    “数据量大约是……两倍，”

    任少卿深吸一口气，

    “算力消耗相对更高，这点我承认。不过我想指出的是，随着GPU硬件成本持续下降，算力约束在未来三到五年内会快速缓解，到那个时候——”

    “到那个时候再说到那个时候的事。”

    中年教授语气不咸不淡，

    “我们讨论的是2013年可落地的工作。”

    后排有几个博士生没忍住，凑在一起交换了几句什么。

    任少卿站在台上，握着激光笔的手指不动声色地收紧了一下。

    他在组会上被导师骂过，被审稿人拒过，被同组的师兄用红笔密密麻麻划过论文草稿。

    但今天这种感觉，不一样。

    不是羞辱，老先生显然没有这个意思。

    是隔阂。

    是两个人分别站在两座山顶，隔着一道深不见底的沟壑喊话。
    第(2/3)页