但它的举办地点基本上都在美国，签证方面经常会有一些问题。
本次的机会比较难得，当然要多宣传一下自己的工作。
“基于DreamNet的残差思想，不仅在图像的识别分类上取得了巨大的突破，我同时也衍生出了它的一些变体，比如生成式网络，检测网络，还有分割网络。”
识别分类有竞赛结果，生成式网络的论文已经放出，而检测的网络随着白度的发布会，大家也已经了解它的威力。
至于分割网络，则是这两天随着DreamNet的论文一起放出的U-Net工作。至此，可以说视觉类几大任务的基础范式已经被孟繁岐奠基。
今后不论是识别分类，分割检测，还是迁移生成，都很难绕得开这些轻便又好用的办法了。
“可以看到，这种思想席卷视觉领域之后，使得目前主要的研究方向都有了颠覆性的突破。”
孟繁岐将这几篇论文的主要试验结论摆在了幻灯片的第二页，就是要先以结果震撼众人。
“显然，这些算法在诸多领域都与第二名拉开了巨大的差距，而相当一部分的功劳应当属于残差思想对网络深度的革命。”
“在10年11年，我们仍在使用人工设计的SIFT，HOG还有SVM，12年，阿里克斯的八层AlexNet取得了巨大的突破。”
“而今年，残差思想引发的深度革命，使得训练150+层的神经网络成为可能。”
“深度神经网络是很多任务场景，尤其是视觉任务场景的基础引擎和骨干，这也是为什么它能够迅速影响几个主流的任务。”
“从结构上看，DreamNet并没有什么特别的，比起之前每一层都单独设计的网络，我其实故意希望它变得简单，重复。”
孟繁岐身后的幻灯片展示了一个极其细长的图案，这就是一百多层深的DreamNet结构图。
放大展示它的基本设计，众人发现，它的单层设计非常简洁朴素，只采用了最常规的算子操作。
长长的结构图滚动了起来，观众们都发现，原来每一层并没有任何区别，只是单纯在重复。
由于一百多层的滚动需要太久，在这个严肃的场合显得有些喜感，场内发出了一阵阵笑声。
“那么这里就引出了一个问题，那就是是否单纯地把网络做大作深，就总是可以取得更好的结果呢？”
孟繁岐的这个问题，直到202
本章未完，请点击下一页继续阅读！