第86章 视觉新范式（2/3）

本次的机会比较难得，当然要多宣传一下自己的工作。

“基于dre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dre的论文一起放出的u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ift，hg还有v，12年，阿里克斯的八层ae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，dre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dre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2023年也没有一个理论上的答复，但很显然，巨大的模型还在持续地创造一个个奇迹。

不管是绘画，对话，还是图像操作，都还远没有到达极限。

“我非常希望自己能