第98章 多目標演算法思路

請關閉瀏覽器的閱讀/暢讀/小說模式並且關閉廣告遮蔽過濾功能，避免出現內容無法顯示或者段落錯亂。

孟繁岐和王愷這段時間溝通頗多，已經挺熟了。

不過看到這句話，孟繁岐還是覺得相當無厘頭：“你一個一米八幾的肌肉壯漢，我帶你走什麼啊？是我帶你走還是你扛著我走啊？”

“兄弟又被安排來找你了呀。”王愷一邊說著，給孟繁岐發了一張機場的照片：“剛到機場，晚上的飛機去尚海。”

“啥情況啊？”

“這不是領導不放心嗎，不敢使喚你往燕京來，只能派小弟我往尚海去。”王愷也是身不由己，雖說剛剛立了功勞，但總覺得這工作做得沒什麼提升。

“領導說，要讓我在你身邊吃透這部分程式碼，到時候回去跟大家講解。”

“還是跟上回一樣的活唄。”孟繁岐瞭然，自己畢竟不是白度的人，李彥弘急著拿政府專案，肯定還是需要派人跟自己交接程式碼。

單看最後那一下，估計是不放心。因此派了此前和自己一直溝通的王愷來跟著自己，抓緊一分一秒，把孟繁岐新開發的這部分內容徹底掌握。

“行吧，這也沒什麼，明天我們在合川路附近那個白度的分部見。”

“沒問題，哥。”王愷答應得很爽快：“哥你要是以後有用人的時候，一定要想起我，不管什麼時間，什麼地點，兄弟肯定跟你幹了。”

“你這個帶我走，搞了半天是這個意思？”孟繁岐這才回過味來。

“那肯定啊，打工肯定是沒什麼大前途的嘛，安安穩穩領點死工資，一輩子攢不下多少錢來。”王愷也不藏著掖著，直接說出了自己最真實的想法。

“我也不記得是哪裡看到的話了，說人這一輩子每天都能至少碰到一個改變自己一生命運的機會，只是自己絕大部分時候都完全不知道。”

“改變自己一生也得看怎麼改啊，出門被泥頭車創飛了也是改變自己一生。”孟繁岐倒是聽過另一個版本：“我聽過的版本是，一個人在矽谷一輩子一定會碰到一個一夜暴富的機會，俗稱五個一。”

“我覺得你就是我的機會，哥，以後要真創業，一定叫上我。小弟絕對盡職盡責當牛做馬，鞠躬盡瘁死而後已。”經歷了這兩次孟繁岐的技術衝擊，王愷已經徹底折服於他的技術實力之下。

很多時候演算法不是能不能寫出來的問題，而是能不能想得到。

過去幾天內，白度AI研究院召回了一批在外奔波的技術人員，希望逐漸將重心轉移回來。但忙忙碌碌快一週，在多目標檢測追蹤方面完全沒有任何有意義的進展。

雖然最近白度AI的事業方面欣欣向榮，一片大好的局勢，可不少內部的AI技術人員其實都頗有微詞。

YOLO演算法很強，但根本不是白度自主研發的，只是借了孟繁岐的力量做了一個大的落地專案。

短期內確實是突飛猛進，若是長期去看，卻不是什麼好事，真正技術上的積累還不夠。

尤其一下子來了太多專案和客戶，研究人員被極大地分散了精力，不少人私下裡都在抱怨自己在做職責外的事情。

政府方面的新需求就是一個很好的例子，缺乏時間去沉澱技術的白度一時之間根本是一籌莫展，還是得轉過頭去找孟繁岐做這個需求。

王愷覺得，與其這樣反覆去找孟繁岐，還不如自己乾脆去跟他幹算了。

以他對孟繁岐技術實力的觀感，創業賺大錢只是賺多少的問題，根本不存在失敗的可能。

聽完王愷這一系列的內情，孟繁岐其實相當能夠理解，管理層很多時候的想法和決策，確實對底層員工不大友好。

因為他們沒有，也不可能真的從底層員工的視角去考慮問題，說白了打工仔的想法別人壓根就不在乎。

“短期內確實沒有創業的想法，可能兩年後會有計劃。”孟繁岐單憑技術分成入股的形式就足以賺夠足額的財富了，再輔之一些投資，這樣會遠比創業輕鬆很多。

如果真的要自己出來辦公司的話，孟繁岐目前只有一個計劃，那就是在兩年後，15年底的時候和伊利亞出走谷歌，一起辦OpenAI。

不過即便這件事情他也沒有想好，因為在規劃當中，15年前孟繁岐會把ChatGPT需要的核心技術比如注意力機制和生成式預訓練Transformer都發表出來。

到時候說不定單純技術和資本入股OpenAI就好，做個技術顧問，沒必要非得自己下場創業打工。

“到時候再說吧，我如果有什麼動作，不會藏著掖著的，你到時候看到了記得聯絡我。”

有人這麼早就認定了自己，孟繁岐也願意讓他加入團隊，畢竟也是白度做AI的工程師，水平上沒什麼問題。

只是自己短期實在沒這個需求，即便有，也不大好意思把李總派來對接的人直接挖走。

結束了簡短的通話，孟繁岐開始檢索匈牙利演算法和庫恩-曼克爾斯(KM)演算法，這兩者其實都是老方法了。

比如匈牙利演算法，就提出於1955年，是一種在多項式時間內求解分配問題的組合最佳化演算法。

SORT多目標追蹤辦法也只是利用這兩者，以及孟繁岐提出的YOLO，並不需要對這三者本身有很多的改變。

YOLO演算法作為特徵提取器，用來提取所有的車輛部分。

匈牙利或者KM演算法，對相鄰幀之間的若干目標進行最大匹配，卡爾曼濾波則根據目標軌跡的預測對結果進行一些修正。

尤其政府的場景當中，車輛的運動軌跡比較規則單一，這個方法的效果會相當優秀而穩定。

並且，在相鄰幀中，孟繁岐還引入了IOU距離，也就是兩個檢測框之間交集的面積，用它作為二分圖匹配的權重。

同時也能夠根據幀之間的距離計算車速，並根據車速範圍合理設計相關引數的閾值，可以說是一舉兩得了。

在這個基礎之上，還有改進版的DeepSORT，這個方法是從行人的識別中獲取的靈感，透過對比兩個隱藏層引數向量的距離來判斷兩者是否是同一個人。

不過孟繁岐並不準備那麼周到，實現那麼多，達成了基本需求就足夠了。這部分繼續改進的內容，他只打算寫下一個思路在這裡給白度。

時間還是用在谷歌上面比較划算。