第98章 多目标算法思路

    孟繁岐和王恺这段时间沟通颇多，已经挺熟了。

    不过看到这句话，孟繁岐还是觉得相当无厘头：“你一个一米八几的肌rou壮汉，我带你走什么啊？是我带你走还是你扛着我走啊？”

    “兄弟又被安排来找你了呀。”王恺一边说着，给孟繁岐发了一张机场的照片：“刚到机场，晚上的飞机去尚海。”

    “啥情况啊？”

    “这不是领导不放心吗，不敢使唤你往燕京来，只能派小弟我往尚海去。”王恺也是身不由己，虽说刚刚立了功劳，但总觉得这工作做得没什么提升。

    “领导说，要让我在你身边吃透这部分代码，到时候回去跟大家讲解。”

    “还是跟上回一样的活呗。”孟繁岐了然，自己毕竟不是白度的人，李彦弘急着拿政府项目，肯定还是需要派人跟自己交接代码。

    单看最后那一下，估计是不放心。因此派了此前和自己一直沟通的王恺来跟着自己，抓紧一分一秒，把孟繁岐新开发的这部分内容彻底掌握。

    “行吧，这也没什么，明天我们在合川路附近那个白度的分部见。”

    “没问题，哥。”王恺答应得很爽快：“哥你要是以后有用人的时候，一定要想起我，不管什么时间，什么地点，兄弟肯定跟你干了。”

    “你这个带我走，搞了半天是这个意思？”孟繁岐这才回过味来。

    “那肯定啊，打工肯定是没什么大前途的嘛，安安稳稳领点死工资，一辈子攒不下多少钱来。”王恺也不藏着掖着，直接说出了自己最真实的想法。

    “我也不记得是哪里看到的话了，说人这一辈子每天都能至少碰到一个改变自己一生命运的机会，只是自己绝大部分时候都完全不知道。”

    “改变自己一生也得看怎么改啊，出门被泥头车创飞了也是改变自己一生。”孟繁岐倒是听过另一個版本：“我听过的版本是，一个人在硅谷一辈子一定会碰到一个一夜暴富的机会，俗称五个一。”

    “我觉得你就是我的机会，哥，以后要真创业，一定叫上我。小弟绝对尽职尽责当牛做马，鞠躬尽瘁死而后已。”经历了这两次孟繁岐的技术冲击，王恺已经彻底折服于他的技术实力之下。

    很多时候算法不是能不能写出来的问题，而是能不能想得到。

    过去几天内，白度AI研究院召回了一批在外奔波的技术人员，希望逐渐将重心转移回来。但忙忙碌碌快一周，在多目标检测追踪方面完全没有任何有意义的进展。

    虽然最近白度AI的事业方面欣欣向荣，一片大好的局势，可不少内部的AI技术人员其实都颇有微词。

    YOLO算法很强，但根本不是白度自主研发的，只是借了孟繁岐的力量做了一个大的落地项目。

    短期内确实是突飞猛进，若是长期去看，却不是什么好事，真正技术上的积累还不够。

    尤其一下子来了太多项目和客户，研究人员被极大地分散了精力，不少人私下里都在抱怨自己在做职责外的事情。

    政府方面的新需求就是一个很好的例子，缺乏时间去沉淀技术的白度一时之间根本是一筹莫展，还是得转过头去找孟繁岐做这个需求。

    王恺觉得，与其这样反复去找孟繁岐，还不如自己干脆去跟他干算了。

    以他对孟繁岐技术实力的观感，创业赚大钱只是赚多少的问题，根本不存在失败的可能。

    听完王恺这一系列的内情，孟繁岐其实相当能够理解，管理层很多时候的想法和决策，确实对底层员工不大友好。

    因为他们没有，也不可能真的从底层员工的视角去考虑问题，说白了打工仔的想法别人压根就不在乎。

    “短期内确实没有创业的想法，可能两年后会有计划。”孟繁岐单凭技术分成入股的形式就足以赚够足额的财富了，再辅之一些投资，这样会远比创业轻松很多。

    如果真的要自己出来办公司的话，孟繁岐目前只有一个计划，那就是在两年后，15年底的时候和伊利亚出走谷歌，一起办OpenAI。

    不过即便这件事情他也没有想好，因为在规划当中，15年前孟繁岐会把ChatGPT需要的核心技术比如注意力机制和生成式预训练Transformer都发表出来。

    到时候说不定单纯技术和资本入股OpenAI就好，做个技术顾问，没必要非得自己下场创业打工。

    “到时候再说吧，我如果有什么动作，不会藏着掖着的，你到时候看到了记得联系我。”

    有人这么早就认定了自己，孟繁岐也愿意让他加入团队，毕竟也是白度做AI的工程师，水平上没什么问题。

    只是自己短期实在没这个需求，即便有，也不大好意思把李总派来对接的人直接挖走。

    结束了简短的通话，孟繁岐开始检索匈牙利算法和库恩-曼克尔斯(KM)算法，这两者其实都是老方法了。

    比如匈牙利算法，就提出于1955年，是一种在多项式时间内求解分配问题的组合优化算法。

    SORT多目标追踪办法也只是利用这两者，以及孟繁岐提出的YOLO，并不需要对这三者本身有很多的改变。

    YOLO算法作为特征提取器，用来提取所有的车辆部分。

    匈牙利或者KM算法，对相邻帧之间的若干目标进行最大匹配，卡尔曼滤波则根据目标轨迹的预测对结果进行一些修正。

    尤其政府的场景当中，车辆的运动轨迹比较规则单一，这个方法的效果会相当优秀而稳定。

    并且，在相邻帧中，孟繁岐还引入了IOU距离，也就是两个检测框之间交集的面积，用它作为二分图匹配的权重。

    同时也能够根据帧之间的距离计算车速，并根据车速范围合理设计相关参数的阈值，可以说是一举两得了。

    在这个基础之上，还有改进版的DeepSORT，这个方法是从行人的识别中获取的灵感，通过对比两个隐藏层参数向量的距离来判断两者是否是同一个人。

    不过孟繁岐并不准备那么周到，实现那么多，达成了基本需求就足够了。这部分继续改进的内容，他只打算写下一个思路在这里给白度。

    时间还是用在谷歌上面比较划算。