作为重生人士的他，终究还是高估了现有的检测技术。
第一个真正意义上将深度学习技术应用到目标检测上的，应当是这个月刚刚提出来的R-，也就是区域检测神经网络。
在传统算法Ap值止步于30-40，不再继续提升的情况下，R-基于神经网络，一举突破了60的Ap值。
它的R指得便是区域，检测任务说白了，就是指出物体在图片中的位置\/区域。
而即便在14-15年，R-系列作为领先的高性能算法，他的推理时间也是奇慢无比的。
采用14年牛津大学的VGG网络作为结构的骨干，需要整整几十秒才能处理一张图像。也就没有了任何实时的可能，只做学术研究之用，难以投入业界。
即便是一两年后，屡次更新，升级迭代的快速版本FastR-系列，也只有0.5和个位数的FpS。
而孟繁岐给出的算法：YoLo。即便在448x448大小的图像上，速度也超过了80FpS。
如果采用最小的模型版本进行推理，速度甚至可以达到惊人的200帧。
多少人直到十年后，玩游戏的时候显示器都显示不了100帧？
原本的初版YoLo技术其实在精确程度上还有所不足，毕竟，作为专注于速度的检测技术，在性能上有所牺牲也是在所难免。
但孟繁岐开始接触YoLo技术的时候，都已经出到V4了，等到2023年的时候，甚至都已经到了V7，V8。
很多细节上的问题，孟繁岐就是想犯错都不知道该怎么犯。
最开始记得的就是优化之后的技术。
此时此刻，比较常用的检测技术是dp，30FpS性能26.1Ap，100FpS性能仅为16.0Ap。
而这个月刚刚出来的R-技术，性能虽然有一个质的突破，来到了50-60，但FpS已经到小数点后几位去了，根本用不了。
孟繁岐交出的结果则是，69.5Ap，82FpS，58.3Ap，200FpS。
这已经不能说是普通的超越了，简直是完爆中的完爆。
不过除了在这方面有所疏忽之外，孟繁岐实际上还是在有意识地想要做高这个性能。
纵观自己掌握的所有AI技术，唯有检测是现在阶段变现最快的。
这个功能直接粗暴好理解，易于展示。
只需要接上摄像头，给观众们实时地演示，这项AI技术可以流畅丝滑地检测出屏幕中的桌椅，人物，动植物等常见物体，就能够给观众最为直接的震撼。
像图像生成，语言对话等技术，还需要一定的时间，海量的数据和计算资源来支撑，自己才能够实现这些技术。
而在实际的应用前景上，检测技术不仅是现阶段最容易落地的技术，它的未来前景也非常辽阔。
两三年后搞自动驾驶的企业那是不计其数，如过江之鲫，数不胜数。
在检测上尽力做出夸张的突破，很有助于此后自己在这个方向上的历史地位，说白了其实就是更容易忽悠到钱。
只是他第一次把握刀法，经验不足，没有切好。不慎导致比较专业的人士对此有所误会。