第98章 多目标算法思路（第2页）

请退出浏览器阅读模式，否则将导致章节内容缺失及无法阅读下一章。🎁黑料不打烊看片

政府方面的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，并根据车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。

🎁黑料不打烊看片请退出浏览器阅读模式，否则将导致章节内容缺失及无法阅读下一章。