CASP今年的开赛时间大约在5月初，等它比赛结束，出结果的时候已经8月了。
贾扬清询问了一番孟繁岐的目的，得知他准备参加CASP，不由得感觉有些担忧。
“你这比赛结果出来那么晚，六月份的事情可怎么办，三个月这也来不及啊？”
言下之意，没有官方的结果背书，这个工作的具体贡献到时候说不清楚。
“啊？我没打算那这个去跟她比啊。”
杀鸡焉用牛刀？
孟繁岐这才醒悟过来，原来大家都以为他刚刚开会回来就急着联络同事是为了准备和霍尔姆斯的竞争。
这完全是思维惯性了，孟繁岐只是因为这件事情先选择了一个在谷歌大脑的工作方向，并且医疗智能方面他早就计划涉足。
视界当初公司本就注册了两个，视界视觉和视界医疗，只不过由于种种原因，先只发展了一个，医疗方面还需要等待时机成熟。
“对付她哪里用得到那么多创新，她都十年了还没见产品呢。我拉几个同事在你的Caffe上把之前的轮子造一下，然后针对几个比较常见的疾病图像做一些针对性优化就好了。”
比的也是短期内服务的患者人数和成本上的节约，阿尔法fold这个大工程就算两三个月做得出，也来不及起到相应的作用。
它的影响力很大，意义深远，后劲比较足，肯定值得去做。
要说短期的赌约对策，孟繁岐首先要做的是一整套医疗视觉基础范式。
就如之前所说的，在识别病症种类，检测疾病位置，分割病灶区域这三个主要方面做文章。
基于Caffe框架，打造出这方面的易用工具，然后加以自己的开源协议公布出去。
这些都是基于孟繁岐已经发布的技术，要做的事情基本上都是苦力活，两三周就能完成的事情。
如果能多拉几个冤大头，一两周时间就差不多够了。
“残差网络天生就适用于所有的简单分类任务，对于图片和简单标签的形式，基本上没有太多工作量。”
孟繁岐在思索自己应该如何安排时间，分类任务是最方便的，需要做的其实只是把几种常见疾病的数据集按照特定格式重新准备一下就好。
并且，作为人工智能领域的一个重大突破，Caffe早已适配了残差网络，这部分内容贾扬清等人已经基本完成了。
检测方面，此前的YOLO算法可以直接应用，不过这一次的侧重点有所不同。
此前，孟繁岐在保持了一定准确度优势的情况下，尽可能地加快了检测的速度。
意图是使用极高的帧数来作为核心卖点，这是自动驾驶等方向会比较看重的。
但在医疗领域当中，大多数时候就不会那么过度追求上百的帧数了，除非有海量的数据积压。
多数情况下需要检测的结果越精准越好，速度方面有很大的空间可以妥协。
“偏移总体的重心也不是那么容易的事情，一昧地加大模型的规模和图像的分辨率只会事倍功半。”
孟繁岐浏览了一番，医疗领域也已经有一些跟进的工作了，一些草稿公布了出来，出发点也和自己想的差不多。
将重心从速度往准确率上转移。
不过可以看出，他们的总体思路还比较简单，不得要领。
“让我给你们好好的上一课！”
孟繁岐如此想着，开始了一系列相关改进技术的研发工作。
图像的分类任务是最为简单的前向网络，一般来说，不会从中间层提取很多信息，因为目的只是为了判断类别。
但是，检测和分割的任务则不然，其中最主要的不同就是分类任务不需要定位目标在图片中的位置，检测和分割则需要提供这个信息，而且越准确越好。
检测任务需要用选框非常准确地框出目标物体在图片的何处，而分割更为精确，连精细的轮廓也要标注清楚。
出于计算量的考虑，骨干网络在处理图片的时候，通常并不会一直在极高的分辨率下进行。
一般来说，是分四个阶段，每过一个阶段，分辨率就会再小四倍(长宽都变成原本的一半)。
分辨率为256 x 256的图片输入之后，在不同阶段的特征图分辨率很可能会是[64， 32， 16， 8]。
这样成倍减少的特征图叠在一起，形成一个锥型，被称为特征金字塔。
分辨率变小的一大问题就是会丧失非常准确的位置信息，分辨率越小的特征图抽象程度越高，也就越难去表达原本图像中物体的位置。
由于这些不同尺寸的特征通常对融合后的输出特征作出了不平等的贡献，为了解决这一问题，孟繁岐计划实现一个简单而高效的加权双向特征金字塔网络(BiFPN)。
它引入可学习的权重来学习不同输入特征的重要性，同时反复应用自顶向下和自底向上的多尺度特征进行融合。
如此以来，就不需要大量增加图像的原始分辨率和算法模型的规模和参数量，用较少的额外计算量争取到了更加多的性能。
小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！