说，“新技术的探索总是这样。
我等会儿发你一些资料，是国外论文和研究报告。
你让团队先学习，有个概念。”
半小时后，邮箱里多了十几封邮件。
附件全是PDF，英文的，有些还有复杂的数学公式。
贾瀞雯打印出来，厚厚一摞。
她抱着这摞资料回到会议室，团队还在讨论。
“这是陈总发的资料。”她把资料放在桌上，“大家先看看，了解下这个领域的前沿进展。”
李明拿起一份，翻了翻，眼睛渐渐亮起来。
“这篇论文……讲的是基于颜色直方图的图像匹配。
思路挺巧妙的。”
张涛也拿起一份：“这个是纹理特征提取的方法，用到了小波变换。”
新来的算法工程师看着一篇论文，喃喃自语：“这个相似度度量公式……有点意思。”
资料起了作用。
团队开始认真研究，会议室里响起了讨论声。
但一周后，问题又来了。
“贾总，我们试了几个经典算法。”李明汇报，“效果……不太好。
简单的图片能匹配，稍微复杂点就乱了。”
“具体什么问题？”
“特征不够鲁棒。”张涛解释，“同一辆汽车，不同角度拍，提取的特征差异很大。
算法认不出来是同一个东西。”
贾瀞雯思考着。
这时，陈浩的电话来了。
“进展如何？”他问。
贾瀞雯把问题说了。
陈浩听完，没直接给答案，而是问：“你们现在怎么做的？”
“按论文里的方法，先做整体特征提取，再做全局匹配。”
“换个思路。”陈浩说，“分阶段实现。
第一阶段，不做通用图像搜索，先做特定类别的识别。
比如先做汽车识别，因为汽车有比较固定的特征。
第二阶段，扩展到建筑、动物等常见类别。
第三阶段，再做通用搜索。”
贾瀞雯记下来：“这是技术路径上的建议？”
“对。”陈浩说，“另外，方法上也可以调整。
不要追求完美算法，先用简单方法验证可行性。
小步快跑，快速试错。”
挂了电话，贾瀞雯立刻召集团队。
“调整策略。”她说，“我们不分阶段：第一阶段，选定十个常见物品类别——汽车、建筑、动物、植物、家具、电器、服装、食品、书籍、艺术品。
第二阶段，每个类别做专门的识别模型。
本章未完，请点击下一页继续阅读！