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。
本小章还未完，请点击下一页继续阅读后面精彩内容！
第三阶段，整合成原型系统。”
她看向李明：“方法上，先用最简单的特征——颜色和纹理。
效果不好再升级。
目标不是完美，是验证可行性。”
团队重新分工。
十个人，每人负责一个类别。
贾瀞雯要求每周汇报进展，遇到问题随时讨论。
第一周，进展缓慢。
负责汽车识别的工程师发现，不同颜色的汽车在颜色特征上差异太大。
负责动物识别的发现，猫和狗在某些角度下很难区分。
第二周，有人想出了新办法。
负责建筑的工程师提议，用边缘检测提取轮廓特征，因为建筑有清晰的几何形状。
这个思路在其他类别也适用。
第三周，团队开始分享经验。
汽车组借鉴了建筑组的轮廓方法，动物组结合了颜色和纹理特征。
小步快跑的策略见效了。
虽然每个类别只能做到百分之六七十的准确率，但至少能跑了。
第四周，贾瀞雯组织了一次内部演示。
每个小组展示自己的成果。
汽车组：能识别轿车、SUV、卡车等大类，但细分车型还有困难。
建筑组：能区分现代建筑和古典建筑，但具体风格识别不准。
动物组：能区分猫、狗、鸟等大类，但具体品种分不清。
演示完，贾瀞雯总结：“虽然不完美，但证明了这条路能走通。
下个月的目标：提高每个类别的准确率，同时开始做系统整合。”
【跪求礼物，免费的为爱发电也行！】