之多的文章。除了本次的参赛核心，基于残差思想的新模型Dream，以及相关的训练技巧，批归一化，Adam二阶优化器，和Mix-up数据增强之外。
孟繁岐还在三个其他方向上准备了开创性的工作，以占坑三个关键的领域。
在参赛的相关内容中，其实只有残差网络算得上是开创性的内容。余下的三者，虽然是各自方向上的佳作，但是难以称得上是某一细分领域的奠基之作。
写论文去详细描述，也只是迫于无奈，因为为了确保Dream的性能和训练速度，孟繁岐不得已而使用了一些技巧。
为了确保这样的重要结果业界可以复现，孟繁岐不得不详细描述这些训练技巧，于是便写成论文。但若是有得选择，其实并不急于一时。
而他真正希望抢占先机去布局的，一，是先前与付院长讨论过原理的，生成式对抗网络。这是近些年来最具有前景也最优雅的无标签学习方法，是以后所有生成类技术难以绕开的一个里程碑。
二，是基于新思想的实时检测网络。这会使得在图片上分辨物体并确定位置的速度和准确率大大提高。日后落地最广的图像检测技术，不论是人脸识别，自动驾驶还是工业内检测。这些新技术都不得不提到这