第102章 论文被引 (第2/2页)

由于孟繁岐这一次的公布对整个范式的革命太过彻底，代码也开源，导致现在任何一个有关深度学习的研究，可能开局就要引用他好多篇文章。

残差，优化器，训练方法，数据增强，这四大金刚几乎谁也躲不开。

深度学习界每多一篇文章，孟繁岐的被引用次数几乎就会多四倍，并且这个倍数以后还会继续扩大。

截止2023年，人类历史上被引用次数最多的学者，总被引用次数将将百万之数。

而AI领域的文章数量，从12年的2万余篇每年，很快飞速增长到了21年的约13.5万篇每年。

照这趋势下去，不用四五年时间，孟繁岐就会以25-26之年龄，成为历史上论文被引用次数最多的人。

并在之后的岁月当中，狠狠地继续成倍增长。

“截止到我重生前，残差网络的原作者kaiming被引用次数已经超过四十万。”孟繁岐稍稍回忆了一下，自己现在发表并计划发表的知名AI技术数倍于kaiming。

等到23年突破三百万都不是没有可能。

学术论文写的都赶上网络小说了，被引用数就相当于订阅，文章的实际被阅读次数还要数十倍于此。

能将学术论文写到这个热度，想来也是前无古人后无来者了。

而这些已经公布的文章当中，孟繁岐所留的谷歌邮箱，早已被各路邮件挤爆。

孟繁岐点进去的时候，电脑直接卡了个半死，过了半分多钟才缓过来。

收件箱中，请教问题的，杂志社约稿的，求未公开部分代码的，还有同事打招呼的，什么都有。

这些邮件当中，英文居多，但也有一部分是中文写就，应该是清楚他的国籍。

扫了一圈，其中一封来自于尚海市公共卫生中心的邮件引起了他的注意。

孟繁岐检索了一番，该中心是创立已经百年的市级三甲医院，拥有诸多类型的大型先进医疗设备，尤其擅长肝类疾病的诊断和治疗。

孟繁岐查阅了一下该医院的详细情况，推断他们手头应当有许多疾病不同仪器的成像结果。

阅读完邮件之后，孟繁岐明白了对方的来意，自己之前更新的带残差的U-Net分割办法，大幅度地提升了图像分割的技术水平和分割效果

尤其在比较细粒度的物体分割上，有了十分显著的飞跃。

而分割类型的任务，在医疗影像的应用上是非常重要的。

因为在医疗图像之中，通常都是各个科室初步诊断之后，去拍摄产生。

分类的和检测的意义不是很大，更进一步的内容分析是主要需求。

比如细致地将病灶区域分离出来，再比如协助诊断病变程度，这样会更易于医护人员诊断，节约大量时间。

“尚海的三甲医院动作真快啊，这就已经注意到我了。”孟繁岐知道U网络对医疗方面的重大影响，但他以为这会是年后的任务。

却没想到前天就已经有人找上门来。

孟繁岐端正了一下态度，感觉风雨欲来，政府和医院这两座庞然大物似乎都近在咫尺。

这次创业，似乎得认真一点了。

不说人脸这个规模很大的政府项目需求，单是医疗AI这一点，做好了都足够上市了。

孟繁岐仔细思忖了一下，觉得这两个方向最好还是分成两个公司去做。