计算机视觉界，存在着一个所有人默认的黄金律条，那就是特徵提取器本身必须具备严格的几何不变性。
为了让算法在面对图像中的物体位移、旋转和缩放时保持稳定，传统的计算机视觉学派可以说是无所不用其极。
他们用的都是差分高斯、梯度方向直方图等复杂的数学算子，试图在像素进入分类器之前，就将这些空间变量归一化。
他们以为，这是唯一能让计算机看懂世界的路。
可现在，讲台上的那个华国青年，告诉他们不用那麽麻烦。
他们其实用不上那些华而不实的数学算子。
只需要对数据源进行随机采样，然後在输出端，用最基础的方法，就能直接在统计层面上把所有的不确定性抹掉。
好心塞哦。
不过很快在场计算机人又高兴了起来。
他们心塞郁闷，是因为自己过去赖以生存的研究方向，很有可能马上就会被淘汰了，高兴的是，他们终於不用再受那份非人的折磨了！
「等一下————如果QInet这套模型真的可行，那岂不是意味着，我再也不用在淩晨三点，为了让特徵算子能多识别出猫胡须，去在成千上万行代码里调那些该死的超参数了？」
「没错，我的兄弟！」
「不仅如此！你想想看，我们之前那个卡在准确率只有51%的课题，如果我们明天就用漆昊这套方法，我们的准确率会飙到多少？！」
「起码75%吧！」
「先别高兴太早，一切都要等复现了再说！」
对於这群常年泡在实验室里的计算机人来说，传统计算机视觉的研究早就进入了绝望0
SIFT、HOG、FishrVector·.这些经典算法的潜力已经被压榨到了极限，大家为了在顶会上发一篇论文，不得不像个中世纪的链金术士一样，用各种技巧把无数个创新点强行拼接在一起，只为了换取区区0.5%的微弱提升，以此来发一篇论文。
有时候他们也都认可了外界的说法，认为深度学习这个领域已经没救了。
现场坐着的计算机人中，有些已经准备好拿个奖後，就离开这个折磨人，没有前途的领域。
但就在刚才，漆昊向他们证明了深层卷积网络的可行性！
漆昊用实际数据告诉他们，深度学习领域其实潜力巨大！
纵然这一切还没有被完全验证，但是，漆昊给了他们一个希望
…。。