0
雷鋒網(wǎng) AI 科技評論按，本文首發(fā)于知乎專欄「曠視 Detection 組」，作者俞剛，雷鋒網(wǎng) AI 科技評論獲其授權(quán)轉(zhuǎn)載。以下為原文：
入職曠視研究院已經(jīng)四年多，一轉(zhuǎn)眼已經(jīng)從單兵作戰(zhàn)，到現(xiàn)在有一個 Detection 團隊。一路過來有坎坷，有經(jīng)歷，有成長。這次希望通過分享的方式，讓各位對曠視研究院（Detection 組）有更多了解，同時也把我個人的心路歷程呈現(xiàn)出來，為后來者拋磚引玉。
求職
時間回退到五年前，已交完 PhD thesis 的我，開始準(zhǔn)備找工作。當(dāng)時導(dǎo)師非常 nice，給了一份保底工作，在學(xué)校里做 research fellow，這樣我就有足夠的時間好好找工作，但是缺乏完整的職業(yè)規(guī)劃。一開始投遞了一些高校教職，面試了一些學(xué)校也拿了一些 offer。偶然間應(yīng)師弟邀請去曠視參觀。當(dāng)時公司剛從銀谷搬到融科，人數(shù)不多，但氛圍出奇好；環(huán)境雖沒現(xiàn)在火熱，也沒有多少友商，但是能感覺到一種氣息——每個人對技術(shù)的執(zhí)著追求。沒做多少猶豫，我就跟老婆一起搬來了北京。
起步
剛來時，雄心勃勃想大干一場，卻低估了很多事情的難度。前前后后攬了不少活，但是沒有干出什么成績。2015 年的時候，曠視研究院已經(jīng)希望做一些零售商超方面的工作，沒有什么行業(yè)背景，沒有什么項目經(jīng)歷，感覺自己把產(chǎn)品想象得太簡單。這段時間的一個總結(jié)是：算法不等于產(chǎn)品，有產(chǎn)品也不等于能落地解決客戶問題。當(dāng)然，那時候的算法非常粗糙，還是基于傳統(tǒng)方法，感覺充其量只是一個受限場景的 demo。經(jīng)過反思，覺得需要先把算法真正做扎實。
于是，在 2015 年的時候，我第一次接觸了深度學(xué)習(xí)，雖然當(dāng)時深度學(xué)習(xí)已經(jīng)爆發(fā)了。2015 年在曠視研究院的那段時間是非常幸福的，停下來，好好思考一下，其實可以學(xué)習(xí)到很多東西?；谏疃葘W(xué)習(xí)，Detection 組開始做的第一個任務(wù)就是行人檢測，最開始使用 fast rcnn，后來慢慢切換到 faster rcnn。同時 Detection 組開始基于行人檢測做人體骨架算法。另外，為了更精細(xì)的定位人體框，Detection 組又做了一些分割算法。所有這些算法的研究構(gòu)成了 Detection 組的雛形。但是那時，我忽視了一個非常重要的方面——團隊培養(yǎng)。
帶人
曠視研究院前幾年的生源質(zhì)量其實非常好，實習(xí)生都是有非常好的背景。比如我最早的兩個實習(xí)生，一個實習(xí)生拿了 ACM world final 的金牌（第二名），另外一個去了 MIT 讀博。后來很多實習(xí)生都是 OI 金牌之類的。當(dāng)然，這些其實跟我沒什么關(guān)系，我并沒有帶人的經(jīng)驗。很多同學(xué)在團隊里付出了很多努力，但是實際收益很小。當(dāng)時自己可能是有些失落的，我開始反思，如何才能真正培養(yǎng)同學(xué)，如何才能增加團隊的戰(zhàn)斗力。我花了很多時間跟實習(xí)同學(xué)一起去琢磨各種 paper, 研究各種細(xì)節(jié)，討論各種實驗結(jié)果。從那個時候開始，Detection 組真正成長出來了一批非常強而且可靠的同學(xué)。那批同學(xué)現(xiàn)在已經(jīng)成為我們組的骨干，很多人已經(jīng)自己帶起了一個小團隊。同時，Detection 組招人的要求也在不斷完善。從只看基礎(chǔ)能力，到后來會關(guān)注一些軟性能力，比如 motivation，價值觀等等。一個讓我有深刻反思的例子是一個同學(xué)推薦了兩個 OI 同學(xué)，一個是 OI 金牌，另外一個 OI 銀牌但是有非常強的規(guī)劃和 motivation。我沒有經(jīng)過多少思考就選擇那個 OI 金牌的同學(xué)。后來那個 OI 銀牌的同學(xué)快速成長起來，同時做出了非常多優(yōu)秀的工作。價值觀在小團隊野蠻生長期可能并不是很突出的問題，但是當(dāng)團隊變大后，這個問題的嚴(yán)重性會暴露出來。
產(chǎn)品
那個時候 Detection 組人不多，但是大家士氣都很好，研究算法工作已有起色，有了比較好的刷點經(jīng)驗。但是當(dāng)時的問題在于，Detection 組漸漸離產(chǎn)品越來越遠(yuǎn)。我們所做的東西希望能用在實際產(chǎn)品中，但是算法成熟度不高，所以離實際落地距離還是非常的遠(yuǎn)。2016 年暑期，公司迎來了孫劍老師的加入，這對于 Detection 組以及我個人來講都是有非常大的幫助。經(jīng)過一段時間的梳理，Detection 組正式接手了所有的檢測工作，包括產(chǎn)品中用到的人臉檢測。這一步對于打通技術(shù)完整檢測技術(shù)鏈條是非常重要的，因為我們同時做檢測產(chǎn)品的研發(fā)，同時做檢測基礎(chǔ)算法的預(yù)研，讓我們真正 end-to-end 在優(yōu)化過程。比如產(chǎn)品中的難點可以轉(zhuǎn)化為研究問題去幫忙探索，這樣可以確保研究方向是實用導(dǎo)向的。另外一方面，很多研究方面的經(jīng)驗可以快速 transfer 到產(chǎn)品中使用。
經(jīng)過一段時間，我跟另一個同事重新搭起了一套新的檢測算法，相比上一版算法有非常明顯的提升，無論是速度跟精度。當(dāng)然，因為是糙出來的，所以有非常多不合理的細(xì)節(jié)。經(jīng)過一步步完善以及更多同學(xué)的努力，到今天，Detection 組的算法有了非常本質(zhì)的提升?？偨Y(jié)一下，一個產(chǎn)品用的算法可能需要做好各個細(xì)節(jié)：訓(xùn)練集的持續(xù)增加，科學(xué)細(xì)分的 benchmark，合理的數(shù)據(jù)格式以及高效的 data provider，統(tǒng)一的 codebase 以及完善的文檔，定期的發(fā)版計劃，以及 badcase 的追蹤和維護。當(dāng)然，在那個時候，很多細(xì)節(jié)做的都不好。除了上述細(xì)節(jié)之外，還有一個我沒做好的維度是團隊的工程化建設(shè)，工具鏈的建立。這個問題一直被忽略，或者以比較低的優(yōu)先級在進行著，導(dǎo)致長期來講 Detection 組的效率比較低，研究員花了非常多的時間在處理數(shù)據(jù)，流程等工作，而這些工作其實可以自動化的。另外，因為本身沒有很好的工程基礎(chǔ)，所以 Detection 組一般只負(fù)責(zé)算法模塊的實現(xiàn)，沒有完整 Pipeline 架構(gòu)層的能力，這可能會導(dǎo)致算法能力無法很好的發(fā)揮出來。當(dāng)然，目前我們對這方面的建設(shè)是非常重視的，同時也我們會花很多時間來提高團隊的產(chǎn)品能力和效率。
科研
隨著團隊的成熟，一些現(xiàn)有同學(xué)的成長以及強有力的新同學(xué)加入，目前產(chǎn)品層的算法 Detection 組也梳理的比較順利。但是基礎(chǔ)研究上面走的有點累。具體來講，Detection 組一直走在復(fù)現(xiàn)的路上，比如有一個新的算法，復(fù)現(xiàn)一下，剛復(fù)現(xiàn)完，可能新的算法又出來了。這讓我深深意識到之前基礎(chǔ)算法工作中的短板，如果只是 follow 別人，那永遠(yuǎn)不可能超越。從那時起，Detection 組主攻幾個點，在多個同學(xué)的努力下，漸漸有了自己的算法工作，比如從最早期的 RFCN++，Large Kernel Matters，到后來的 MegDet, DetNet 等。大家慢慢找到了方向，找到了自信。
Detection 組開始參加一些比賽，比如 2017 年 ICCV 的 COCO 以及 2018 年 ECCV 的 COCO 比賽。因為早期的積累，加上多團隊的合作分工，我們對于結(jié)果還是非常有信心的。這里可以提兩個細(xì)節(jié)。2017 年時，我們從來沒有參加過 COCO 比賽，也沒有太多經(jīng)驗，但是我們心態(tài)非常好。有一次對話過程中，孫劍老師問我們，希望能跑到單模型多少結(jié)果，當(dāng)大家猶豫時，有一個同學(xué)脫口說了 49。我們一致認(rèn)為他在吹牛，因為當(dāng)時我們的點可能只有 46。但是在比賽前，他確實做到了。在 2018 年的比賽過程中，我們的一個感受就是 tough，每天 sync 過程中，一般會同步之前的實驗結(jié)果，但往往一天天的實驗都是不漲點的，雖然每次大家都會覺得有點失落，但是大家的斗志始終非常旺盛，一直嘗試各種想法，哪怕可能只有 0.1 的漲點，大家都很非常興奮。從那段時間的反思過程中，我覺得團隊中需要有一些「軟性」能力，對勝利的渴望，對問題的堅持和執(zhí)著是非常重要的。
另外，在研究過程中，我從孫劍老師身上學(xué)到的一個非常重要的點，就是專注。這個詞雖然說起來很簡單，但是我自己一直做得不好。很多時候，我們對于研究的態(tài)度是希望到處開花，各個領(lǐng)域皆有涉及，然后每個領(lǐng)域都能分一杯羹。但是真正的研究工作可能需要花大量的精力和時間去深挖一個點，這必然需要放棄掉一些其他的東西。從 2019 年開始，Detection 組的研究范圍重新定義，停掉了一些任務(wù)，同時把精力聚焦在幾個重要的點上。希望這些改變能讓 Detection 組真正帶來一些「大招」，而不是簡單的小打小鬧。
招聘
2017 年下半年到現(xiàn)在，因為業(yè)務(wù)等需要，Detection 組需要招聘更多的同學(xué)。因為一開始不重視招聘，導(dǎo)致 2017 年校招犯了一個非常嚴(yán)重的失誤，直接導(dǎo)致 2018 年甚至是 2019 年的人力短缺，所以這一年過得非常累，因為可能一個人需要同時補很多洞。2018 年我復(fù)盤了自己招聘過程中的問題，重新理解了招聘。招聘首先不是為了解決現(xiàn)在的問題，而是為了以后做準(zhǔn)備，一定要未雨綢繆。另外，很重要的是，招聘不單是 HR 的工作，更是每個 leader 的工作。那時候，每周都會拿出很多時間去面試，去溝通同學(xué)，對于很多候選同學(xué)來講，其實我們自己去溝通會比 HR 更能讓同學(xué)們了解曠視研究院的情況以及他可能的工作。同時間，另外一個經(jīng)驗是招聘需要發(fā)動全員一起行動。首先如果只有自己一個人去操心招聘，這樣精力肯定不夠，所以 Detection 組會發(fā)動每一個同學(xué)去招聘，讓每個同學(xué)理解招聘的重要性以及學(xué)會如何去招人。同時，我們也會通過一些宣傳，讓大家了解我們，愿意加入我們。
管理
因為短時間內(nèi)很多新同學(xué)的加入，我漸漸的意識到 Detection 組在變大，之前的一些管理方式可能已經(jīng)不是很適用了。因為我對于管理其實是個小白，雖然開始嘗試讀一些書，學(xué)習(xí)一些課程，但是感覺處理起來還是比較簡單粗暴。其實算法團隊的管理跟很多傳統(tǒng)工程的管理還是有區(qū)別的。不能太教條，這樣會影響團隊成員的積極性和創(chuàng)造性。我們需要的可能是賦能，讓團隊提高效率，而不是制造障礙和瓶頸。我的一些嘗試是首先是做好基礎(chǔ)建設(shè)，特別是組內(nèi)的工具鏈，codebase, 文檔，論壇，tech-talk 分享等。只有具備高效自動化的工具才能真正解放每一個同學(xué)，把時間花在刀刃上面。另外，Detection 組內(nèi)的信息共享，科學(xué)的培訓(xùn)體系對于每一個同學(xué)的成長都是非常必要的。另外一層就是培養(yǎng)一些 Leader，包括可以替換自己的同學(xué)。每個團隊大了后，一定需要有同學(xué)成長起立，來幫忙負(fù)責(zé)做一些管理。同時每個 Leader 本身也需要有一些二號位，來做補位等。即使是我自己，也希望能培養(yǎng)一些同學(xué)完成工作。這樣可能團隊才是最健康的狀態(tài)。另外一方面 Detection 組會制定一些流程，一些計劃來幫助團隊提升。因為工作久了，可能會有一些慣性，很多時候我們希望能有一些新的想法，新的思路來提升大家戰(zhàn)斗力。當(dāng)然我們發(fā)現(xiàn)要推廣這些新的流程可能會花很多時間，很多精力，所以目前的經(jīng)驗是不會頻繁的推廣新的流程，每個新流程都需要在一些 sub-team 小團隊中先做驗證?？偨Y(jié)一下，我們希望能提供一個很好的平臺，把優(yōu)秀的同學(xué)聚在一起，一起去干出一番成績，同時也希望新來的同學(xué)基于我們平臺快速成長。
團隊穩(wěn)定后，另外一個可能突出的問題是我們做的是算法，正如文章前面寫的，算法不等于產(chǎn)品，所以 Detection 組開始學(xué)習(xí)一些產(chǎn)品方面的知識。Detection 組內(nèi)每周會有一次產(chǎn)品相關(guān)的分享討論，主要是討論算法如何在產(chǎn)品中發(fā)揮更大的價值等等。因為只有更好的產(chǎn)品意識才能把算法真正落地。同時我們也可能希望能跟「客戶」做更多的溝通交流，了解具體的需求以及討論可能性。很多時候，算法，工程，產(chǎn)品，商務(wù)，客戶是兩兩之間溝通的，中間每次傳遞都有可能信息的丟失和理解的偏差。正如神經(jīng)網(wǎng)絡(luò)一樣，Detection 組可能希望的是拉通，end-to-end 的優(yōu)化，同時最好有一些類似 residual 的 shortcut 來更好的傳遞信息。從價值觀角度來講，曠視研究院希望用算法解決客戶問題，給客戶創(chuàng)造價值。而不是為了算法的落地而落地。
建議
上面給出了一些我個人的一些經(jīng)歷。同時基于這些年我看到的很多同學(xué)，我希望給出一些我自己零碎的建議。這些建議是對職業(yè)生涯中的三種不同階段給出的。
假設(shè)你是學(xué)生：
一定要提前做好規(guī)劃，無論是工作還是繼續(xù)深造。假設(shè)有問題，多跟老師，師兄，師姐等溝通，了解更多信息來做判斷。任何決定可以適度猶豫，但是不要太糾結(jié)。
基本功非常重要比如工程能力，比如數(shù)學(xué)基礎(chǔ)等等。
在導(dǎo)師允許的前提下，多出來實習(xí)，看看外面的世界，同時多認(rèn)識一些同學(xué)。
假設(shè)你剛?cè)肼毠ぷ鳎?/strong>
平臺很重要，跟一些很強的同學(xué)一起共事可能是一件非常有意思的事情。
不要挑活，要相信付出是一定有收獲的。
自驅(qū)力很重要，一定要主動去學(xué)習(xí)。
假設(shè)你已經(jīng)開始帶團隊：
一定要有共贏的思想。大家一同有收益而不是「一將功成萬骨枯」。真正關(guān)心了解每個團隊成員的需求，多溝通，多傾聽每個人的意見，建議良好的反饋機制，發(fā)揮出每個人的最大價值。
增強基礎(chǔ)建設(shè)，流程建設(shè)，確保組織以更高效的方式運作。
方向的把控很重要，避免「戰(zhàn)勝了所有對手，但是輸給了這個時代」這種窘態(tài)。
說了很多，還是希望讓大家對曠視研究院以及 Detection 組有一定的了解，也希望我的分享能讓大家避免我踩過的坑，有更多同學(xué)加入我們，一起去探索一個超越人類的檢測算法，擴寬認(rèn)識邊界，真正讓計算機視覺技術(shù)推動人類的進步和發(fā)展。如果有興趣加入我們歡迎投遞簡歷給 Detection 組負(fù)責(zé)人俞剛：yugang@megvii.com. 同時我們會在 Valse2019 有展臺，歡迎大家來交流。
作者介紹
俞剛，曠視研究院 Detection 組負(fù)責(zé)人。2014 年博士畢業(yè)于新加坡南洋理工大學(xué)，加入曠視。主要負(fù)責(zé)檢測，分割，跟蹤，骨架，動作行為等方面的研究以及算法落地工作。俞剛博士帶隊參加 2017 COCO+Places 挑戰(zhàn)賽獲得檢測第一名，人體姿態(tài)估計第一名；接著，帶隊參加 2018 COCO+Mapillary 挑戰(zhàn)賽，獲四項第一。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
