在当时是绝对的主流。
但李飞飞的思路截然相反。
她认为，想要让计算机认出一只猫，不应该去教计算机猫有几根胡子、耳朵呈什么角度。
而是应该直接给计算机看几百万张猫的照片。
只要看得足够多，计算机自己就能总结出规律。
这个思路在当时被很多传统学术界的大牛嘲笑。
因为收集并标注几百万、上千万张图片，是一项非常繁琐、耗时且看起来毫无技术含量的体力活。
但这恰恰是深度学习爆发的绝对前提条件。
ImageNet项目就是在这个背景下诞生的。
这个项目致力于构建一个包含数千万张图片的庞大数据库。
并且每一张图片都要经过人工的精准标注。
比如这张图片里是一只狗，那张图片里是一辆车。
为了完成这庞大的工作量，李飞飞团队甚至动用了亚马逊的众包平台。
雇佣了全球各地成千上万的网络劳工，在线为这些图片打标签。
这是一个疯狂且伟大的工程。
郭长征向楚一航详细复述了他今天查阅到的关于ImageNet的资料。
楚一航听完，眼睛亮了起来。
“这思路太超前了。”楚一航赞叹道。
“大力出奇迹，用绝对的数据量去碾压算法的不足，这非常符合我们课题的暴力美学。”楚一航给出了极高的评价。
“对吧！”郭长征见楚一航认同，更加激动了。
“这个数据集已经初具规模，包含了大量标注好的图片。”郭长征拿过旁边的公文包，掏出一份打印出来的资料。
“而且，我得到确切消息，过段时间，他们会基于这个数据集，举办第一届大规模视觉识别挑战赛。”
郭长征用手指重重地敲击着打印纸上的比赛信息。
“这就太有意思了。”楚一航拿过资料看了起来。
“有了这个数据集，我课题的数据来源问题就彻底解决了。”郭长征满脸兴奋。
“这就省去了我们自己在实验室里苦哈哈去收集图片、打标签的工作。”
“而且最关键的是，这个比赛提供了一个绝对公平、公开的测试平台。”