身后跟着几个研究生和一个科技媒体的记者。

他对沈言非点点头，示意他开始。

沈言非先做了开场，语速不快不慢，把团队上个月做的目标跟踪算法从背景讲到创新点，从损失函数讲到工程落地，条理清晰地介绍了一遍。

“我们这次用的数据是公司自己采集的真实交通监控视频，包含多种复杂场景夜间、雨天、部分遮挡、密集人群。”沈言非点了一下激光笔，显示器上出现了无人机俯拍的广场画面，“接下来给大家演示一下实时跟踪效果。”

画面中，广场上有七八个人在走动，有的在散步，有的在等人，还有两个小孩追着跑。算法介入，每个人头顶出现了一个ID编号，框体稳稳地跟着目标移动。

沈言非继续讲跟踪器的关联策略、特征更新机制、以及针对无人机抖动场景的平滑处理，同时随时暂停来回答现场学生的问题。

最后一个演示运行的时候，画面突然卡顿起来。

这卡顿极为细微，除了沈言非这个在深夜里调试过无数遍的人，没有任何人注意到这一点。

屏幕上的画面晃了一下。5号目标一个穿蓝色外套的中年男人，走到画面右侧边缘，被一个路牌遮挡。按理说他走出来后应该继续被模型标记为5。但5号编号忽然消失了，变成了2，2号原来的框体消失了，又生成了一个新的编号9。

……仅仅遇到一个简单的遮挡，算法竟然就崩溃了。

围观的人群相互对视起来，响起窃窃私语。

沈言非的脑子飞速运转……这不是他们的最终模型。

难道是小李犯的低级错误？

周围十几双眼睛看着他，远处电视台的摄像机也拍下了全过程，他无暇顾及背后的原因。

“刚才这个现象，其实是我们有意保留的一个边缘案例。”

沈言非走到屏幕前，用手指着那个被遮挡的路牌位置，说：“大家注意看，这个路牌上有大面积的蓝色反光。5号的目标恰好穿着蓝色外套，在遮挡的瞬间，他的外观特征和路牌的反射光在特征空间里产生了短暂的混淆。我们的跟踪器在默认配置下为了追求低延迟，重识别时会降低外观特征的权重，这就导致了刚才的识别错误。”

他低头敲击键盘，调出自己熟悉的超参数面板，“如果我们切换到‘高鲁棒’模式”这一次，5号目标从路牌后面走出来后，框体稳稳地跟了上去。