写在2011


很早就想写点东西了,可晃荡晃荡地就到了2011年最后一刻。我想是要写点东西了。


2011年,我有太多的感触。

这一年是我第一次在异地迎接农历新年了,对,当时的感觉很刺激,刺激得让我和当时一起过年的同学都忘了想家。也是缘于去年初次来到深圳参加工作,还不知道过年只有短短的几天假了,还不知道火车票是多么的难订。 但这一切都过去了,至于存在的意义是衬托今天回家过年的愿望的强烈。
俨然把自己定位为一个努力工作的好员工的身份,就这样开始了一年的生活。后来发现事实不是这样的,一个躁动不安的心一直在怂恿着我,要我干点坏事。回想在Acromaxinc的工作的四个多月里,我真的说不上做过一个项目,基于说不说具体做了些什么事。尽管Lewis对我很是重视,有意让我担当些小管理的角色,但有技术含量的事太少了。有一段时间,我一直在思考:这是我想要工作吗?这样的生活有意思吗?但我也不知道我要具体做什么样的工作,具体期望要多少工资。
想法积累到一定时间,就会变成行动,4月份的某天,我抽空参加了三个公司的面试,有两个给我发了Offer。考虑了一下,我决定来了我现在所待的公司。尽管当时工资很低很低,而且尼玛还是实习生的身份进去。但我想接触一下Android的东西,那里应该是个接触这个的很大的平台。一狠心,一跺脚 ,跟Lewis发了一份很“煽情”的离职Email。表达完对他的感谢,完了匆匆离职。当时离职的心情,很复杂,一方面对新工作环境很期待,另一方面又感恩当时的工作。走的时候,我又在想,我到底是得到了还是失去了,鬼才知道,勇敢往前走吧,Just Do It.

就这样,开始了我2011的另类四季。

挑战季,
这果然是一个充满挑战的工作,我在这里开始了太多的第一次,最搞笑的第一次要数第一次使用Email的CC的功能。
当时,刚进去没几天,老大Rocky就安排我调一个Pixpic的TP的驱动,虽然是个实习生,却也没有人手把手教你。当时,只是一个同事简单的讲了下TP驱动的流程,在linux内核代码中跳来跳去,我当时就晕了,当我开口问他为什么的时候,他只有弱弱地说:不是跟你讲过了吗?当时我就觉得自己要做得还有很多很多。硬着头皮,一点一点的捋顺其中的关系,终于可以动手进入调试了。

依照流程,加入代码,但为什么没任何动静,Debug信息显示I2C通信失败。我就向老大求助,老大在百忙之中,回复我:驱动调试的前提要硬件工作正常,你可以用“万用表”测量电压是否已经有,再用“示波器”抓取I2C的波形分析通信是否正确。当时真有那种“武林前辈”的口授秘诀的感觉。当时我就一个悔呀,大学模电实验课为什么不把万用表和示波器玩熟一点,但到这个份上,只有硬着头皮上了。一方面自己找资料,另一个找同事问问,尽管有时候会被“喝斥”。终于TP成功挂载上了,可以工作了。

我想那是我第一次用万用表和示波器来解决问题吧。
虽然是工作了,可是TP的触点不准,我又向老大求助。老大又授我秘籍,
“这是TP的问题,你可以找供应商,要他们提供技术支持,发邮件给他们,然后CC给我。”
“啊,我没有他们的联系方式。”
“我这里有他们的名片,但我不能给你,你要去找采购索取,你得要尽可能多的要别人为你提供更多的资源,你才能开展好自己的工作。”
“哦,好的......”其实我当时还有思量的一个问题是:CC是什么东东呀?嗨,这就不再问老大了,问问度娘了。
我想那是我第一次使用Email的CC的功能,现在想起来真想笑。就好像我2007年入学,到103办公室交我们班的花名册的时候,谭茹佳说“Word”一样,当时也是第一次听说,也不知道Word是个什么东东TOT。

毕业季,
6月是毕业的季节,毕业设计,答辩,聚餐...。我是请假到学校办完手续,我都来不急把酒话别,就匆匆赶上行程,现在想来,我承受的太多了......但又幸运的是,我们班上在深圳的有20多个,而且经常联系,经常有活动。我现在跟瑶哥住在一起,经常品尝瑶哥的好手艺。真是享受,感谢你们!
期间,心中有那么一段一直放不下。纠结,成了我们的关键词。有很多事我也无法解释,有很多感觉也是莫名其妙。一切已经过去,如之前看到一句那样:Everything you feel is temporary。也许多年以后,再回首这段,会有一样的理解。

项目季,
终于可以自己做项目。经过了两个月实习,在一次例会上,我主动向老大申请项目,尽管心里也没有底,但想我要快点成长。就这样,首先接手了别人的一个项目——M5S,接下来就自己从头开始一个项目——M2,最后由于订单取向,M5S pause掉,M2到现在,现在又有M2A,M2T,不同几款衍生产品,我一直跟现在。做过两个项目的就了解了,很多问题大同小异,也找到了做产品的公司与做方案公司异同与位置。最大的心得是“To Do List”让我化被动为主动,也让我领略了它的强大力量,所以每天工作开始我都会列一个“To Do List”,而且我一直受益于它。在这其中,我还分担了了我们公司与Toshiba合作两个项目,主要是执行,所以也没有太多的建树。最大的收获应该是让我重视了用英语沟通的重要性,还有分析问题的科学的态度。Toshiba的工程师都是从日本过来的,尽管英语说得很菜,不过英语写的能力还不错,每天都是英文邮件飞来飞去。哥也只能从中多多汗颜一下自己,然后自己努力学,然后时不时的飘一封。但那但时间,每天回到都到10点、11点,嗨,习惯了就好。


彷徨季,
10月份的某天,我一个同事跟我说他准备离职了,而且找到了新工作,工作待遇不错。我当时拿自己的跟他的比比,尼玛,水平差不多,工资怎么差那么多。然后他就跟我说,你也走吧,这里的工资水平太低了,你出去至少也是我这个数。最后,他离职,走的时候,看着他那淫荡的笑脸,我决定要改变了。
更新一下简历,时常会收到一些公司的面试通知。只有在工作之余去参加一下面试,感慨很多呀。首先,我尝试去了解这个行业的不同层次,不同背景的公司,让我能更好的找准自己的定位。同时也证明了自己,我工资确实值那个数。但至今还没有走,还是有种种原因吧,明年再打算。
经历了彷徨,我不再彷徨。我找了自己的定位,对,就是做Android系统相关。驱动为主,HAL和JNI,这个要有。应用层,也个可以有。

四季轮回,明天又回到春天,喜与悲同行,得与失并驾。
一半是海水的冰冷,一半是烈焰的炽热。也许,这就是生活。

2011,感谢你们;
2012,祝福自己!






  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

可夫小子

感谢大佬!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值