哈哈 呵呵 又是新的一年

在QQ空间写文章,好吧,是发牢骚,总感觉是为自己而写,但却是写给别人看的,时刻考虑写出来的影响。

在这就没那么多顾虑了。


元旦不是个特殊的日子又是个特殊的日子。

大家喜欢在这一天进行一年的总结,展望新的一年,毕竟过年只是个团圆的时刻。我也不例外。

我每每写下这些东西,总有呵呵的感觉,呵,又是一个新年,又是立下雄心壮志的时候,这一次我又会对自己提出什么样的要求呢,最后又会怎样无疾而终呢。不知这一点到了大学会不会有一丁点的好转,反正之前是就那样。

我记得高三我会为了挤出学习时间做一切能做的事,现在我会为不想学习找出一切能找的借口,一个轻松易找堂而皇之的理由就是这是大学,高中老师,高中时候的家长都说大学很轻松,可以随便浪。大学时期的家长不会这么说了,高中老师我也不知道会怎么说,寒假回去看看他们会怎么说。

我不知道我说出我室友如何学霸的时候他们会惊讶还是云淡风轻地说大家追求不同抑或是大学就应该是这样之类让我惊讶的话。

不过其实我也想努力学习,学习很多自己喜欢的东西,自己想知道的东西,想在上课的时候与女神眼神不经意的碰撞,(跑题了么)也许我早就这么想了,只是因为自己懒,什么都还没做而已。

计算机是个很酷的东西,有些事情看起来很麻烦,学起来很难,学会了就很酷。(比如帮妹子修电脑(真的酷么))

我不会在这里说回去学一门python,学一些算法,学一学离散数学,看一些心灵鸡汤,MOOC上的课程学一学,酷酷的雅思准备准备,真的想体验一把国外的文化和生活。(还是在纠结买不买kpw)

虽然说有时觉得自己睡得久战斗力又弱,但是,整体来看自己还是个强者 ,有些事情就还是不要为难自己了。(电都断了。。)

好吧 发两句牢骚就行了。

我总是要说不忘初心的,但我的初心到底是什么呢?

还有希望自己能强大到自己觉得能配上女神!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 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
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