Sperax月报 | 2020年11月

在这里插入图片描述

本月对于加密货币世界来说发生了两件重磅级事件,一是众人翘首以待的以太坊2.0终于要上线了;二是沉寂三年之久的比特币价格终于创下了新高,虽说没有突破两万美金大关,但是也足够点燃加密玩家的热情。在各个社群中,又开始了一段关于比特币的热烈讨论。可以说,距离世界计算机的最初梦想,以太坊又近了一步。

在比特币价格2017年暴涨并达到19,783美元的峰值后,三年后单个比特币的价格再次超过这个数字,创下历史新高。自3月份在新冠大流行开始时跌至4,000美元以下后,这种加密货币就一直在飙升。

同样,在本月Sperax团队也为行业增添了不少亮点,下面为大家带来本月的Sperax月报。

技术进展

测试网开发完成

1.网络测试:

我们在十月份完成了所有测试网的本地测试,这个月初起,就像我们在十月份月报中提到的,我们开始了测试网上线前的最后一阶段测试–网络测试。我们在亚马逊AWS上开了4个服务器,运行Sperax区块链节点,并不断在Goolge Cloud等云计算平台上增加节点,以测试Sperax区块链在互联网环境下的运行情况。在测试网上线前进行网络测试,是为了检查通讯协议中是否存在bug或者安全隐患,并对区块链在互联网环境下的性能,有一个大致的估计。

2.测试网开发工具:
为方便区块链应用程序开发者,在Sperax测试网上开发基于智能合约的DApp,我们在进行测试网网络测试的同时,为开发者开发了一系列的RPC服务器,如bdls_getValidators(通过区块高度得到该区块高度的validators)、bdls_getTotalStaked(获取当前SPA总质押量)等。

3.其他Sperax区块链开发工具:
我们同时还在开发一系列方便Sperax爱好者使用、区块链开发者开发的工具,包括Sperax区块链浏览器等等。

4.截至11.25,Sperax区块链测试网已在测试网络上无差错运行一周。根据这一事实,我们可以肯定地作出如下结论:Sperax测试网的开发及测试已经全部完成。
在这里插入图片描述
在这里插入图片描述

更多Github更新细节,请访问我们的GitHub

Sperax Wallet
Sperax Wallet旨在成为Sperax用户的聚集地。Sperax Wallet现正在有序开发中,预计将于12月公开1.0版本。1.0版本的Sperax Wallet将包含如下功能:数字货币的存储、资产转账、和挖矿激励。

Sperax Minecraft NFT 服务器
Sperax MinecraftNFT 服务器项目,旨在将基于Sperax区块链的NFT(Non-Fungible Token)融入经典沙盒游戏Minecraft。Sperax NFT服务器使得用户可以买卖交易Minecraft中的虚拟土地与物品,在Minecraft中构造一个丰富的NFT生态。在这一生态中,Sperax还加入了DeFi元素,使得玩家可以自由地出借其NFT物品,以获得代币报酬。我们还计划在这一生态中加入区块链自治管理,使得该生态可以由社区自治。

跨链设计
鉴于Sperax测试网已开发完成,我们的研究团队将注意力转移到如何丰富、扩展区块链基础设施的功能上。跨链设计,即是我们关注的一个重点。我们的研究团队,对两个经典的跨链设计—PolkadotBinance Smart Chain,进行了全面、深入的研究,作为Sperax区块链基础设施扩展的借鉴。我们同时对一些著名的“Polkadot-以太坊2.0”跨链项目进行了调研。

去中心化预言机
除了跨链设计,我们还对去中心化预言机展开了进一步调研。研究围绕去中心化预言机经典项—Chainlink展开。今年8月,Sperax和Chainlink同时官宣,Sperax区块链将集成Chainlink去中心化预言机。我们的研究成果,由我们的研究院Rosaline发布于Sperax Medium平台。

质押分配机制
为了在代币价格、链上交易量、代币流通速度、质押奖励等各重要区块链经济参数间达到最优平衡,Sperax研究团队在现有的质押分配机制基础上,开展了进一步的全面研究,以期Sperax区块链经济系统与其PoS共识的无缝接合。

活动进展

Behind the Chain 2020
十一月中旬,Sperax团队成功的举办了我们迄今为止最大的线上会议“Behind the Chain 2020”。在众位嘉宾、主持人、Sperax团队成员以及来自世界各地200多名观众的见证下,我们开展了六场精彩绝伦的圆桌会议,在大家的共同畅想中,我们一起探讨了区块链技术的昨天、今天和明天。

想了解更多详情,请点击链接:Behind the Chain研讨会回顾:L1和L2顶尖开发者和领袖是如何看待扩容、隐私与安全的?

再次感谢所有参与到本次活动中的嘉宾和主持人,正是因为众位的努力,才能使得本次活动圆满结束!我们一起期待在未来更多优秀的项目和行业领导者们会参与到Sperax的活动当中。

在这里插入图片描述

市场进展

11月的Sperax市场活动依旧如火如荼,在6号耳朵财经于成都举办的EBTC2020未来洞见大会上,我们很荣幸的获得了由行业专家和用户推举出的2020年度最具投资价值项目奖。相信这对Sperax来说只是一个开始,未来的路上我们会再接再厉,不辜负行业对我们的期望。

在行业媒体星球日报的邀请下,我们受邀参与了#2020FAT#榜单的活动,敬请期待Sperax的精彩表现(后续的活动链接会尽快分享出来,希望小伙伴们多加支持)。

很高兴的对大家宣布,Sperax也有幸入选了2020金色财经年度榜单年度最具影响力公链的奖项。

同时,Sperax也入选了深链财经DeepChain2020年度最具影响力公链的参选。

在这里插入图片描述

以上奖项的获得与参选,再次说明了Sperax在行业内所受到的的认可,也会时刻督促我们,保持初心的同时,不忘再进一步。

收获众多奖项的同时,每月一期的技术分享会也在如期举行。11月6号,Sperax的首席研究员Joe再次做客社区,为大家带来了详尽的技术更新进展汇报,并与群内的小伙伴开展了激烈的讨论和碰撞,在得到了大家的建议后,相信后续的开发工作将会进展的更加顺利。

过去几周里,Sperax团队很忙也很充实,我们很高兴能收获满满地结束十一月。随着项目各项工作的进行,Sperax将在接下来的一个月公布一些主要的合作伙伴和新产品,欢迎加入我们的Twitter、Medium、Github、微博和微信社区,随时关注我们的消息。

关于Sperax

Sperax致力于建设新一代去中心化金融基础设施。通过原生稳定币和分布式金融服务提供在公共区块链堆栈中提供金融服务。在基础架构层,Sperax开发了比其他拜占庭式容错协议更安全,更高效的BDLS协议。在金融服务层,Sperax设计了原生稳定币系统,通过与持牌金融机构合作,未来为用户提供便捷的金融服务。

关注我们
Website | Medium | Telegram | Telegram Korean | Twitter | YouTube | LinkedIn | GitHub​​​​

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