分析遛狗者不拴狗绳的心理

    331e8dc4b5816b64e01af828f3751f06.jpeg

    关于遛狗者不拴狗绳,导致自家的狗咬人的事频频见诸报端,那么现实中这类事实际发生的数量会更多。笔者怕狗,连陌生的猫都怕,倒不是天生如此,小时候敢把外婆家的狼狗当马骑,也会在大冬天把猫抱在炕火边撸一撸,长大了就变得特别胆小,一是怕被咬了痛,二是长大识字了,知道被狗咬了可能得狂犬病,被猫抓伤了可能得猫抓病,看到他们冲过来就汗毛竖起。

     偶尔出门散步,穿着凉鞋,看到一条大犬奔过来就瘆得慌,一动也不敢动,我在想,要是我穿个运动鞋,这家伙跑过来咬我,我还能踢它一脚,如今,脚趾头露在外面,大夏天的,穿着短裤,浑身上下都是容易被攻击的点,我赶紧让狗主人让她把大狗叫走,狗主人是个中年女人,她一边招呼那狗,一边轻蔑地看着我,仿佛是在看一个胆小鬼,不错,我确实是胆小鬼,不过,这小区里,这样的胆小鬼也不只我一个呀,胆小鬼再怎么不堪,也是受法律保护的人呀,为了人的安全舒适,难道她不应该在出行的时候拴一条狗绳吗?而且小区里,还有小孩,有些小孩,身高还不如那条大狗,狗的等级观念是很重的,他看到陌生的幼崽这么矮小,就有可能起侵犯之念,毕竟它来自汪星,语言不通,谁也不知道它是怎么想的。

      那为什么这些人不拴狗绳呢?我觉得少部分是出于心态问题,他们自以为是,完全不把别人放在眼里,自己是最重要的,自家的狗的重要性大于其他人,觉得被自家的狗咬了是你运气不好,是活该,真有咬人的事发生了,他们就百般狡辩,逃之夭夭,一分钱的医药费也不肯出。

      我想这样没素质的人始终是少数,大部分还是善良的,至少是有一点责任感的,也是怕麻烦的,他们把狗脖子上的项圈拿掉,恰恰是因为爱—对自家狗的爱,《猩球崛起》中,猩猩“凯撒”的养父带它出游,“凯撒”看到一条狼狗向他吠叫, 狗脖子上佩戴着项圈,正和他自己一样,凯撒感到很失落,他问自己的养父,自己和那条狗一样是他们的宠物吗?他的养父安慰说,“凯撒”是他的朋友。也许狗主人是出于对狗的爱,将最重要的东西,自由还给了自己的宠物,它在房间里关了一天了,好不容易到外面散心,应该让它摆脱束缚,自由奔跑一会。

      至于说安全问题,他没有考虑到,或者说选择性无视了,他的理由是,他家的狗儿不会咬人,为什么?他家有五口人,最小的孩子才上小学,狗儿和小孩亲昵着呢,把手放进狗儿的嘴里,狗儿张大嘴巴,不敢喘一声气,生怕咬伤了自己的主人。这样忠心的狗儿,怎么会咬人呢?这是一个典型的以偏概全的错误,这只能说明狗一般不咬自家人而已,却不能证明狗不会咬陌生人,马路上的陌生人,形形色色,有快速奔跑的,有大声吼叫的,有蹒跚学步的,这些难道没有可能成为狗儿的被攻击对象?狗是一种等级观念很重的动物,在一个家庭里,它已经明白了这块地盘是谁的,谁是它的老大,可在外面,它可不一定有这样的观念。这样的认识错误,恰恰证明遛狗者不了解狗,这也是一种对狗的不爱护。

       所以,为了让狗儿更受大家的欢迎,请遛狗者抓牢自己的绳子,如果想让狗儿自由奔跑,那就自己跟着它跑,这样还能锻炼自己的身体。至于上面我说的我怕猫,也许有些爱猫达人会问,难道也要把猫弄个绳子拴起来,我觉得无特殊情况没有必要,第一,猫在自己家的一个小空间就可以玩得很嗨,不用经常带出去,也不会和太多的人有交集,第二,猫一般看到人,比人还胆小,小区里的流浪猫看到我,一般都是慌忙窜进草丛里的,至今我还没见过对着大人张牙舞爪的喵星人,如果有,那还是拴起来,不,还是关到笼子里吧。

关注本人微信,与笔者有更多交流,请备注"观点"

1b991b700d59ab931c00b8e674fabc9b.jpeg

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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