规划

我是一名在校大学生,现大三。前两年零零碎碎的学习加上热衷于dota2和csgo,到目前为止细细想来学习并没有什么成果,或许也有一点,却是很遗憾的没有记录下来。我觉得开启博客的目的,不仅仅是记录知识又或者是发表许多的文章获取更多的成就感,在我自己看来,在空闲之余看到不成熟的自己发表的东西,顺便回忆一下往事,回忆自己曾经并且一直以来都坚持奋斗的理想,才是最重要的。
这个时间节点确实来的太晚了一点,与上大学之前在家的规划晚了整整两年的时间,我不想为自己以前的懒惰和贪玩去寻找任何的借口,但现在来看之前的种种都并没有给我带来任何对理想有价值的东西,当然,除了友谊。有的人会说,只要想开始什么时候都不算晚。我想也确实,只不过要花费大量的时间去学习之前别人学过的东西。及时这样,现在也到了开始的时候。
为什么学习编程?说实话,我的兴趣以及未来理想是在网络安全方面。但是说实话,由于学校的程度和自身的资源有限,并不能专门的去学习这方面的内容。但是我知道,无论学习什么,无论兴趣在哪里,只要是在计算机的行业,编程永远是最基础、最有用的东西。但是除了学习编程以外,我不会放弃我的目标,虽然没有系统的资源,但是我相信坚持学习一定是对的,当机会来临的时候,我不会让他从我手边溜走。
至于学习方面的计划,作为一名大三的在校大学生,空闲时间还是很多的,所以,我的计划只有吃饭睡觉陪女朋友的计划,除此之外,专心学习。因为我知道,想要成功,你就要付出别人无法想象的努力,况且,起步的时间太晚了。所以,我会尽我所能,不忘初心,坚持理想,坚持那个虚无缥缈却可以掌握在自己手里的未来,一直坚定不移的走下去。
或许许多人说是网络毁了90后,他们整天无所事事,拿着一个手机可以一个人度过一整天却并不能得到什么有意义有价值的东西。我不会反驳这种说话,因为,不仅身边的人是这样,以前的我也是这样。只不过,90后是完完全全处在网络时代的一代人,浪子回头,为时不晚。年轻人总要有年轻人的朝气与蓬勃,理想与未来,创造与奇迹。我相信我自己,就犹如在我浑浑噩噩沉迷游戏之时我父亲依然坚信我一样,家人没有放弃我,我为什么要放弃自己呢?
从此之行,再无停歇,如遇艰辛,粉碎即可。这条路,是我选的,也是我自己走下去的。
2018年9月十七日 14:50
写于 家

  • 1
    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