IT小小鸟读后感言

有感

读了我是一只IT小小鸟之后, 我发现上大学得靠自己自学,确定自己的目标和方向,多去参与实验和自己多锻炼编写程序。我现在大一,还有很多时间来让自己变得更好,虽然要补考两门课程,但是还是不要失去信心也不要放弃自己。一个程序员的优秀不在于你的成绩好与坏,而在于你是否真的用心去学,用心去做,用心打造自己,拥有自己的自主思维,以多方面全面进步。

首先要清楚上大学的首要任务, 自己要干嘛,要有什么收获,希望自己成为什么样的人。其次要有扎实的基础,不要将自己局限要成绩的高低上,仅仅只看到眼前的荣誉无疑是目光短浅的表现。注意学习的扩展性,理解和掌握本专业的常用的核心思想与技术,达到熟记于心。发现自己的优势并加以努力,选择适合自己的道路。在学习过程中不要为自己的错误找借口,目标要坚定、切忌浮躁、急功近利,学过的理论要用在实际上,最好能自己动手开发出一些有技术含量的项目和利用多余的时间去实习, 为之后谋出路。

在读大学的一学期内,学习了挺多了课程不过基本都是为了能考试过关,重点是还是基础不好,对自己的要求变低,如果自己能过更认真一点,不是糊弄了事。不过现在才大一我还有时间来改变我自己,让自己独立思考那个不懂的,从教训总结经验和发现深处度的东西。每个人都会经过不好的阶段及时醒悟投入自己喜欢的事上。And the only way to do great work is to love what you do. If you haven't found it yet, keep looking. Don't settle. As with all matters of the heart, you'll know when you find it. And, like any great relationship, it just gets better and better as the years roll on. So keep looking. Don't settle.

结了下该书中不同作者基本都有不同的家庭背景、不同的学历、专业背景,但是细数下来相同的是对计算机的兴趣,不论从找工作的角度还是科研的角度,他们对计算机的深入理 解、热情是一致的。共同点有以下三点:

          1、 有计划,并能付诸实践;

      2、 看了大量的技术书籍,并做了总结,基本都有自己的技术博客并在自己相关领域做了深入的交流。

      3、 面对困难不退缩,冷静、理智分析原因所在,并能顽强的战胜困难,保持良好的心态继续去迎接更大的挑战。

 大量地翻阅杂志或者人物访谈吧,你会开拓你的视野,看看“巨人”站在哪里,然后努力地使自己站到巨人的肩膀上硬着头皮做,知道麻木,然后就适应,这就叫做坚持。当你发现你的短板时你要让它变成优势。例如英语:阅读训练:蕴含在平时的英文技术资料的阅读中,尽量读英文的,一来英文资料更一手,二来也顺便练习阅读。书写练习:蕴含在去国外邮件列表发技术帖子和自己写的英文博客文章里面。 口头训练:平时的娱乐当中------美剧,找机会和国外的人交谈。

 

转载于:https://www.cnblogs.com/gentlemans/p/5230542.html

  • 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