奔走的五月

首先,五月份最让人期待的就是五一假期了,可惜他早已经被改成了3天,而且每年都是周六周日算作其中的两天,今年是1、2、3号放假,4号周日正常上班。

4-7号正常在公司参与某项目,参与这个项目四个多月了,现在正逢阶段性版本提交测试阶段。

8号部门组织出去旅游,8号晚乘车出发,目的地河南省云台山,在云台山逛了逛大峡谷,看了看没有水的瀑布,转了转没有猴子的猕猴谷,最后一天登上茱萸峰累个半死,正好晚上上车睡觉准备回北京。这次旅游我的唯一收获就是第一次去过河南这个地界,以后跟别人聊天聊到的时候可以简单说上几句。

12号早上返回北京,去医院处理了一下牙的问题,下午匆匆又赶往北京站,乘上了开往长春的列车,次日抵达长春,这块有个小插曲,下车的时候有个同事特意提醒我们不要把东西落在车上,出了站都打完出租车了,这哥们惊叫一声,原来他把从公司带来的俩机顶盒落在车上了,幸亏这个火车到长春就是终点站了,费了番周折这哥们又回到站里把机顶盒取回来了,据他说回去取得时候还救出来一个人,那人睡过了把自己落在车里了,被锁里面了,列车员检查车厢竟然没发现他,哥们去的时候那人正在那狂敲窗户呢。

长春出差持续了5天,在长春这几天也没去哪玩,每天都是在长春电视台的机房里工作。这次出差是我工作两年多来的第一次出差,收获还是蛮大的,毕竟我刚进入现公司工作才半年多,对广电这个行业的业务了解的还很概念化,经过这次现场开发的经历对业务方面的知识掌握有很大的帮助。

17日星期六返回北京,周末休息了两天。

19--21日正常在公司上班,完成一些出差这阶段家里项目我负责那部分遗留下来的问题。

22日早上又匆匆赶往北京南站,乘上G33列车,目的地杭州。哎,第一次出差的感觉还没回味完呢,没想到第二次来的这么快。浙江省也是第一次去,对于杭州之行还是比较期待的,不说苏杭二州出美女么。当天下午抵达杭州就去西湖逛了逛,西湖的晚上确实还是比较美的,着船看了看当年许仙泡蛇的地方--断桥,还有当年葛优拍非诚勿扰喝茶的那个茶楼,忘记叫什么名字了。这次出差的工作进展的也很顺利,在浙江省监测中心的机房里呆了七八天顺利完成工作。临走前又去雷峰塔转了转,这个地方就比较让人失望了,这个雷峰塔2002年重建的。塔的地势稍高一些,但是走楼梯的话不超过5层楼,景区竟然在这里设置了一个扶梯,游客都是乘扶梯上去。这还不算,雷峰塔里面还有个升降电梯,可以乘升降电梯到达塔顶,一个几层楼高的小塔至于这样吗,进入里面就像逛商场似的,你这到底是商场啊还是景区啊?里面的装修也很现代化,这与我心里预想的应该是一个破旧的小黑屋相差的太大了?这哪里是关人的地方,这住的简直是豪华小别墅啊。

29号返回北京,30号上班酱油一天,31号开始端午三天假,五月到此结束。

附雷峰塔两个电梯图:

1[1]   

 

 2[1]

  • 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