第八次词汇记忆

178

て-------テ
手 1 (て)                    庭園 0 (ていえん)          提起 1 (ていき)
提供 0 (ていきょう)          体裁 0 (ていさい)          停車 0 (ていしゃ)
停車場 0 (ていしゃば)        提出 0 (ていしゅつ)        訂正 0 (ていせい)
停滞 0 (ていたい)            程度 1 (ていど)            敵 0 (てき)
敵意 1 (てきい)              適用 0 (てきよう)          出口 1 (でぐち)
弟子 2 (でし)                鉄 0 (てつ)                哲学 2 (てつがく)
鉄橋 0 (てっきょう)          鉄道 0 (てつどう)          鉄棒 0 (てつぼう)
寺 2 (てら)                  点 0 (てん)                天 1 (てん)
店員 0 (てんいん)            天下 1 (てんか)            展開 0 (てんかい)
天気 1 (てんき)              伝記 0 (でんき)            典型 0 (てんけい)
天国 1 (てんごく)            天才 0 (てんさい)          電子 1 (でんし)
展示会 3 (てんじかい)        展示場 0 (てんじじょう)    電磁波 3 (でんじは)
電車 0 (でんしゃ)            伝説 0 (でんせつ)          電池 1 (でんち)
伝統 0 (でんとう)            電灯 0 (でんとう)          店内 1 (てんない)
天女 1 (てんにょ)            天然 0 (てんねん)          天皇 3 (てんのう)
電波 1 (でんぱ)              展望 0 (てんぼう)          電報 0 (でんぽう)
展覧会 3 (てんらんかい)      電流 0 (でんりゅう)        電力 1 (でんりょく)
電話 0 (でんわ)

と-------ト
党 1 (とう)                  銅 1 (どう)                統一 0 (とういつ)
討議 1 (とうぎ)              動機 0 (どうき)            同級生 3 (どうきゅうせい)
統計 0 (とうけい)            動作 1 (どうさ)            当時 1 (とうじ)
動詞 0 (どうし)              同時 0 (どうじ)            陶磁器 3 (とうじき)
当日 0 (とうじつ)            当初 1 (とうしょ)          凍傷 0 (とうしょう)
同情 0 (どうじょう)          同世代 3 (どうせだい)      当然 0 (とうぜん)
到達 0 (とうたつ)            道徳 1 (どうとく)          投票 0 (とうひょう)
糖尿病 0 (とうにょうびょう)  東部 1 (とうぶ)            動物 0 (どうぶつ)
動物園 4 (どうぶつえん)      東洋 1 (とうよう)          動揺 0 (どうよう)
到来 0 (とうらい)            道理 3 (どうり)            同僚 0 (どうりょう)
道路 1 (どうろ)              登録 0 (とうろく)          討論 1 (とうろん)
童話 0 (どうわ)              時 2 (とき)                読者 1 (どくしゃ)
特殊 1 (とくしゅ)            読書 1 (どくしょ)          特色 0 (とくしょく)
特性 0 (とくせい)            特製 0 (とくせい)          特徴 0 (とくちょう)
特定 0 (とくてい)            特別 0 (とくべつ)          特有 0 (とくゆう)
独立 0 (どくりつ)            登山 1 (とざん)            登山家 0 (とざんか)
登山隊 0 (とざんたい)        都市 1 (とし)              図書 1 (としょ)
土壌 0 (どじょう)            土地 0 (とち)              登頂 0 (とちょう)
特許 0 (とっきょ)            突然 0 (とつぜん)          突破 1 (とっぱ)
徒歩 1 (とほ)                鳥 0 (とり)                努力 1 (どりょく)
奴隷 0 (どれい)              泥 2 (どろ)                

な-------ナ
名 0 (な)                    内閣 1 (ないかく)          内臓 0 (ないぞう)
内部 1 (ないぶ)              内容 0 (ないよう)          内陸 0 (ないりく)
苗 1 (なえ)                  長年 0 (ながねん)          夏 2 (なつ)
鍋 1 (なべ)                  生 1 (なま)                涙 1 (なみだ)
縄 2 (なわ)                  南極 0 (なんきょく)        南部 1 (なんぶ)
南北 1 (なんぼく)

に-------ニ
肉 2 (にく)                  西 0 (にし)                虹 2 (にじ)
西口 0 (にしぐち)            日常 0 (にちじょう)        日用品 0 (にちようひん)
日記 0 (にっき)              日光 1 (にっこう)          日誌 0 (にっし)
日程 0 (にってい)            入会金 0 (にゅうかいきん)  入学 0 (にゅうがく)
入場 0 (にゅうじょう)        鶏 0 (にわとり)            人情 1 (にんじょう)
妊娠 0 (にんしん)            人数 1 (にんずう)          忍耐 1 (にんたい)
任務 1 (にんむ)              

ぬ-------ヌ
布 0 (ぬの)                  泥濘 0 (ぬか)              沼 2 (ぬま)

ね-------ネ
音 0 (ね)                    根 1 (ね)                  音色 0 (ねいろ)
葱 1 (ねぎ)                  猫 1 (ねこ)                鼠 0 (ねずみ)
熱処理 3 (ねつしょり)        熱情 0 (ねつじょう)        熱量 2 (ねつりょう)
熱帯 0 (ねったい)            年代 0 (ねんだい)          粘土 1 (ねんど)
年年 0 (ねんねん)            燃料 3 (ねんりょう)        年齢 3 (ねんれい)
年号 3 (ねんごう)            年末 0 (ねんまつ)

の------ノ
農家 1 (のうか)              農業 1 (のうぎょう)        農作業 3 (のうさぎょう)
農作物 4 (のうさくぶつ)      農場 0 (のうじょう)        農村 0 (のうそん)
農民 0 (のうみん)            濃緑 0 (のうりょく)        能力 1 (のうりょく)
鋸 4 (のこぎり)              

  • 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