除了“带地球去流浪”,还有哪些脑洞大开的太空计划?

头顶“硬科幻”标签的《流浪地球》,最近收获的不光是漫天彩虹屁,从剧情逻辑到科学细节,天天都有一些硬伤被拉出来花式吊打。

特别是“流浪地球计划”这个故事赖以存在的大背景,无论是一万座行星发动机推动地球,还是点燃木星,都是违背科学定理的。

不过,这就像是作者为读者和观众搭建的一个梦幻舞台,吃不下类似设定的直接右上角小红叉就好了,非要揪着一个想象中的太空计划谬误不放未免就有点杠精了。

但是,如果现实中的太空计划也这么脑洞大开、劳民伤财,那才是真实引起不适了……神奇的是,历史上这种充满了玄幻色彩的太空计划还真不少见。

比如冷战期间,美军就真推出过名为“Project Retro”的太空计划,试图利用1000座阿特拉斯火箭发动机的反向推力,迫使地球停止自传,可是以当时该发动机的推力,至少得安装1000万亿台才有可能,而且会将地表环境破坏殆尽……结果当然是因为太疯狂而被否决了。

不过,这样耸人听闻的太空计划还出现过很多。这也切实暴露出了人类在探索太空上的巨大难题:让想象力在科技和宇宙的规律下自洽,并且符合全人类利益,实在是一项难度系数爆表的思想体操。

接下来我们就集体围观一下这些毫无求生欲的未来计划吧。

异想天开型:敢叫宇宙换新天

这类太空计划,可能提出时根本就没有想要产生任何实际的结果,但都做到了在气势上自带“敢为天下先”“宇宙规律都是渣”的王霸之气。

比如美国在1980年代提出的星球大战计划(Strategic Defense Initiative,简称SDI)。

该计划由“洲际弹道导弹防御计划”和“反卫星计划”两部分组成,预算更是高达1万多亿美元。核心目标是以太空为基地,建立一个综合防御系统,在太空部署激光、高能粒子束等定向能武器,防御和拦截来自苏联的战略导弹。

不过,虽然研究工作进行得是红红火火,并且花费了近千亿美元的费用,但很多计划中的项目都因技术难度过大、费用高昂等无限期停摆。

这个未能实施的计划在90年代宣布终止时,立刻引发了舆论哗然,就被认为只是一种宣传烟雾弹、一场彻底的骗局。

值得一提的是,最近“星球大战”计划2.0版又启动了。

前不久特朗普公布了美国最新版的导弹防御系统计划,也是以太空为战场来部署部署导弹拦截器。大家猜猜这次会不会重蹈覆辙呢?

太空计划怎么能少的了月亮呢。“狠起来连地球卫星都炸”的月球基地计划,1959年就在美国空军的案头诞生了。

该计划打算在月球附近或者月球上引爆一枚核武器,引发一场“月震”以供研究,顺道吓唬一下“对家”苏联人,甚至为此劫持了苏联的月球探测器来研究。

幸好这个轻率的方案也搞砸了。该计划推出一年后,美军就忙着应付苏联的金星探测计划去了,月球得以逃过一劫……

总而言之,这类太空计划表面一看有理有据挺能忽悠人的,实则缺乏科学理论和技术实践支撑,最后都难逃凉凉的命运。最大的贡献可能就是为提供了不少茶余饭后的谈资,以及阴谋论滋生的土壤……

强行碰瓷型:目迷五色or暗度陈仓

如果说上述计划还能跟太空计划扯上关系,也算无意间推动了科研事业发展,那么接下来这些碰瓷型计划,就是强行蹭太空战略的热度,撬开牛顿棺材板、脑洞如黑洞一般的存在……

比如苏联的地球望远镜计划,立志挖穿地壳,打造一个可以观测地底物质的望远镜。美国人也很快推出了钻海计划。这就将美苏太空竞赛引向了一个神奇的画风,开始比赛谁更会“挖坑”了。

战斗民族也是极其认真,真在科拉半岛上钻出了一个12263米的孔,据说是到达地球最深处的人造物,该项目最后因为经费不足而停止,科拉超深井的洞口也随之被封闭,彻底退出了历史舞台。

不要以为喜欢超自然的只有吃瓜群众,科研人员和管理者们也没能幸免。 “蓝皮书计划”就是美国空军为调查UFO于1952年成立的计划。

该计划收集了12618件UFO报告,最后得出结论:大部分UFO事件,都只是误认了自然现象(云、星星等)或是普通飞行物,还有少数几件是谎报。也有人称,该计划是为了掩饰当局秘密研究飞碟的障眼法。emmmmm,你随便研究,能造出宇宙飞碟算我输……

而它的继承者“水瓶座计划”,则收集过去两万五千年来外星人与地球人类互动的历史资料记录,而且至今仍在不懈进行中……真是三体舰队看到会沉默,瓦肯星人看到会流泪。

为了应对神秘的外星人,美国就发起了一个“绝地计划”。在80年代后期,开始打造一支由“超级士兵”组建的秘密通灵部队,这些“绝地武士”个个都具有特异功能或通灵能力。甚至有不少科学家参与其中,进行相关的实验,不过以失败居多。

该计划与其他国家的超能力计划(比如苏联的10003部队,中国的503所等)一样,随着冷战结束而宣告破产。

面对这类怪力乱神式太空计划,想象力余额不足、或是坚守唯物主义的盆友,可能已经满头佛光式问号了。

仅从计划本身,显然是不符合科学发展观的。不过这些计划的提出,原本也与真实的科研没什么关系,只是在那个特殊年代震慑和迷惑对家的一种宣传手段罢辽,本身就是为了宣传而设立的,谁先认真就输了。

自我挑战型:漫漫太空路,上下求索

看了这么多不着调的太空计划,可以看出,航空航天项目作为集财力、科研、国防等国家综合实力于一身的“国宠”,自然难以避免成为国家之间明里暗里较劲的焦点。

那么,有没有哪些值得关注的靠谱太空计划呢?

在回答这个问题之前,有必要搞清楚太空计划的本质,不是把人类送上天空,更不是跑偏成怪力乱神和国家威慑口水战。它的核心,是让人类可以在太空中正常工作和生活,为人类长远的命运和星际探索做好准备。

从这个角度来说,靠谱的太空计划主要有两种,一是深空探测和基础科学理论验证;一是依托现有工程基础的空间探索。

深空探测和基础科学领域,是推动太空任务实现质变的先导性计划。

比如欧洲的LISA计划,就是用来探测引力波的。目标是在2034年把一个放大60万倍的LIGO(激光干涉引力波观测台)送上太空,在地球噪音之外聆听引力波的律动。十年经费就高达10.5亿欧元。

一旦该计划正式落地,通过观察原子级别精度的时空扰动,不仅直接推动太空技术的进步,更是直接推动基础物理进程。

中国也有自己的引力波探测计划,即“天琴计划”和“太极计划”。

前者由中山大学在2016年发起,总投资约为150亿人民币,计划用15年—20年的时间发射卫星上天。太极计划则是2008年由中科院发起,并与欧洲LISA计划达成合作。初步规划是在2033年发射一组由三颗微型、六路激光干涉的引力波探测装置,望远镜直径达到50cm,每年所能观测到的引力波事件率将比LISA高一个量级。

总之,与该类计划强关联的种种技术,比如惯性传感器、激光干涉测距等,将直接惠及人类太空任务和宇宙学、黑洞物理等基础科学的进步,帮助人类进一步理解宇宙的本质。

至于工程基础上的空间探测,就没有那么浪漫和形而上了,目的是通过观测让人类更好地掌握其他关联星体的环境、资源、异动等情况,有着更强的现实意义和价值。

比如前不久NASA的“帕克”任务,就发射了一枚重约635千克的太阳探测器,将在未来7年内环绕太阳飞行24圈,在金星引力的帮助下调整轨道逐渐逼近太阳,最终抵达距离太阳表面大约610万千米的地方。

它也代表了航天工业的巅峰水准:飞行速度达每小时70万千米,是目前飞得最快的人造物体;表面采用碳复合材料防热罩,可抵御1400摄氏度的高温……

作为有史以来最靠近太阳的航天器,“帕克”能够近距离测量太阳外层空间的电场和磁场,研究日冕物质抛射的物理机制,从而更好地预测大型空间天气事件,防止对人类社会造成威胁,比如干扰无线电通信、危及电网、影响宇航员作业等等。

中国探月计划也是类似的存在。

去年,嫦娥四号探测器升空,它将登陆月球背面,帮助人类第一次观测月球永远背对地球的那个未知半球。

而在这之前,2004年启动的探月计划“嫦娥工程”,已经相继发送三个无人探测器,实现月球表面软着陆并完成采样、高精度成像、表面数据收集等任务,以便更好地探测地月空间环境,为进行月球基地建设、寻找未来宜居点埋下伏笔。

也就是说,空间探测计划往往会研究非常具体的专业领域,比如航空飞行、地球科学、空间环境等种种,关键点在于描绘和理解地球所处的周围环境。

尽管这种太空计划远没有什么外星人来的志怪猎奇,也没有星球大战来的热血喷张,也不像“流浪地球”这样充满浪漫色彩,却在一点一滴之间,垒实了人类迈向太空的战略资产,让前进的每一步更有力。

为人类下一个的新黎明做准备,哪怕晨光微熹的那一刻,今日的我们谁也看不到,也好过让未来指向虚妄。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31561483/viewspace-2634308/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/31561483/viewspace-2634308/

  • 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 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
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(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 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
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(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 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