科技博客的价值

编者按:本文作者程然,爱范儿、Techweb、长城会mobiSights专栏作者,文章继daidai和@范怿Ryan 对科技博客发展的探讨之后,对科技博客为何会火及其价值做出分析,指出科技博客引领整个行业的视线,促进行业发展。如有读者要和作者联系,可在新浪微博@程然henry。


  去年6月我对博客未来发展的有了一些想法,其中有关轻博客的,发表在爱范儿上;还有些是关于科技博客未来发展的。


  前几天看到@范怿Ryan 的文章受到启发,使得我的思路基本成型,现在写出来,与大家探讨。


  科技博客为什么火起来了?


  如今最令人关注的主要科技博客如:爱范儿、36氪、雷锋网 ,他们成为移动互联网行业内的焦点,并不是很久的事情。


  大约从2010年开始,国内的移动互联网突然爆发,产生了一系列的联动效应。原本对移动互联网最有感觉的科技媒体(包括网络和平面媒体)的专业记者,随着移动互联网的爆发,被挖到了风险投资公司做起了投资经理或分析师。因为职责所限,他们不能再像以前把自己的观点和见解公布于众了。


  这就使得科技网站(门户网站的科技频道或是科技门户网站)与科技博客站在专业水准上站在同一个起跑线上了,而此时看似内容基本相同的两类网站,本质的差异日益体现出来了。


  科技博客是因为爱好而写,科技网站是为了完成工作而写。当然许多科技网站的编辑、记者也是移动互联网的资深人士,有非常精彩的文章和独到的见解。但如果把事情反过来看,当一个话题和新的应用,科技博客作者不喜欢的话就可以不写、甚至予以批驳;但是科技网站的编辑和记者为了完成工作而写或是不敢写出真实感想,这其中就有天壤之别了。


  日积月累,科技博客的内容因为独立观点、精辟分析,日益成为行内人士关注的重点。简单说,有爱的文章,自然更有吸引力,科技博客因而就受到业内人士、读者的追捧。


  科技博客的媒体价值


  科技博客的价值超出一般博客,其核心是媒体价值,表现在满足不同类型的读者需要:


  作为移动互联网爱好者,可以在这里看到国内外最新的产品和应用;


  作为天使投资和风险投资公司,可以看到最新的行业投资动态和发展趋势;


  作为移动互联网的产品经理和研发团队,在这里可以看到最新的产品应用介绍和对比分析;


  还有创业者和潜在的创业者,从这些报道中发现自己的创业机遇和案例。


  因此,科技博客引领了整个行业的视线,成为促进行业发展的发动机之一。


  科技博客的类型细分和内容分类


  关于科技博客的类型细分,@范怿Ryan在《小众性内容博客的窘境与机遇》的文章中已经做了很好的说明,这里不再赘述。


  科技博客上的不同内容,面对不同类型的读者,会具有不同层面的阅读意义:


  技术意义–指在产品和技术层面的突破或创新,比如Color 、Path 这样技术领先的应用,是极客、玩家和产品经理最喜欢的内容。这些技术往往非常新颖和前卫,但也导致很难为普通用户所接受、尤其是处于不同市场环境中的国内用户。


  用户意义—现在许多的应用、尤其是免费应用,用户非常喜欢,拥有很好的用户价值;这样的应用也许在技术上并没有什么特别的突破,而且更成问题的是,许多免费应用很讨用户喜欢但是难以形成一个有效的商业盈利模式。比如,免费资源下载、社交应用等等,普通用户非常喜欢,但是商业链接不易,甚至难以有收入。


  商业意义—有些产品在技术层面没有什么新意,但是因为非常好的结合了商业利益,而拥有了进行商业投资的价值,这些往往是投资领域的人关注的重点。


  因此,我们看到在科技博客的内容中,报道的产品和应用具有不同的意义,有的产品和应用兼具两种或三种价值。这些内容在科技博客上、以原生态的方式呈现给不同类型的读者,大家各取所需。


  科技博客的复杂性


  如果科技博客只是简单的媒体价值,我就不必写这篇文章了。在美国的科技博客就不那么单纯,比如对于TechCrunch 的争论。而相比之下,在国内更繁杂的商业环境中,科技博客就更加不单纯了。


  引用36氪前作者@NoTor 的一句话“科技创新领域的问题不像纯投资领域那么单纯,如果所有的读者和利益相关者都只跟钱有关系,问题反倒简单了。”


  不同的读者类型、不同的利益相关方,使得科技博客的立场和原则界限模糊难辨。不光如此,传统媒体所坚守的第三方、公正报道的新闻原则,在面对科技博客时有点失效。


  传统媒体的价值一般体现在内容信息呈现上,读者依据其内容作出选择。但是科技博客对于移动互联网的独具慧眼,使得科技博客成为发现、发掘商业价值的洞察者。


  简单讲,如果你是一个科技博客作者,你通过分析看好一个应用,正好你手上有钱,你是否会给这样项目投资呢?或者你经过长时间的行业跟踪分析,看好了一个创业方向,你自己是否会自己创业呢?作为一个自然人,结果是显而易见的。


  所以,我们看到科技媒体与商业利益内在的紧密关联,甚至是科技媒体的一个自然属性。


  关于此问题,@NoTor 的文章《Mike Arrington 创办投资基金所引起的有关“伦理”的争议,对中国的科技圈有何启示?》中,有深度的解析和探讨,这里不再赘述。


  科技博客的双重投资价值


  ● 科技博客还是一个投资平台


  就像新浪微博不仅具有媒体属性,还是一个社交平台。科技博客也不仅仅是媒体,还是一个投资平台。


  科技媒体对移动互联网的发展先知先觉、领风气之先,自然也可以对有发展潜质的项目最先投资。这样可以实现多方共赢:创业者可以得到更好的宣传报道、科技博客可以得到创新企业的发展红利、天使和风险投资可以得到媒体的背书,真是皆大欢喜。


  不开心的也许就是那些被排挤在外、不能进行商业投资的新闻媒体了。当然,还有许多科技博客坚持独立、公正、非商业的新闻理念,这是我们应该尊重的。


  ● 投资给科技博客


  既然科技博客本身具有投资平台的天然属性,自然也就具有了被投资的价值。作为天使和风险投资,不如干脆选好一个科技博客给予投资,抓住这个新兴行业的新兴媒体的核心命脉。


  遐想与瞎想


  所谓创新,有时就要打破传统的思维定式和固定模式,尤其是所谓商业模式的陈旧定式。商业本无定法,各有巧妙不同!


  比如:


  为什么科技媒体不能进行商业投资或是被投资呢?


  为什么门户网站的科技频道不能独立运作,成立投资部门进行天使和风险投资呢?


  互联网媒体会不会被移动互联网颠覆呢?


  总是想起那句名言“所有还没有被互联网改变的行业都即将被互联网所改变”,而如今的移动互联网时代,互联网媒体会不会被移动互联网颠覆呢?

  • 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