《自控力》书摘

1.
“说不”属于意志力的一部分,而且是最不可或缺的部分。
2.
意志力就是要驾驭“我要做”、“我不要”和“我想要”这三种力量。
3.
自控力比智商高更有助于拿高分,比个人魅力更有助于领导别人,比同理心跟有助于维持婚姻幸福。
3.
意志力挑战就是两个自我的对抗–自控系统和原始本能。没有自我意识,自控系统将毫无用武之地。更强的自控力就得有更多的自我意识。
4.
经常让大脑冥想,它不仅会变得擅长冥想,还会提升你的自控力,提升你注意集中力、管理压力、克制冲动和认识自我的能力。
5.
心率变异度成为身体的意志力“储备”,也就是一个衡量自控力的生理学标准。
6.
将呼吸频率降低到每分钟4-6次,也就是每次呼吸时间用时10-15秒,比平常呼吸慢一点,可以提高心率变异度。
7.
自控力的良药是锻炼。锻炼能提高心率变异度的基准线。
8.
改善心情,缓解压力的最有效的锻炼是每次5分钟,而不是每次几个小时。
9.
长期的睡眠不足让你更容易感受到压力、萌生欲望、受到诱惑。
10.
自控力就像肌肉一样有极限,意志力的肌肉模式告诉我们,自控力从早上到晚上会逐渐减弱。
11.
如果你觉得自己没有时间和精力去处理“我想要”做的事情,那就把它安排在你意志力最强的时候做。
12.
意志力饮食方案:低血糖食品包括瘦肉蛋白,坚果和豆类,粗纤维谷物和麦片,大多数的水果和蔬菜。
13.
在一些小事上持续自控会提高整体的意志力,改变姿势,戒掉甜食,记录支出情况。
14.
面对你最大的意志力挑战时,你可以考虑以下动机。如果挑战成功,你将会获得什么,还有谁受益。如果你现在愿意努力做困难的是,那么过一段时间后,这个挑战将会变得容易。
15.
我们最强的动力并不是我们所想的那样,也不是我们觉得“应该是”的那样。
16.
“道德许可”不仅会批准我们做坏事,也会让我们错失做善事的机会。
17.
所有被我们道德化的东西都不可避免地受到“道德许可效应”的影响。
18.
只要我们的思想中存在正反两方,好的行为就总是允许我们做一点坏事。
19.
任何让你对自己的美感到满意的事,即便只是想想你做过的善事,都会允许我们做冲动的事。
20.
当我们从道德的角度思考自己面对的意志力挑战时,我们就失去了自我判断能力,看不到这些挑战有助于我们得到自己想要的东西。
21.
我们总是把进步当做放松的借口。
22.
我们把需要做的事当成了自己已经付出的努力,只会给我们错误的满足感。
23.
记住我们为什么会拒绝诱惑,这是个很有效的办法。
24.
大脑对能完成目标的可能性感到兴奋,它错把可能性当成真正完成了目标。
25.
我们想到未来的选择时,就会很容易犯下大错。我们不断期待明天能做出和今天不同的选择,但这种期望是错误的。
26.
当你要做意志力挑战有关的决定是,注意一下,你脑海中是否闪过了“未来再好好表现”的承诺。
27.
对未来的乐观主义精神,不仅会影响我们自己的决定,还会影响我们究竟会不会按自己所说的去做。试着减少行为的变化性。
28.
只要使你放纵的东西和使你觉得品德高尚的东西同时出现,就会产生光环效应。当光环效应影响到了你的意志力挑战时,你需要找到具体的测量标准。
29.
在追求自控的过程中,我们不应该把所有的意志力挑战都放在道德标准的框架中。想要做到始终如一,我们就需要认同目标本身,而不是我们做山是时的光环。
30.
现代科技“及时行乐”的特点,加上原始的激励系统,就让我们成了多巴胺的奴隶,从此欲罢不能。
31.
当奖励承诺的多巴胺释放时,你更容易受到其他形式的诱惑。
32.
我们的大脑错把奖励的承诺当成快乐的保证,所以,我们从不可能带来满足的事物中找到满足。
33.
想得到快乐是一种健康的生存机制。它和远离危险一样,都是人类的本能。
34.
当我们情绪低落的时,大脑更容易受到诱惑。
35.
最有效的解压方法包括:锻炼或参加体育活动、祈祷或参加宗教活动、阅读、听音乐、与家人相处、按摩、外出散步、冥想或做瑜伽,以及培养有创意的爱好。真正缓解压力的不是释放多巴胺或依赖奖励的承诺,而是增加大脑中改善情绪的化学物质。
36.
导致跟多堕落的行为并不是第一次的放弃,而是第一次放弃后产生的羞耻感、罪恶感、失控感和绝望感。责备自己屈于诱惑的时候,往往会带来更多意志力的实效,造成更多的痛苦。
37.
自我批评会降低积极性和自控力,而且也是最容易导致抑郁的因素。相反,自我同情则会提示积极性和自控力。
38.
增强责任感的不是罪恶感,而是自我谅解。
39.
当我们面对罪恶感、焦虑和压力感到备受打击时,我们会想到一件能让自己快乐的事——决定做出改变。不行的是,就像奖励的承诺和缓解压力的承诺一样,改变的承诺也很少能朝我们希望的方向发展。
40.
当我们和诱惑正面交锋的时候,我们只愿意选择短期的、即时的奖励。即时奖励会激活更古老、更原始的奖励系统,刺激相应的多巴胺产生欲望。未来奖励则不太可能激活这个奖励系统。
41.
当我们想到未来的自己时,我们的欲望不会像现在一样紧迫,情绪不会像现在一样真切。
42.
大脑会把未来的自己当成别人,这种习惯对自控力影响极大。
43.
无意识的模仿,传染情绪和当我们看到别人屈服于诱惑时,我们的大脑也可能受到诱惑。这三种形式都会是我们的社会脑出现意志力实效。
44.
当我们看到别人忽视规则、受欲望支配的时候,我们更可能在任何冲动面前选择屈服。
45.
社会传染病在人际网络中传播,那里面都是互相尊重、互相欣赏的人。
46.
当群体里的其他人都在做某件事时,我们很容易认为这件事是应该做的聪明事情。我们的日常行为受到“社会认同”的巨大影响。
47.
戒掉恶习并培养新的美德会让我们在自己最重视的群体中站稳脚跟,我们或许会愿意这么做。
48.
在考虑如何做出选择是,我们经常想象自己是别人评估的对象。这位人们自控提供了强大的精神支持。
49.
我们的大脑会把别人的目标、信念和行为整合到自己的决策中。我们的行为也影响了其他无数人,我们做的每个选择对别人来说也是一种鼓励或诱惑。
50.
把我不要的力量用在涉及思想、情感的内心世界,他就会实效。
51.
当人们视图摆脱一种想法,他却不断回到脑海中时,人们很可能认为他一定是真的。这种认知的偏见似乎已经在人类的大脑中根深蒂固了。人们会根据想起事情的难易程度来判断它的可能性或真实性。
52.
当人们不再试图控制那些不希望出现的想法和情绪时,他们也就不会再来烦你。
53.
直面自身欲望,但不要付诸行动。驾驭冲动。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    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
图像识别技术在病虫害检测中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**:从图像中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。训练过程中,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中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,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中的应用将越来越广泛。
评论 1
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