聪明人会笑着低下头

在电影院排队买票,我前面是一对年轻恋人。刚排到他们,一位妈妈领着孩子急匆匆挤过来,直接冲售票小姐说:“我们的已经开场了,先给我们出票吧。”

 

我前面的姑娘不乐意了,说:“您排一下队好吗?”

 

那位妈妈完全不理,直接递钱给售票小姐:“孩子急着看,麻烦你先给我们出吧。”

 

姑娘有点火,伸手去挡。

 

眼看要闹起来,旁边的小伙子轻轻拉过姑娘,笑着说:“让她先买吧。”然后示意售票小姐先给那对母子出票。

 

姑娘很生气,小伙子却笑着拍她的肩膀:“不要紧,我们又不急。”

 

我顿时觉得这小伙子真帅。

 

有时候跟讨厌的人顶上了,非要较真的话,讲理讲得赢,打架也打得赢,但是赢了一件小事,却损失了时间和心情,划不来。

 

不如低低头,让她过。

 

而重要的是,低了头,心里也不拧巴,还开开心心该干嘛干嘛,这就是种境界了。

 

 

 

 

 

有一年,朋友大妮的单位集资盖房,盖好后大家抓阄分房,大妮运气不错,抓到三楼。

 

正美呢,领导找她,说:“单位一个老大姐抓到五楼,觉得年纪大了爬着费劲,非要换,你愿意跟她换换不?”

 

大妮说,“我孩子才三岁,爬五楼也费劲。”

 

领导也挺为难,皱着眉头说:“那大姐特难缠,天天打电话找,关键她妹夫又是公司的直管领导,不好得罪。”

 

大妮想了想,干脆地说:“那就换吧。”

 

领导有点过意不去,说:“委屈你了。

 

大妮说:“没事儿,就当抓阄抓的五楼了,而且天天多爬两层还减肥呢,孩子过两年大了,爬五楼也不是事儿。”

 

就这么换了。

 

换完大妮也没觉得委屈,跟那位老大姐还乐呵呵地处得很融洽。大姐挺感动,跟谁都说大妮好。

 

她领导也领情,后来有个去英国学习的名额,二话不说就派给大妮了——这里面可能有其他成分,但换房事件功不可没。

 

其实人都不是圣贤,对大妮来说,到手的利益要拱手让人,没点胸怀没点格局做不到。

 

而让出去以后还能想得开,不怀怨恼,真挺不容易。只是她做到了,好事儿就跟着来了。

 

 

 

 

 

人生是一盘很大的棋,你在这里迂回一下,可能就在那里蓄积了力量,该让的让过,不会亏的——用佛家的话说,福报在后面。

 

能在利益或者是非面前,笑着低下头的人,想必会活得更加自在安乐。

 

过去我们总强调“就算含着泪,也要昂起头”,人生确实需要这股不服输的劲头。

 

但头要昂得起来,更要低得下去。笑着低下头,也是个很美的姿态。很多时候,我们其实更需要有这种姿态。

 

在非原则性的事情面前低个头,不较劲,不偏执,退让一步,做点不伤筋动骨的妥协,这是在理性上对客观现实的合理把控。

 

而在退让之后,也不觉得拧巴,淡然一笑当事情没发生过,不憋屈不失衡,内心依然平和,这是在感性上对内在精神安宁的有效维护。

 

生活里,能低下头的人很多,但多数人是怀着怨愤低下去的,心里百般不爽,暗暗恨他人无理,怪自己窝囊,想着一定要记着这事儿,总有一天要找回来。

 

这样也不好。想想,你给了别人便利,放过了别人,却跟自己过不去,不肯放过自己,这多傻。

 

主观上不想相争也好,客观上不得不让步也好,如果相让是更好的处理方式,就让一步好了。

 

而如果事实上已经相让,心中自然便该放下,纠结怨恨只会徒增烦恼。

 

愿你学会,笑着低下头。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 29
    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 29
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

打赏作者

草莓味少女vv

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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