父亲的暧昧行迹该告诉母亲吗?


也许与成长环境有关,我的依赖性很强,习惯于按照父母的要求生活,父母说什么我都照着做,从未想过违背过他们。
父亲一直在外面做生意,母亲不但要帮他,还要照顾我,打理家务,十分辛苦。父亲很爱我,我也挺敬佩他,但他很忙,每周才回家一次。所以,我对他敬佩之余也掺杂着因为陌生而产生的畏惧。
5年前我结婚了,老公为人正直﹑踏实﹑有责任心,父母对他很满意。婚后,我曾工作过一段时间,但父亲反对我外出工作,认为我在家相夫教子挺好的。我只好辞职在家。毕竟,我老公工作很好,我们有婚房,没什么经济压力。
虽然我们有自己的住房,离父母家稍微远一些,但大部分时间我们都跟我母亲同住,实在想回小家过二人世界时,还得提前做铺垫,打招呼。因为父亲希望我们和母亲同住,这样在外忙碌的他才觉得踏实。所以,他知道我们回自己的小家住,会很不高兴,好像我们犯了多大错误似的
母亲对父亲言听计从,觉得只要是父亲说出来的话都是对的,无论是她还是我们都必须听从。比如说,父亲通常周末回家,只要是他回来的那一天,我和老公必须在家,无论多晚,也要等他回来才能吃饭,父亲喜欢看什么电视,我们都要陪着。我怕时间长了,老公会不开心,但他从来没和我发过牢骚,而是表现出足够的体谅,对我父母一直很尊重。
一年前的一个晚上,老公因加班还没到家,家里只有我跟父母,父母已经休息了,突然父亲的手机显示有条短信,我好奇地打开看了下,虽然只是个祝福的短信,但称呼却是很亲昵很暧昧的那种,是妻子对丈夫才会有的称呼。这让我很惊疑,特别留意了下号码,发现是以前和父亲有过传闻的那个女人,我惊慌失措,晚上老公回来,也没敢跟他说。次日上午,父亲就打电话问我是否看他的短信了,还特别强调是普通的祝福短信,让我不要跟母亲还有老公说。我顺从地照做了,觉得这才是听话孝顺的表现。
今年中秋节前夕,父亲中午回到家,下午说要出去走走,恰好老公从外面回来,就一起出了门,没走多远,父亲说要接个电话,我拉老公走开了,站在不远处,用眼角的余光看到父亲背对着我们,在小声地解释着什么。我很想走过去问问父亲,这个电话是谁打来的?到底还是缺乏勇气。一起吃饭时,老公间接地提到过,都让父亲打岔打过去了。
我现在越来越担心,怕父亲跟那个女人真的有什么。因为这么多年,我们只知道父亲单位的地名,却从来没听他说过具体在哪儿,更不知道他晚上住在哪里。他的年纪也不小了,一个人能照顾好自己吗?如果我把这件事告诉母亲,母亲能接受吗?万一母亲受不了,场面失控怎么办?
这段时间,我天天都忍不住想这件事。有时候真有说出来的冲动,但又担心因此而打破母亲平稳的生活。我本想和老公跟踪父亲一次,看看到底他晚上宿在哪里,是否一个人独住,但我又有些害怕,一旦被他发现,我该怎么办?如果事情真像我猜想的那样,我该怎么对母亲说?毕竟,她那样依赖着父亲。
车老师,我现在不知如何是好,请给我一些指点儿。
一个苦苦煎熬的女孩
  • 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