大学宿舍,中国最昂贵的房价![转贴/收藏]

一个朋友老是和我抱怨:现在真是住不起房子了,一平方米都是3000多。不要说买了,就是连租也租不起,这不我刚刚租了个房子都要我1500元每月。3000元的工资除了租房子,养家,都所剩无几,唉!这世道真是活不下去了…… 
  “1500元/月?”,我笑了笑,“你这也算贵?” 
  这还不贵?都占我工资1/2强了。 
  不贵!一点也不贵! 
  那你说还有什么房子比这更贵? 
  学生宿舍! 
  你不会在胡说吧,学生们千把多块钱都可以住一年呢!(朋友在一边似乎是嘲笑。) 
  你不相信? 
  不相信 
  好,那我算算帐给你听! 
  算就算,还看你能算出什么金子银子来? 
  我先问你,一个宿舍的平方面多大? 
  大概30平米左右吧? 
  一个宿舍住几个人? 
  4个人! 
  一个人的住宿费是多少? 
  1200 
  那也就是说30平方米一个学期的租金是4*1200=4800元 
  恩!(朋友的表情开始有点不自然了。) 
  一个学生在学校住宿几个月? 
  除去暑假、寒假三个月,还剩下9个月。 
  也就是说30平方米每个月的租金是4800/9=533.3元 
  你住的房子是多大? 
  100平方。 
  那把学生宿舍折算成100平方,那么每个月的租金便是533.3*100/30=1777.7元 
  不会吧,那么贵?朋友的脸色开始有点挂不住了! 
  这还不算,你的房子是在那里? 
  市中心! 
  市中心的房价是郊区房价的多少?(学校现在一般都是在郊区) 
  2倍多吧! 
  Ok,就算是2倍! 
  那么,把这1777.7*2=3555.5元 
  你的房子里面带厨房,卫生间,家电,家具吗? 
  有! 
  与没有(这些设备)的房价相比呢? 
  贵些! 
  贵多少? 
  大概是1.3倍吧? 
  那么再将3555.5*1.3=4622.2元 
  对了,你的房子有物业吗? 
  有 
  怎么算? 
  一个单位是0。7元钱! 
  Ok,那再加上70元,就是4622.2+70=4692.2元 
  天拉!怎么那么贵?(我的朋友开始尖叫了)不可能,不可能,你肯定是算错了! 
  没错,不信你再算一遍??? 
  朋友一把夺过了我的计算器,我可以看见得出他的手指在不停地颤抖…… 
  “天拉!4692.2元再除于我所住的房子的租金1500元简直是3倍还有余……”朋友身子慢慢 
  地嵌进了沙发里面…… 
  这还不算呢!我得意地笑了一笑!如果按照6人间1000元/人和8人间800元/人的标准算来,这个房价还要更高! 
  亲爱的朋友们你们都算出来了吗?(按照100平方米的单位每月租金算!) 
  答案(5865元/月,6256元/月) 
  可怜那些天之骄子们,算了一辈子的算术,这点帐都没有算过来! 
  注:上述物价均参考中部某省的物价水平。

http://forum.chinalawinfo.com/ltPages.asp?lsID=24&id=69286

http://campus.sohu.com/20060113/n241390966.shtml


随便看看。

  • 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。 目标检测任务可为两个关键的子任务,目标定位和目标类。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为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。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 中进行类,并根据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: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下框的置信度数从大到小排序,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
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。 目标检测任务可为两个关键的子任务,目标定位和目标类。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为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。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 中进行类,并根据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: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下框的置信度数从大到小排序,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