毕业季 | 令人难以忘怀的事和人

在这里插入图片描述

前言

又是一年毕业季,又令人想起了曾经的那些人,又令人回忆起了那些事,令人心生感慨,心中似有千言万语,不得不一吐为快。

正文

时光匆匆,岁月荏苒,转眼已又是金秋六月,又是一年一度的毕业季,你们准备好迎接社会了嘛?

毕业时有对即将踏入社会的惴惴不安,也有与人别离的伤痛,也有着那我可以的的豪迈气概,以及那对未来的期待。

每个人都怀揣着自己的梦想,大步向前,有的人选择读研;有的人选择创业;有的人选择了回家;也有人选择了去一线城市的职场拼搏。

回忆过去

是啊,每个人都有每个人的路,但是这一分别,想再见,又谈何容易啊。

遥想当初,展望未来,结合现在,现在的我已经不再是那个青涩的我,通过这一年的经历,我也成熟了很多。

但是仍然忘却不了的,还是那些年,那些事,那些人。

那些我们一起艰苦奋斗的那几年,那些令人啼笑非常的糗事,那些与我一起努力拼搏的人。

说到这里,就想起了那一首老歌:老男孩。
各自奔前程的身影 匆匆渐行渐远
未来在哪里平凡 啊 谁给我答案
那时陪伴我的人啊 你们如今在何方

虽说彼此间也有着断断续续的联系,但是,想再见一面,却又因为各种各样的原因而无法相见…
可能这就是人生吧,总有那么多身不由己的事情啊。

对于曾经

曾经一步步小心翼翼不敢有犯错的机会,兢兢业业,虽无大过,但同样无大功,处于一种只敢顾着眼前的废物,虽还年轻,但已经失去了年轻人应有的锐气和朝气。

如若知道会是这么一个场景,我会选择趁着年轻,去拼一把;趁着年轻,去多做点自己喜欢的事。现在却悔之晚矣。

然而人生不如意之事,十有八九,这又算是一件。

有时我就在想,这一切真的是我想要的吗?这一切令我开心吗?
答案是否定的,但是我敢做出改变吗,很显然是不敢的,那又有什么办法,只能意淫了。

我只想对刚毕业的人说:趁着年轻,多做点爱做的事吧,不然后悔的时候,已经晚了。

展望未来

虽然已经不敢奢望变的更好,但是还是需要努力一把的,拼的,是我那一颗似乎复燃的心啊。

结语

以一句歌词收尾吧:
也许世界就这样,我们都还在路上。

  • 15
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 30
    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 30
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

布小禅

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