我不是个好人,请你离开我!

我是个好人吗?
    一直在莫名其妙的问自己,我可以肯定的回答,我不是个好人。这也许注定我是要下地狱的,一个人在地狱的日子,没有鬼陪,只有自己的灵魂,飞饶在自己躯体的 旁边,不离不弃。

    我不是一个好人,请你离开我............

    我没有勇气说自己从来都没有骗过人,我不敢说自己没有说过一次谎话,我从小到大不知道做了多少错事,我不敢说自己活的光明磊落,我也不能说自己活的是堂堂 正正的,你说一个这样的我,能算是一个好人吗?
    我真的不是一个好人,请你离开我..........
    当我把这些说给朋友听的时候,朋友又反问我:如果这么说,那天底下没有一个人该说自己是一个好人了。何必想这么多呢?当我们无力回答一些问题的时候,总是 喜欢给自己一个很冠冕堂皇的理由,何必呢?想想,自己到底又是在为难谁呢?是自己吗?是别人吗?
    我真的真的不是一个好人,请你离开我..............
    哎,请给我一个为难的理由吧,一切好象都变的很难、很难...........何必呢?除了为难自己,我还有资格去为难别人吗?我只是想说我不是好人,永 远都不想做好人,请你离开我...........
    我很喜欢《我的青春谁做主》中的高齐说过一句话:
    好人都是被架上去的,一旦架上去就下不来了,所以就只能一直当好人。
  当好人很累,而且一旦有天觉得疲倦,很可能就会马上从一个好人变成大家口 中的坏人。
  就像一个人坚强久了,偶尔受伤的时候也不会有人安慰。
  就像一个人自己做了很多决定,偶尔拿不定主意的时候也没人会给个 可借鉴的建议。
  就像一个人很大度,所以大家对他开的玩笑也越来越狠,越来越离谱。
  ......
  我不要做个好人,我 只要好好的保护自己。
  请记得,我不愿做一个好人,请你离开我。
    请记得,我不是一个好人,请你离开我。
    请记得,我是你们身边的坏人,请你离开我。
    ......

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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