北京纪事——搬家记

北京纪事——搬家记
  但凡有过在北京求学—就业—安家轨迹的人,少不得会有租房的经历。从租房到买房,从漂泊到安定,其间的苦涩与艰辛,不亲身经历往往难以体会。虽暂时不想买房——不是买不起,是受不了这份窝囊气——白花花的银子都得给开发商,还得背上半辈子的包袱,但大学毕业仅一年,就搬了四次 “家”,发生在我身上的租房故事,想来也颇具戏剧性。现将此“不幸”遭遇记录如下,也算是给广大同仁提个醒。
  2003年夏,在“非典”的狂轰滥炸之下,我卷起铺盖从校园里“落荒而逃”。坐着学校的“专车”参加笔试,带着口罩、隔着栅栏与守侯在校外的考官唇枪舌战……这种经历恐怕百年不遇。等到工作搞定,恰逢校园门禁大开,却已错过了租房的最好时机。仓皇中,只得向中介公司求助,这便为一个月后的再次搬家埋下了伏笔。
  为了节省开支,我找的中介是那种向房东收费的。新定的工作单位就在东三环附近,因此只要离三环不远,我都会予以考虑。几番比较后,我看中了新源里一套70平方米的二居室,家电齐备,要价才1500元/月,我和同住的好友分摊下来也就750元/月,算是相当便宜了。只可惜才住了半个月,房东就找上门来,说中介坑了她的钱,她要与之解除合同。他们的合同一解除,我们的合同也就作废了。“讨”回预先支付给中介的房钱和押金后,我本以为与中介公司脱离干系、直接与房东联系会舒坦许多,谁知老太太又筹划着给儿子买新房子,嫌每个月收取租金钱来得不够快,硬是要把这旧房子给卖了。这样,家都还没收拾利落,我就又要搬家了。
  多亏隔壁的阿姨见我们一个月来住得安静,便雪中送炭地将她妹妹的房子介绍给我们,地点就在亮马桥,离三环更近,不过房价涨到了1600元/月。其时她妹妹在郊区新买了一处房子,刚装修好,马上就要搬过去。人间自有真情在,承蒙两位阿姨的关爱,我们很快又有了落脚的地方。
  在亮马桥好歹住了4个月。一日,突然接到房东的电话,说她有个亲戚要过来住,“实在不好意思”,我们只能搬家。好在当初签合同时注明了违约是要赔偿对方一个月房租的,又好在房东阿姨是位“正人君子”,如约少收了我们一个月房钱,因此这次搬家虽然令人窝火,但损失还不算太大。
  天无绝人之路,一周后,我们又在北太平庄找到了一处房子。同样是二居室,位置却比先前两个好得多,紧邻三环,交通十分便利。美中不足的是房子近乎毛坯房,家具也较陈旧,而房租还不低:1700元/月。交完房租,同屋开玩笑说:“我们的房钱可是芝麻开花节节高啊。”我苦笑道:“可看这门脸,却是一代不如一代了。”
  要说这第三个新“家”,还真是“家徒四壁”:白粉墙,水泥地,破破烂烂的几个家具。大学刚毕业,拿着微薄的薪水,住在这样的房子里的我,真是比苦菜花还苦,比窦娥还冤。但只要能住长久,条件艰苦点又有什么关系?
  没想到天有不测风云,就好像我天生跟租房犯冲似的,没消停两个月,噩梦又开始了。三个月过后,在第二次“收租”时,房东旁敲侧击:“就这地段,甭管什么样的房子租个2000块都不成问题。”看来来者不善。果然,临出门前,房东下了“逐客令”:“等这三个月过完,房子可租不了这么便宜了。看你们是熟客,要租就涨200块吧,不然我就再找人住了。” 听他的口气,像被我们拣了天大的便宜。得,此处不留爷,自有留爷处,还是搬吧。
  临到第四次搬家,我已经被折腾得没了脾气。虽说死猪不怕开水烫,但人在屋檐下,不得不低头,租房论坛还是要上的,电话还是要打的,房子还是要看的。到这种时候最烦那些中介公司,十个电话有九个是打到他们那的。有一次我心急得没注意到两处房源后留的是同一个电话号码,于是冲一个号连拨了两个电话,一听怎么声音那么耳熟?那边却比我还不耐烦:“拜托,你刚才已经打过了!”好家伙,自己胡乱发布信息不说,倒比房东还牛气!
  第四次,搬到了团结湖。房子还不错,装修也算豪华,价钱也算合理,就是遇到个短命鬼。团结湖的房子是从一个二房东那租来的。二房东名叫刘晋,自称是上海某公司派驻北京的代表,是个胡吹海侃的主:为了强调自己阔气,号称在上海时每月花销都在2万以上;为了强调自己能吃苦,号称和女友两人在上海也是挤在一个不到10平米的地下室——这种人没少见过。因为他的胡吹海吹还闹过一个笑话:我们搬进团结湖,刘晋就把他在上海女朋友照片给我们看,还说两人感情如何好。可能一个人在北京空虚寂寞,他又在北京找了个女的,他也忘记了曾经给我们看过他上海女友的照片,正要给我们介绍他新任女友时,我女友心直口快,说“我曾经见过你的照片”。说得刘晋和那女的都一愣——他们俩刚好上,那来照片?说得他们俩都挺尴尬,那女的也贱,知道他有女友后还继续跟他住一块。
  之所以说那个刘晋是个短命鬼,是因为我们在团结湖住了不到两个月,他就被公司召回上海——撤职了。临走时说是回上海述职,还卷走了我们一个月房钱。他还想让我们提前支付下一季度的房租——时间没到我们不可能预付。到了上海他给我寄来信,告诉我们实情,说房子马上就要到期了,中介要来收房,问我们是不是继续租下去,如果租下去,就要承担他未交的水费、煤气费,同时告诉我们水费、煤气费已经有两年没交了,让我看着办。收到他的信后,我给他打了电话,告诉他如果不把我们那月的房租退回来,我会把房间里所有的家具都卖了。他一听,也真怕我把家具买了,当即答应把半个月的房租打到我卡上。他也兑现了,另外半个月的房租也没给退,我也没把房子里的家具给卖了——我本善良。
  第五次搬家到了马甸。位置不错,却是顶层,夏天奇热,像个蒸笼——这还没什么,让人吐血得是跟我们签约的根本就不是房东,而是个诈骗犯:她先从房东那把房子租下来,付了两个月房钱,然后伪造房产证、身份证——假证比真的还真。她摇身一变成了“房东”,看那女诈骗犯(这三年来我一直在咒骂她:祝她全家死光光)人挺老实,柔柔弱弱,说话慢声细语,还证照齐全——一时放松了警惕,把六个月房租和一个月押金(12K)给了她(在此郑重提醒各位打算租房的朋友,租房的付费方式都是付三押一或者付二押一,要求半年付的,大家可得当心了),第二天再打电话,号码已经成了空号。更巧的是,第三天,真房东就来了——我们一直住了几年,房东都没来过,房钱都是通过银行卡打给他的,但却在我们被骗的第三天,他就来视察房子了。不幸中的万幸,我们提前把家具搬进了房子,同时受骗的还有两拨人,都准备搬进来,结果让我们占了先机,才免了我们再次找房之苦。
  房东也和我一起去报了警,一开始去西城**门派出所报案时,接待的民警特别不耐烦,因为是我下班后才去的,他是值班民警——嫌我打扰了他的清修——他的同事正在CS呢。问我钱是在什么地方交给诈骗犯的,我说是在朝阳**店,他一听高兴了,说交钱的行为在**店,就该由**店派出所受理;我便去了**店派出所,可**店民警对我说违法行为发生在**门,应该由**门派出所受理。我又来到了**门,这次**门派出所推托不掉了,便开始询问案情,问了一半,询问民警突然想了想,说这个案件可能是刑事犯罪,超出他们权限范围,让我去西城刑警支队报案——连续奔波了三四次,我一肚子火。从书本上学来的对警察的美好印象全没了——这就是人民警察?警察该是这样的德性吗?后来去了西城公安分局刑警支队,立案是立案了——这件事对我来说可能是件天大的事,但对秉公执法的警察来说,却是司空见惯——这点钱算什么?案子至今也没下文。(之所以隐去派出所名称,是想,都过了三年了,他们的服务态度总会有些改变吧。就不点名了)
  马甸不是我租房的终点——上个月房东已经提前打了招呼,要涨房租。我也正想搬家——顶楼实在是太热了。而且租房就这么个好处:虽然搬家收拾东西很辛苦,但是一个地方住腻了,可以随时换换口味,至于我的下一站会是哪里,我自己也不清楚……
 
  • 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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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