迷茫

 刚从深圳回来,是我一定要跟着他去的,我知道他不喜欢这样。但我控制不了自己,我明明知道这样做只能让不够爱你的人更加的厌烦,但我说服不了自己的好胜。所有交往过的男友都说我有控制欲,或许在某些时候男人于我更象是一件属于我的私人物品。  这些天他对我颇有微词,认为我闹,而且不够关心他不够爱他,我当时真的以为我错了,他已经变的那么好了,我怎么就这样不懂事呢。后来,我仔细的想了一下,有些对我的职责似乎过于牵强,就象是买了什么东西以后再强塞给你一些辅助品一般。我开始产生疑问,水瓶座的人好奇心是执著和挖掘的动力,于是我观察他,象个侦探一样的察言观色,他说我什么时候可以相信他呢,我坦然的说我从来都没有,因为从前他伤我太多。但就再我犹豫的一天里,我终于找到了线索。  那天我无意说出了一些对付情敌的话给他听,其实就是两个人说着说着扯到今后如果他又对别人动心的话题上,我说的话非常的恨,而且带点咬牙切齿的意思,他当时的样子告诉我,他很害怕,不是真的害怕,后来我知道,他怕麻烦。  接着就是他指责我不够爱他种种过错,说再闹就和我分开。我觉得他是不是有什么人呀,因为如果把事情联系起来看就很简单,我说的话吓到他,如果他现在还没有,那他只会单单害怕,不会这么着急而有计划的想和我分手哦,他不是真的想离开,只是希望我不闹,或者怕我说的那些话变成真的。我按着这个想法找下去,想起有天他的信息里有一个女孩说了一句莫名其妙的话,我就用他的手机给那人回了,然后就没声音了,我问他怎么回事,他说也不知道,就是一个学生,来考北电的,但可能是发错了。当时我没介意。现在忽然直觉的想起她。  更巧的是,我们在家收拾准备去深圳时候,有个女孩给他电话,他的说话很不自然,然后说等他从深圳回来再联系,我就追问,是不是那天给他发信息的女孩,他说是。然后我立即说,你和她有什么。他说没有,说那个女孩喜欢他,但他们什么都没有。  我等他说完,把我分析的说了,他非常的佩服我的逻辑能力,最后我劝他坦诚,他说了实话,原来,那个女孩很漂亮,来北京考试的时候和一群女孩出去混,正好他们在一起玩,那个时候是三月份,我想去三月有段时间他死活都不带我出去玩,说有应酬,说去的女孩里都是公司的人,在谈事,然后他们认识的局也不带我,说我总闹。其实那个时候,他们在一起玩好多次。
  • 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