追梦1

小引:我如同蝼蚁般,靠着梦想,在这个复杂的社会中艰难的前行着。

         如同大多数的人一样,我为了自己梦想或追求或放弃。现已到成年,知道有些东西不是自己所能左右的,而生存则是我们一生的追求。

简短介绍一下自己,本人大四学生,马上要毕业了,现在一家培训机构培训JAVA。刚刚完成一个小项目,便开了一个博客,希望有时间写点东西,当做是对自己做人与做事的反思。

        小时候,由于家在农村,接触的信息很少,而上学又很晚。我从课本上了解到有个叫爱迪生的家伙,很是能发明东西,因此立志要当一名科学家,曾记得,多少次踏着没入脚踝积雪,从村的西头到东头,只为那一点点知识的积累;多少次天还未亮,我站在教室面前,而对面则是幽静的树林,里面的几座坟墓激荡着我幼小的心灵;多少次为了班里的第一名,默默地努力着。永远忘不了母亲的那句话:“不吃馒头争口气!”。

        到 初中,我认识到一个很严重的问题,我成不了科学家,我仅仅只是一个农民的儿子,一个深埋在最底层种子,它可能发芽吗?我放弃了科学家的梦想,还找了一个伪替代品——象棋,我拼命地研究各种棋谱,与各种所遇到的高手过招,通过战胜他们来满足自己的虚荣心,我做到了,村里村外的棋迷老头,成了我的粉丝。就这样浑浑噩噩度过了我的初中三年,不出意外,我没有考上高中,老爸平时不怎么爱说话,特别是和我,而且脾气很爆,默默地躺在床上一天不吃饭,我知道我让他老人家失望了,他不能接受期望很高的儿子要接受和他一样的命运,成为一个农民。我觉得是上天的眷顾,原来的班主任和当时物理老师,专门跑到我家里,说服了我的父母,不让我辍学,因此我又踏上了我的复读之路。我转到了一个县上很厉害中学,或许是梦想的动力,我要血洗自己的耻辱,我默默的把自己沉侵在题海中,几乎每次考试我都是班里的第一名,全校的前十名,我如愿以偿的考上了县里最好的高中。

        我又迷茫了,没有动力了,但是我的化学和数学很好,为什么呢?化学老师是个美女老师,数学课代表是个美女,或许对于当时的我来说,这是仅有的动力吧!好像是每个星期天,我就开始晨跑,至少七八公里,名义上说是锻炼自己的意志力,或许更是一种虚荣心的升级。到了高三家长会,那是好像距离高考也就三四个月,老妈问班主任,像我这样的能考个什么学校,老班想 了想,说能考个三本就不错了,老妈沉默了,然后我送老妈出校门,望着老妈逐渐模糊的背影,以及那分别时的三个字“好好学”,对我触动很大,我又开始疯狂了,高考成绩出来了,在班里排名十一。全校一千多人,年级一百多名,接近一本线,用老班的话来说,我成了一匹黑马。由于盲目地自信,想逃离父母的掌控,我报了外省学校,我又落榜了。说实话,这次我是真不想上了,无论家里人怎么劝,都不能扭住我那颗倔强的心。我想去创业,却不知道干哪行?在家里憋了一个多月,太无聊了,还是上学的好,老妈给我找了市里最好的高中,不过要多交两千块钱,而我原来的学校对于我这样的学生,一般都是有补贴的,而且是配备最好的老师,我又不想在一个新环境中适应。因此,母校是我最好的选择。现在回想起来,我觉着我整个高四都抑郁了,虽说成绩时好时坏,我感觉每天都跟行尸走肉一样,做着重复的事,没有一点点动力,同学之间基本上没有什么交流,都把对方看成了竞争对手,看似很抓紧时间,实际上效率并不高。而我一向自以为傲的理综,竟然考的一塌糊涂。因为太在乎物理的得分了,没把握好时间,考砸了,三百分的试卷,我竟然仅仅考了一百多一点,与平时相差了近一百三四十分,我知道我的清华梦没了。填报志愿时,我报了省里一所差不多的二本,因为我其他科发挥还正常。运气还不算太差,我估分与成绩单相差5分,因此我收到了久违的通知书。

总结:

1.小时候多吃点苦还是有好处,起码现在回想起来,自己有种莫名的幸福感

2.梦想与现实貌似是永远的悖论

3.态度决定一切,并不是空穴来风



 

  • 0
    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