工作一个月来的思考

       不知道这样想、这样写对不对。但是总觉得得写点东西,把过去的思考,无论对或错都记下来。

       5月8号来的上海,12号入职培训,19号进部门,到现在进部门也有一个来月了。凭心而论,确实没学到什么。并且上班上的也不愉快,每天在焦虑中度过。大概进部门两周的时候就开始思考我将来要干什么?反正无论如何使不准在现在做的事。我都不知道我在这个位置上要干什么?能干什么?其实我的位置是很尴尬的,绝大多数工作是外包的人干,而上面又有老员工,我的位置在哪里。除非我是大牛学什么什么通,超过老员工才有出头的地方,但是不现实。

      基于以上原因很快我就想到了以后的规划与发展,一开始是想转一下,做游戏开发,拉着一个兄弟,但是天不随人愿,无论我怎么苦口婆心、威逼利诱兄弟总是不肯,因为他要听老婆的,于是此事作罢。而后又想到曾经有哥们做手机开发赚的也不错,是做MTK平台的,正好我现在也跟手机相关,于是想把MTK平台吃透,靠这门手艺吃饭。对MTK平台这类的东西确实没接触过,也不知道怎么下手,水有多深又不好估计,此事也只好作罢。

      但是过了些许日子发现图像处理也是会有很好的发展的,想了又想,查了有查法发现是的确实这样。当初不做图像处理其中一个最主要的原因就是几乎没有相关公司去我校招聘,有些公司去也都是大牛公司看不上我校的人,于是此事作罢,随便找了份工作糊弄一下。当时不想做还有一个原因是感觉图像处理太难了,要有非常人的数学功底,自视天资有限所以也没敢往这方面奢想。

       现在发现这样认识是不全面的,业内很多做ISP的公司要求的是,技术落地,并不是要发明什么新的算法,而是把现有的算法优化,并在各种平台上实现,要求的是c语言这种功底,这个通过努力是可以的。所以决定还是干自己的老本行,虽然在学校做的不怎么的,但是其他的东西也没做过,只有硬着头皮上了。一点一点的来,这周本来想把AWB算法调通,虽然调通了一个,但是结果不理想,并且自己想改的时候发现困难重重。首先里面的c语言的函数有很多不理解,其次常见图像的存储结构至今未吃透,真是汗颜!一个做图像处理的连bmp,png,jpg,tiff是怎么存储的都不知道,也不知道用c语言怎么对每种图像进行读写,真是太不应该了。这周末20140621~22号弄明白了bmp怎么存储的,可以用c语言读取,但是还不会写。打算尽快把这写图像格式搞明白只有会读写了,才能对里面的数据进行操作。先把敲门砖搞定,把基础打好才能去其他公司面试。

     我想以后应该不会再改了吧,一把刷子搞亮它。这才是王道。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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