前端自学旅程(关于百度前端学院的)

前端自学旅程

Vagrant Saint

一个毕业于不入流的二本大学的学生的前端旅程:

  • 名字:Vagrant Saint
  • 专业:天马行空
  • 爱好:音乐 美术 读书
  • 最喜欢的歌手:许巍
  • 擅长的乐器:吉他
  • 未来的职业规划:做一个天马行空的前端程序猿
  • 人生信仰:还没出现
  • 人生准则:做一个有耐心的人
  • 个人特点:想到什么就去做什么,没有什么特定的逻辑理念,做好就行,随心随意

前言

今天是自己在百度前端学院学习的第一天,为了以后监督自己可以每天学习下去,在此立下flag:

  1. 完成每天百度前端学院布置的任务;
  2. 每天做一个学习总结,记录在CSDN中;
  3. 学习总结包括当天的收获和遇到的问题;
  4. 通过发博客的形式,找到志同道合的朋友,携手一起完成前端的旅程。

这是自己第一次发表文章,有什么不对的地方欢迎大家随时指出来,不胜感激;期望有志同道合的朋友可以和我一直坚持下去,互相交流,一起走完前端的旅程。
ps:以后的文章思路估计都是乱的,想到什么就写什么,要是有什么不合理的地方,希望各位朋友可以原谅一下
(o)/

  • 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
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