汽车里的哲学与矛盾(1)——汽车的尺寸

0.      引言

        2011还是个车盲的我,因为女儿夜里发烧到处找不到车,而决定要买车了。车盲的我开始了1年的车型研究、跑车站、逛4S店。

在研究车子参数的时候,一点点体会,交流如下。

 

1.      汽车的尺寸

 

1)        车子的高矮:

        为了轿车高速行驶的稳定性,工程师尽量让汽车重心低(车身低)。然而,车身低了,驾驶员头部降低,造成了视野变小,在城市里一辆小型越野车,就能挡住前方的路况,跟在公交车后面更是看不见红绿灯;同时,越过障碍物的能力减弱,在路面不平时,车子地盘或许会刮擦地面;

2)        车子的宽度

        为了行驶的稳定性,我们尽量加大车轮距;为了乘坐的舒适性,我们尽量加宽车身宽度,增加车子左右的宽度(严格的说,车身宽不等于车轮距大,但通常,车宽的轮距也大一些)。然而车身宽了,其通过性就差,君不见堵的都是汽车,而摩托车和电动车在大街小巷窜来窜去,何时堵过。

3)        车子的长度

        为了乘坐的舒适性,我们尽量加大汽车长度(轴距,通常车身长的轴距也大一些),保证座位前后的空间;然而,汽车长度的增加,让汽车转弯半径变大,转向灵活性的丧失。君不见大型货车只有在大型路口才能掉头,还要占几个车道。

4)        车子的轮子

        轮毂越大,汽车在行驶中,对路面凹凸不平的抵抗性越强,然而由于成本等其他原因,轮毂不会太大。

        轮胎断面的高度增加,会增加舒适性,但转向的灵敏性(操控性)变差。

        轮胎断面的宽度增加,会增加转向的灵敏性(操控性),但会增大行驶的摩擦力,增加油耗。

 

        硬胎,偏向运动,就要损失点舒适和安静;

        软胎,偏向舒适安静,就要损失点操控和路感。鱼和熊掌,不能兼得。就看你侧重点在那里了。

       

小结:越野车经常在野外,车身常常是高,宽,短。轮子常常是大,宽。

 

  • 0
    点赞
  • 1
    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