写在开始的话

谨以此篇警示自己继续向前。

出发点与目的

近期,为了开发属于自己的web三维引擎,粗略的浏览了一些相关的资料。最终决定从最新的webgpu入手一步步搭建自己的框架。作为一个图形学、web技术甚至于计算机技术的小白,希望以此篇为始,与大家(或是小白,或是大牛)一起学习webgpu的相关知识。初次写博客,行文不畅,希望大家能够多多体谅。

计划与构想

说是计划,其实自己也没有仔细规划过,在此也只是定下一个大致的方向。第一步我想将webgpu github的文章翻译下来(目前没有看待完整的中文翻译)打好基础,鉴于自己属于英语渣,过程可能会十分痛苦很漫长,但我希望自己能够坚持下来,这当然也是撰写此篇的意义;接下来可能会用webgpu相关知识写一些常用的demo,可作联系也可作教程;最后会尝试在webgpu的基础上搭建自己的web三维引擎。总而言之,这个过程可能会很长,我会尽量保持一周两更的速度(1年就会有104篇,想想都有一点点激动呢),不求有多少人看,只为为自己的学习做下记录。

一点感概

果然是该写点东西了,几百字的渣渣文却写了改,改了又写,搞笑的是居然还写成这样,希望在后续的文章中能慢慢的提升自己的水平把。好了,就让这段旅程慢慢的开始吧

  • 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