小白

这是我在CSDN的第一篇博客,写这篇博客主要是为回顾我的半个大三。
我是西电的一名普通的本科生,大一挂过科,高数,这一度让我当时变得更加浑浑噩噩,不可终日。这个大三上学期是我比较充实的一个学期。
在这里我要感谢江子建学长,一位硬件出身的软件大神,已经签了美团。我是去听他的安卓讲座认识他的,之后我才意识到差距。在这之前,我连JDK的环境变量都不会配置。听完讲座,安装完jdk,eclipse,android sdk,配置了环境变量,然后就开始了安卓人的第一步:在安卓虚拟机上显示hello android,当时真高兴坏了,的确,对于一个什么都不懂的小白,这很容易让他满足。接着,我开始进行了系统学习,去图书馆借了书,《安卓入门经典》-寇长梅,从这之后,我知道了安卓的四大基本组件-Activity、Service、ContentProvider、BroadcastReceiver.慢慢的,问题来了,书上只提供源码,而且是不完整的,无从了解编者的思想,何谈自己的风格。
闲来无事期间,接触到了一个网站,慕课网,我很喜欢里面的课程,短小精悍,诙谐生动毫不晦涩。里面就有针对安卓的课程-Android攻城狮的第一门课,非常好的课程,每节课不超过十分钟,不会让人烦躁,讲解很透彻,边看边练,到现在我也从最开始的小白升级为了菜鸟,可以开发出围住神经猫,2048,以及基于图灵API的聊天机器人,开发的过程比较艰难,开始时虚拟机都无法联网,纠结了好几天,百度总是无果,后来还是在一个不知名的博客上找到了想要的答案,还好没有轻言放弃,生活往往会在不经意间给人惊喜,贵在坚持。
慕课网链接www.imooc.com。
大一学的是C,要想学会安卓就得了解Java,在这里推荐两本书,仅作参考,《headfirst Java》,还有就是《thingkin java》,这两本书很不错。要是没装eclipse和JDK的又想练习的话推荐慕课网的Java入门系列,可以在线练习。在这里你会发现所谓的类、对象、继承、容器并不抽象。你也可以在线taking notes,想掌握更全面可以查看WIKI,总之,贵在坚持,别想一口吃个大胖子。
安卓是基于Linux的,所以最近也在学Linux,顺便也学会了如何安装使用VMware以及虚拟光驱,在VMware里装了Centos3.7.之前在图书馆借过一本linux入门的书,结果太过抽象晦涩,一度让我放弃linux,后来,我发现了另一个网站-极客学院,这个网站也很不错,上面的linux达人养成系列很适合我们这些入门的小白。linux传统的bios界面不够友好,于是又换成了xshell,一开始将xshell与虚拟机进行连接都不会,现在也掌握了为数不多的命令,但我仍在坚持学,欲速则不达。
极客学院链接:www.jikexueyuan.com.
也在抽空看C++和VPS服务器,有人说贪多嚼不烂,但只要分开学,分配好时间,这些还是不会产生多大干扰的,c++编译器还是用的VC6.0,容易上手,在图书馆借的书还是很抽象,说是入门,可我感觉很难,这种入门可能是对天赋异禀的人而言吧,于是我放弃了看书,转看视频,这里再介绍一个网站-太平洋电脑网,很多人都以为这是一个只卖电脑的网站,不然,这里也有软件视频,我的VPS服务器也是在这里起步的,这里讲的还算可以,至少比书强。
太平洋电脑网链接:www.pconline.com.cn.
之前跟同学组队接了自控老师的国创项目,一开始是怀着抱大腿的心思,嘿嘿。后来发现在PLC这块我俩都是零基础,于是我也在坚持学老师给的西门子S7-200视频,讲得很细,细到会让人发牢骚。不过出错的地方不少,老师经常口误,需要有自己的判断。
PS:要视频的留下企鹅号。
不啰嗦了,第一次写博,难免语无伦次。

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    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 1
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