远离贫瘠的土壤 # M03

周末搬了新家,早就想在离公司更近的地方住,可以节省大量的通勤时间,一个人住也能更加惬意专注地做自己的事情。

不过促使我立即行动的直接原因,还是因为我对贫瘠的环境,和贫瘠的人的畏惧。 在他们身边我感受到无比的压抑,消耗着我宝贵的意志力。

第一次知道螃蟹朋友这个词,是在上学时,读到台湾作家的一本关于职业规划的书。那个时候,在我的知识体系中,这个词是无比的新鲜,也引起了我极大的兴趣,如果是在老家的话,我想我一定会做个实验。

当一个盆子里面只有一只螃蟹的时候,它可以很容易就从盆子中爬出来。但是,当有两只螃蟹同在一个盆子里时,第一个螃蟹怎么也爬不出盆子,因为每当它快要爬出来时,另一只原地不动的螃蟹就会将它重新拖回盆子底部。 我没有出去,你还是留下来陪我吧。

书名早已忘记,作者以他自己的亲身经历讲诉了这个词的含义,现在只记得大概。

在上个世纪七八十年代,作者刚刚成年的时候,由于时代的原因,他在正需要读书学习的年纪,被流放到煤矿厂挖煤,整天不见天日,随时都有生命危险,周围的人都是社会最底层生存边缘针扎的人们,未来毫无生机。

周围也有和他一样背景,也惨遭厄运的人,他们也形成了一个朋友圈。 某一天,他对朋友们说,自己想要上大学,读博士,改变自己的命运。 朋友们都以为他疯了,大家都一起安慰他,关心他,怕他想不开。一有时间就邀约他去小圈子里面共度毫无希望的时光。

我彻底理解这个词的含义是在2017年底,我做出决定, 在2018年春节过后就离开二线城市,到上海工作。 当时工作太过于平稳,我的个人成长也到了严重的平台期,环顾四周,也没有多少好的机会。甚至都没有机会证明自己是一个有价值的人,那时得我早已经呆不住了。

于是,我到处去给身边相对亲近的的人说这个想法,算是一种宣告分享,也像听听他们的看法。

得到的回馈是两极分化的。有一部分朋友对我说: 外面和这里其实都差不多的,我有好多同学都回来了,他们相较于我们也没有什么差别

还有一部分朋友,包括自己就在北上广的朋友,他们非常积极的鼓励我早些去,并且说可以给我提供住的地方。想要有所不同的人,也许都是相互吸引的吧。

那个时候,我深刻地明白了螃蟹朋友的含义,也更加毅然地计划着去上海的行程。 2018年春节过后,在我准备辞职的时候,他们反复地建议我要考虑好风险,过去什么人都不认识,要先看能不能找好下家,落实好住的地方,然后再做决定。

那时我真的不太明白他们说的风险是什么,那么多的工作机会,而我本身也不是什么菜鸟,17年底我也做了相应的准备。

人与人的差别其实很小,但差距却会逐渐变得越来越大。我相信那些朋友是出于真心的建议,能感受到他们的真诚。只不过,他们只是在从自己的角度看待问题而已,而我终将与他们不一样。

初到上海,寄宿在朋友家,这个临时的窝,在我求职的期间给予了我很大的帮助,让我可以专注地找工作,慢慢地找到合适的机会。在心底里我非常感激,我也算是一个临时消除孤寂的伴,人总是在某些价值交换的点上达成潜在默契。

常在河边走,难免会湿鞋。 身处盆子中,时常遇螃蟹。相处几月,有时候并不那么愉快。

当我在专注地看书时,门会被推开,一场刷存在感的表演会上演: 只是暂时在玩游戏,其实也很努力的。

当我在专注地写文章时,门会被推开,一个没有意义的问题会被问出:“你到底在写啥?”

当我在某些方面表现得更好时,一次打压会到来,为弥补心理上的落差与不平衡。然后,我会追加上一次平淡的附和,为平复敏感者的脆弱。

当我想要安静时,会听到玩游戏的快感声。

当我想有人一起组队学习时,总是缺乏回应,或者坚持。

当我说,我正在通过充实自己,为收入翻番做努力时,一次否定会到来。我是多么希望那会是一次鼓励。

当为了平复贫瘠内心的不平衡,反复制造刻意打压越来越频繁时,我开始打算怎么离去了。几个月的房租,浪费了就浪费了吧,在我心里有些事情更加重要。

恰逢倒霉事,我以此为借口,自己出去住了。真实离开的理由,我永远也难以说出,因为我深刻地明白,那些让我畏惧的表现,并不是他们刻意为之,我也不会怪谁。

因为我明白那是底层心理在作祟,他们也许并不知情。不恰当的指出,有害无益。有些深坑,只能靠自己醒悟后方能自拔,而我还有自己的路要赶。

  • 1
    点赞
  • 0
    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,认为两个框的里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
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,认为两个框的里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