智游推送小测试:你的APP是什么性格?


APP在开发者的手中诞生、成长,它也会逐渐形成自己的性格,然后告诉开发者它和用户的相处情况,那么自己开发的APP是什么性格呢?该怎么测试它的性格呢?智游推送来告诉你。

 

 

1、无力型。这APP精力和体力不足,经常疲乏,情绪常处于不愉快状态,沉默少言,很少和用户接触,没有推送通知和用户互动,最后导致用户纷纷离去,留存率极低。

 

2、不适应型。主要表现为社会适应不良。这种APP的人际关系和社会环境的适应能力很差,主要是与用户使用环境格格不入,这是由于错误的判断和辨别,目标用户不明确导致的,这样的APP卸载率较高

 

3、给予型。主要行为是愿意给予他人。这种类型的APP是把双刃剑,适时的给予用户信息,即时地为用户推送消息能很好地保持用户粘性,提高互动性;但过分地给予,不停地提醒用户更新和推送广告,不注重用户的反馈,只会造成用户的反感,往往造成用户的流失。

 

4、活跃型这种类型的APP很注重人际关系。总是保持兴奋情绪活跃程度较高,担心失去声望,怕被用户冷落。活跃型的APP最怕被独自留在那里,没有用户点击、使用,与用户没有互动,它的最大渴望就是得到用户的认同,所以当用户有一段时间淡忘了它,它就会给用户推送一条信息提醒,提升自身的存在感

 

5、力量型。这类APP会想方设法达到目标。说话率直,推送频繁,急于展示,甚至为了达到目标得罪人,不会顾及其用户的感受。力量型的APP主动积极,目标意识非常强。缺点就是缺乏耐心,过于强势,常常会使用户无法接受

 

6、完美型。追求完美,重视目标计划的程度完美型的APP总的来说是矛盾的综合体,得体却又矛盾,怕用户不在意,又怕用户太在意。总是在追求完美,既想和用户保持完美互动,用想完美解决用户反馈以用户为核心是正确的,但是不能太过于较真,否则只会适得其反。

 

    APP也是有交际能力的,可以告诉你的推送服务是否得力,也可以告诉你和用户的相处情况,那么看了智游推送的测试小结,你的APP是什么性格的呢?


原文地址:点击打开链接

  • 0
    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
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