耳下长包图片_耳朵后面长了个包,是什么?

大概半个月前左右(耳垂)后面长了一个硬疙瘩,没注意,因为以前也长过,不用理多喝水自己就会好。没想到这一个发炎了,肿的特别大,而且超级痛,最疼的时候大笑牵动耳朵都会痛,我寻思着等它消消炎肿的不是那么严重了我再去医院看看,毕竟偏远小镇子的偏远小村子上不容易看病。

第一阶段图手误删了…………………………

几天没有理它,它消了一点肿,变成了一个泡???真的就是一个泡,摸上去里面可以明显感觉到里面有脓或者是血,照片删了,但是我形容一下当时的样子,就是一个特别饱满的泡,泡中间都发紫了,薄薄的一层皮包着,感觉一戳就破,我瞅着还有两三根青筋,害怕是血管,不敢戳破。

第二阶段的图也删了……………………

昨天晚上睡觉的时候侧身睡压住了耳朵,侧着看小说的时候突然感觉耳朵下面湿湿的,心里暗想不好,怕不是泡被我压破了,感觉赶紧起身一看枕头上一小片血迹,上面还有一点点白色的脓,那卫生纸擦了两下都是血,当时太晚了,我拿卫生纸草草擦了两下,等它不怎么流血了我就睡觉了,第二天它是这个样子的

能看出来东西被挤出来后小了一点,心一狠我寻思着索性挤了算了,就让我妈帮忙挤一下,然后变成了这样

我总结了一下长这个包的原因(疑似)

1,我右耳打了耳洞,左耳没有,右耳就长了包。

2,回家之前在地摊上买的耳钉不干净,

3,我家的饭油比较重

4,我作息不规律,晚上经常熬夜看小说

5,自己喝水喝的少,补充水分主要是和奶和饮料。

6,洗脸的时候耳朵根上面的肥皂水或者洗面奶没洗干净。

我思来想去可能就是这几点让我长了这个泡,太难受了,唉。

目前2020.07.15,目前是这个亚子,过几天我看看情况再更新,想看后续的记得评论一下喊我,匿名了,无缘无故长这玩意怪不好意思的。有没有医生看到,看一下这到底是啥东西,在村里不容易去医院看病,感激不尽。

——————————续写……——————————

过去了一周,目前消肿了,但是还是有一点点,变成了一个小疙瘩……,现在是7月22号。

  • 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
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