有爱的旅途最美好——出发篇

       开开出生前妈妈就做好了心里准备,两年内基本就不打算出远门了,主要是需要担心和忧虑的事情太多了,怕宝宝不适应,怕自己照顾不好,更怕吃不消带这个小胖子,伤了财不说,关键还大小都不讨好,所以,面对这漫长的两年虽有点小郁闷但还在可接受范围之内,但往往很多事情并非如我们预料的那样去发展,更多时候其实是自己缺乏实践和行动的勇气,真的去做其实没有那么可怕!

         在小样儿的愿望清单里,广州长隆是他的目标之一,他爸说远的出国的不好说,广州还是可以马上实现的,于是清明节前,已经记不起是他爸提议还是我的主张,孩子爸爸规划着带着小样儿和他表哥去长隆,妈妈兴冲冲滴定好了酒店以及机票,还网上搜了攻略,最大的遗憾就是以他爸的拍照技术,估计回来就是看人头了,O(∩_∩)O~~~,可出行前两天,小样儿表哥突然说自己有安排,不能出游,爸爸刚参加完剧烈的拓展运动,满身都是酸痛,去?还是不去?得!我一拍大腿,干脆我带上开开也去吧,再一想,公公婆婆今年也没有出去旅游过,干脆就搞个家庭游吧,跟他爸一商量,OK,就这么愉快地决定了,于是继续买机票,订旅馆……中间因为他爹提早回归,加上小样儿最后一天竟然不上课,于是晚上的机票又全部改签成下午的,来回折腾了半天,最后终于全部搞定,清明节前的一天,阳光明媚,一家六口,四大两小外加三个鼓囊囊的行李箱,两个背包,一个推车就这么出发了!

IMG_4821

哥哥不是第一次出游,但是全家人集体出行还是第一次,有点小兴奋,上了学的小样儿懂事了很多,会给妈妈帮忙,过安检因为有婴儿,可以走机场绿色通道,妈妈抱着个小胖子还要拿身份证之类七七八八的东西,的确不方便,哥哥就承担起了保管资料的任务,帮着妈妈跑前跑后,拿东西,交资料,找东西,真的是大哥哥了呀!

IMG_4855

小胖子才7个月,人生的第一次旅途,啥都不懂的娃仿佛感染了家人的兴奋和快乐,笑得合不拢嘴!

        第一次坐飞机,怕开开不适应,准备了吃的零食和平常他爱玩的玩具,就怕他在飞机上闹腾,结果小胖子上了飞机玩了一会儿就睡着了,然后一觉就到了广州,真的是个超省心的娃!这次出行的人多,行李多,查了攻略从白云机场到长隆少说要2~3个小时,还要各种转车,带着小BB就不那么折腾了,直接在携程上提前预约了一辆商务车,费用280一趟,事后证明这实在是一个太明智的决定,从机场接机到到达目的地整整用了1个半小时,坐在开着空调,宽敞的车里逗弄着孩子,不用担心做错车,坐过站,下一班车什么时候来,也不用担心堵车了如何,心情轻松舒畅,所以我的观点是在家能节省还是要节省,可是出门在外,舒适最重要,特别是带着孩子!

IMG_4877 

在接行李处的俩孩子,弟弟被放在手推车上到处推着玩,哥哥不甘心被冷路,死活一定要挤上去,然后妈妈推着俩娃娃满机场乱推,O(∩_∩)O~~~这就是旅行的快乐!

IMG_4895

兄弟俩的合照,像么?

长隆野生动物园位于广州的番禺区,一路飞驰,穿过广州市中心,远远看了小蛮腰一眼,周边的街景慢慢变得有点老旧,道路略显拥挤,有点90年代末的感觉,路上人很多,一波一波没什么秩序穿过马路,算不上脏乱差,可也差不了多少,这样的广州和我印象中的北上广有点差距,我心目中的广州应该是有复古的一面,带着门楼的斑驳街道,到处都有带着浓浓广式的早茶店,店里坐着品尝着各式早茶的人们,悠闲而惬意;当然广州也应该是时尚的,灯红酒绿,摩天大楼,白领精英穿梭于各式写字楼,可现在呢?貌似什么都没看到,就看到一个跟义乌佛堂差不多的镇子的感觉,呃~~~~不是送错地址了吧!在司机师傅一再的确保下,还是带着点半信半疑的感觉,直到到了我们事先定好的酒店入住!

     费了一番周折办理好入住手续,赶紧到房间去整顿,外面看上去貌似不是特别出众的宾馆,里面倒是空间蛮大的,床也大,卫生间也大,很适合我们这样的家庭出游,收拾收拾搜了一家评价率比较高的餐馆,解决晚饭,不得不说广州人喜欢煲汤,连带的煲的汤味道也的确不错,连小样儿也喝了两碗!汤饱饭足,回宾馆,顺便问了下明天出行的情况,前台高速我们这里去大马戏和野生动物园都有专门的酒店巴士,只要事先登记就好,明天8点钟第一班,OK,灰常好,这下连出行问题也解决了,心满意足回房间,捣腾大小俩娃去!

IMG_4937

这次出行,基本上可以说对于要用的东西,考虑得还是很周到的,范围涉及方方面面,整个旅途过程中基本就没有出现想用某样东西而没有的情况发生,看来,娘当久了还是有得天独厚的优势啊,至少比起他哥来,胖开可以说是幸福许多,至少不用再为了妈妈的经验不足或者考虑不周到而付出惨痛的代价!O(∩_∩)O~~~~

IMG_4992

上面是大半个月一气呵成的,然后隔了这么久再接下去写,之前的思路完全无法连上,呃~~~~好吧,貌似出发篇也差不多了!Σ( ° △ °|||)︴要不,就这样,最后放一张俩兄弟睡觉前的照片作为完美出发的结尾吧,其实这张PP两个人的状态都不是很好,但是胜在表情绝对的神似啊,特别这四只小眼睛绝对的遗传自为娘啊,为啥咋就不能像他爹呢,虽然也没有大很多,至少比起我来那还是很有可比性的!!!

好吧,先休息,明天争取把正片完成!我保证,呃,我争取……还是我尽量吧!好没底限的人类啊!!!(;′⌒`) 晚安!

转载于:https://www.cnblogs.com/absolute2008/p/5686523.html

  • 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
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