【2019-08-19】新,是一种魔力

08:30

一本新的笔记风格,一种新的写作感受。新的一天,新的开始。新,是一种魔力。它会让我抛开一切过去的陈旧而积极向上的面向未来。

 

我记得小学的每个学期的开始。新的作业本,新的课本,新的文具会让自己异常地珍惜和爱护,哪怕是自己最讨厌的科目。每一页的开头,文字都是得体的,哪怕字体不漂亮。此外,新的衣服、新的电脑、新的日用品,都存在相同的魔力。像自己的一次“重生”。

 

但,生活中每时每刻不可能存在的东西都是新的。但新的本质,被我体会到了。外在的,我无法把控。但内在的,我完全可以主导。早上睁开眼睛的那一刻,今天是新的;跟老婆拥抱亲吻的那一刻,她是新的;回到公司泡上的第一杯茶,也是新的;翻开日记本写日记的那一页同样是新的;当天所有的面貌都是都经过他们的自我改变,所以全都是新的。

 

“表现热烈,这样对自己所做的一切便会自然热烈起来。”

                                                                 ——威廉·詹姆斯

昨晚我调了7点和7点30分的闹钟,嘈醒我的是7点30分。这两个闹钟的设置就已经做好了自己的心理暗示:不能超过7点30分上班。虽然昨晚加班到凌晨两点。但早上出门的那一刻,心理却是在焦虑着早上可能没有时间写日记。为什么自己会莫名其妙地产生这样一种焦虑,明知自己昨晚很晚才休息,但惯性的思维却不理会,对于任何打破自己平时的规划都向自己产生“告警”。

 

我感受到自己这两种感觉的同时存在。一种是默认的潜意识,一种是主动性的客观意识。我不知道这算不算是自己与自己的一种“对话”。潜意识在抱怨:“今天晚起了,怎么办,一切都计划好的都要被打破了,好烦呀。” 客观意识却在劝解:“Take it easy,别忘了昨晚自己是工作到很晚才睡觉的,让自己多睡一会才有精力过好这一天呀,否则自己的焦虑远不止没时间写日记那么简单。更何况,日记完全可以利用中午休息的那点时间去完成啊。”

 

我的这种客观意识并非一开始就有,他需要每天的锻炼、学习和反思才慢慢变得强大起来。他可以很好地跟我其他内在的潜意识对话,通过说服而非控制或改变。能让自己体会到“新”的本质感受,从而让自己更加美好。这一切,离不开自己的努力。

 

“疾病妨碍身体,但不阻碍意志。跛子妨碍行为,也不妨碍意志。在每一件事发生的时候都这样对自己说,因为你会发现,它妨碍别的东西,却不会妨碍你。”

                                                            ——爱比克泰德

转载于:https://www.cnblogs.com/wcd144140/p/11378261.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
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