锻炼身体建议

首先针对脑力工作者,最好进行室外健身活动,能够充分利用日光和新鲜空气的保健作用,可以选择散步、慢跑、游泳、广播体操、太极拳、气功等。脑力工作者一般长期低头弯腰工作,由于颈部长时间向前弯,流向脑部的血液受限,容易头晕脑涨,另外长期使用电脑的人容易患神经衰弱。而脑力工作者参加体育锻炼即意味着积极性休息,能使肺部得到充分扩展,氧气供应更加充足,还能加快胃肠蠕动,促进消化;同时在运动中神经细胞的兴奋、抑制过程得到很好的锻炼,能使人精力充沛。对于体力工作者而言,尽管体力劳动有锻炼身体的作用,但并不能代替体育锻炼。因为许多体力工作需要长期保持某种固定姿势,或只是身体某些肌群在活动,容易产生局部疲劳、劳损甚至职业病。因此体力工作者需要进行全身性活动,建议参加长跑、打球、游泳、武术、体操等以达到全身锻炼的目的。除此以外,要根据自身的身体状况选择项目,健康水平不同,适宜的运动项目也不同。身体强壮的人可以参加任何喜爱的体育项目,且应针对自己的身体素质有意识地加强对薄弱环节的锻炼,如可以通过打羽毛球、器械练习等重点提高臂部力量,通过练习瑜伽等力求身体各部位得到均衡发展,增强柔韧性。相反,体质弱的人可以选择太极拳、气功、八段锦及徒手操等。
心理学研究表明不同的运动项目对心理所起的作用不同,而通过针对性的健身运动,可以纠正性格缺陷,改善心理和精神状态。对于胆小、害羞、性格腼腆的人应多参加游泳、溜冰、拳击、单双杠、跳马等项目,这些活动能培养人克服胆怯、越过障碍、战胜困难的精神;而性格孤僻的人要避免独自运动,需要选择足球、篮球、排球以及接力跑、拔河等团队项目,而参加集体项目能增强自身活力与合作意识,逐渐改变孤僻性格;乒乓球、网球、羽毛球、跳高、击剑等项目因为要求运动者头脑冷静、思维敏捷、判断准确、当机立断,能改变人多疑、犹豫的毛病,因此比较适合容易焦虑的人;足球、篮球、排球等竞争激烈的运动项目则适合遇事易紧张的人,这些项目在进行中形势多变,紧张激烈,只有冷静沉着地应对才能获胜。如能经常在这种场合中接受考验,遇事则能从容面对而不再惊慌失措;冲动急躁的人可选择象棋、太极拳、气功、长距离散步、游泳等项目,这类活动多属静态,需要单独完成,不会带来情绪的过度波动,有助于调节神经,增强自我控制能力。

转载于:https://www.cnblogs.com/yuanyuan/archive/2009/06/01/1493554.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