宋氏族谱

      新恩公是广东宋氏的开基始祖。
新恩公,原籍江西赣州府,瑞金县青草湖、大柏地葛田坑,妣宋母唐氏三娘,是元东公之子、广东宋氏裔孙的始祖。新恩公自南宋迁徙来粤长乐琴江都中坝开基,后展居紫金县油皮布(今为敬梓圩附近),至今历八百七十八年,已世传到三十六代,其裔除支传广东的各市邑外,还派传到湖南的浏阳、江西的万安、万载、兴国;广西的博白、北流、贵港、平南、桂平、武宣、宾阳;四川的犍为、威远、宜宾、永川;台湾的桃园;及海南的琼中与浙江等地;子孙有数十万之众。
   
       南宋绍兴年间,我祖新恩宋公年方十八,志气超人。携款千金来广东惠州长乐琴江(今梅州五华琴口)都中正约。据族谱记载,本地住民秀才要支省城参加乡试,但缺少费用不能成行。新恩公解囊相助,唐秀才赴省考试,果然金榜题名,考中解元。唐解元衣锦还乡,见新恩公品格清奇,气宇轩昂,遂将第三女唐氏三娘许配给新恩公为妻。后家景逐渐殷实,每行恤苦怜贫,账济乡邻之善。众口皆碑,深得乡民的一致好评。  

犍为县〖宋新恩一支系〗:有忠、震七、如玉、景祥、文斌、以端、宋敏、真康、友传、日昌、宗周、宋成、丙辉、仁泰、启觉、嗣兴、任元(迁居四川)、清茂、锦纯、进英、大旺、明贞、昌福(梓鑫)、宏宾、远佳、(自第25世统一字辈,循环使用)龙、昌、宏、远、大、广、平、正、家、邦、干、元、亨、德、义、福、禄、寿、宁、康。

犍为县〖宋新恩二支系〗:有信、震五、文广、君木、文选、广彬、宋清、玉玑、廷用、良铭、桂林、南扬、复旺、标伟、新玉、鼎湖(迁居四川)、文显、伯能、廷瑞、琛芳、福明、龙贵、昌财、宏鲜、远帅、(自第25世统一字辈,循环使用)龙、昌、宏、远、大、广、平、正、家、邦、干、元、亨、德、义、福、禄、寿、宁、康。

犍为县〖宋新恩三支系〗:有信、震五、文广、君木、文选、广彬、宋清、玉玑、廷用、良铭、桂林、南扬、复广、奕俊、和玉、秉仁、文韬、(自第20世宋文韬迁居四川,统一字辈,循环使用)文、九、登、茂、元、朝、福、德、双、全、广、平、正、家、邦、干、元、亨、德、义、福、禄、寿、宁、康。

犍为县〖宋新恩四支系〗:有信、震五、文广、宋孟、才甫、玉宗、子荣、慎美、贵生、凤礼、大降、名山、家财、淳修、士超、大成、任文(迁居四川)、麟凤、锦达、明兆、洪登、春有、万永、发江、(自第28世统一字辈,循环使用)远、大、广、平、正、家、邦、干、元、亨、德、义、福、禄、寿、宁、康。

转载于:https://www.cnblogs.com/data5/p/9890392.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