新浪宣布揭晓2010年第四季度净盈余1亿美元

网易科技讯 3月2日早间动静,新浪(Nasdaq:SINA)往日宣布终止2010年12月31日的第四季度财报发挥分析,该公司当季支出同比增长12%至1.1亿美元,另外,因计入CRIC(中国房地产信息集体)的投资减值,招致其季度净盈余高达1亿美元。(注:中国房产信息集体是新浪和易居的合伙公司,于2009年10月在纳斯达克上市。新浪作为第二大股东,持股33%。)

新浪宣布揭晓2010年第四季度净盈余1亿美元

新浪第四季度净营收1.1亿美元,同比增长12%,环比增长1.6%。非美国通用管帐准绳净营收1.05亿美元,处在公司1.03亿美元至1.06亿美元的预期局限之内。新浪本年四个季度的营收增幅在10%-15%之间。

新浪宣布揭晓2010年第四季度净盈余1亿美元

告白业务支出为8245万美元,抵达公司8100万美元至8300万美元预期。同比增长30.5%,环比增长1.8%,占营收比例为75%,与上季度持平。

新浪宣布揭晓2010年第四季度净盈余1亿美元

非告白业务支出为2750万美元,环比增长0.9%,同比下滑21.4%。非美国通用管帐准绳非告白营收2260万美元,较上年同期降落25%,处在该公司2200万美元至2300万美元的预期局限之内。在去年同期创下峰值后,新浪的非告白业务在本年增长较乏力。

其中,挪动增值业务营收为2100万美元,上年同期为2860万美元。挪动增值业务营收同比降落的次要缘由是中国挪动公司于2009岁暮和2010岁首推行了一系列新政策。

新浪宣布揭晓2010年第四季度净盈余1亿美元

本季度毛利润为6351万美元,毛利率为57.7%,比拟上个季度降落了2个百分点,高于去年同期的55.7%。

2010年第四季度告白业务毛利率为60%,凌驾来年同期的54%。2010年第四季度非美国通用管帐准绳告白业务毛利率为61%,上年同期为60%。 2010年第四季度的挪动增值业务毛利率为39%,上年同期为50%。挪动增值业务毛利率同比降落次要与产物的组合以及分给挪动增值业务同伴的营收增长有关。

新浪宣布揭晓2010年第四季度净盈余1亿美元

季度内运营费用支出为3647万美元,同比淘汰37.3%,环比增长1.39%,运营费用率为33.2%,与上个季度持平。

2010年第四季度的运营开支中搜罗1770万美元股票人为开支,其中多数与发行给治理层的私募融资股份有关,较多数与加快授予次要司理人和员工肯定数目的受限股以赞誉他们在2009年的孝敬有关。2010年第四季度非美国通用管帐准绳运营开支为3370万美元,上年同期为3490万美元。

新浪宣布揭晓2010年第四季度净盈余1亿美元

本季度运营利润为2703万美元,环比淘汰5.3%,去年同期运营盈余340万美元。本季度运营利润率为24.6%,比拟上个季度降落近2个百分点。

2010年第四季度非美国通用管帐准绳运营利润为2550万美元,上年同期为1860万美元。非美国通用管帐准绳运营利润的增长次要得益于新浪告白业务展开对运营的推进。

本季度新浪公司净盈余为1亿美元,去年同期净利润为3.721亿美元。本季度非运营盈余计入1.25亿美元,次如果由于根据美国通用管帐准绳要求,新浪于2010年第四季度重新评价了本身在CRIC的投资,计入了1.286亿美元的非姑且性投资减值准备。

新浪发挥分析,自年末以来CRIC 市值的进一步降落能够要求公司思索计入更多的非姑且性减计开支。2009年第四季度的非运营利润搜罗了来自“CRIC买卖”的3.766亿美元收益。 2010年第四季度来自CRIC的股权收益为140万美元。由于新浪递延一个季度陈诉本身在CRIC的权柄,因此上年同期的CRIC股权收益为0。不根据美国通用管帐准绳,2010年第四季度新浪来自CRIC的股权收益为510万美元,这一数字的计算基于CRIC根据与公司异样的非美国通用管帐准绳标准得出的非美国通用管帐准绳应占净利润。

2010年第四季度新浪应占每股摊薄净盈余1.51美元,上年同期每股摊薄净收益6.03美元。2010年第四季度非美国通用管帐准绳新浪应占净利润为 3060万美元,上年同期为1910万美元。2010年第四季度非美国通用管帐准绳新浪应占每股摊薄净收益为46美分,上年同期为31美分。

终止2010年12月31日,新浪的现金、现金等价物及短期投资总额为8.828亿美元,终止2009年12月31日为8.215亿美元。2010年第四季度的运营现金流为3420万美元,上年同期为3430万美元。2010年度的运营现金流为1.166亿美元,上年同期为9810万美元。

业绩预测

新浪预计2011年第一季度的非美国通用管帐准绳净营收将在9300万美元至9600万美元之间,非美国通用管帐准绳告白营收将在7100万美元至7300万美元之间,非美国通用管帐准绳非告白营收将在2200万美元至2300万美元之间。非美国通用管帐准绳净营收和非美国通用管帐准绳非告白营收不搜罗与CRIC买卖所孕育发生受权和谈有关的470万美元分期摊还递延营收。


相关报道:

新浪连合中国意向收买麦考林29%股份

新浪往日宣布财报的同时宣布揭晓,将和中国意向一起战略入股麦考林,收买红杉资源所持麦考林约29%的股份。

新浪和中国意向的一个子公司已拜别达成和谈,两方总计将从麦考林的两个大股东Maxpro Holdings Limited 和Ever Keen Holdings Limited手中收买117,505,755股麦考林通俗股(相当于16,786,535股美国存托股)。Maxpro和Ever Keen均全资归属红杉资源(以下统称“红杉”)。麦考林在纳斯达克全球市场上市的每股美国存托股相当于7股通俗股。

详讯:新浪宣布揭晓2010年第四季度及全年业绩

新浪宣布2010年第四季度业绩 盘后跌4%

研讨陈诉:瑞信维持新浪跑赢大盘评级

(本文滥觞:网易科技报道 ) 刘伟

转载于:https://www.cnblogs.com/zgqjymx/archive/2011/03/09/1979032.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