网络文学名利场


网络文学成为移动阅读的香饽饽,各大巨头竞相觊觎。


今年3月以来,以吴文辉为首的部分起点创始团队与盛大文学纠纷不断。先是吴文辉带领起点核心创始团队成员集体离职,闹得沸沸扬扬,上周有新闻说起点中文网创始人罗立被前东家盛大文学举报,日前已被刑拘。


曾经的合作伙伴,而今的竞争对手,曾经的朋友,而今却成了敌人。世事无常,使人嘘嘘。


一、盛大的傲娇


有人说,吴文辉与盛大的矛盾由来已久,从盛大开始全资收购起点中文开始,从吴文辉对起点控制权的旁落开始,就已注定了双方迟早必分的因由。


有消息说,对吴文辉团队的辞职,盛大并没有太多的挽留。是因为吴文辉团队确实铁心要离开,还是盛大认为有无吴文辉团队其实对起点中文都无所谓。


有消息说,盛大内部对作者的重视远比对编辑团队更重视。所以盛大正在加大对作者的投入。但就网络文学来说,想要发现、发掘好的作者并不容易,更何况还要发掘出符合网民口味的网络作者。实际上,大多数的网文大神,都是需要编辑去发现,去挖掘和扶持的。


网络文学,编辑团队真不是可有可无的存在。在内容为王的年代,不管在PC端还是移动端,发现、发掘优秀作者、作品的编辑都是稀有资源。


对盛大的人来说,从陈天桥到侯小强,都是傲娇的。傲娇的人,对人总不是太尊重的,或许他们自己并没有意识到这里尊重的含义,既是对事的理解,也是对人的理解。


吴文辉团队的离去,一部分原因,正是因为盛大对人的不尊重。


二、利益是催化剂


吴文辉团队之所以离开自己一手创办的起点,除开寻找自我,更多的还是利益使然。看着自己一手创办的起点每年给盛大赚无数的票子,而且这票子还在每年持续的增长,却与自己没有太大的关系,这其中的滋味,定然不好受。


人心一旦不满,滋生的想法就多了,假如恰好又有人给自己说,你其实有更好的发展,我们可以一起做更多事,做得更大……更为重要的,自己还能获得更多的利益。这个时候,想不心动都难。


更何况,作为开创了网络文学付费模式的先驱,面对移动阅读这一更为广阔的市场,其无限的前景,那能不心动?


为了自己的梦想,为了更多的利益,干吧!


三、是非得失


没有谁是谁非,都是自己的选择。


盛大失去的不只是吴文辉团队,失去的是对团队的的尊重,过去的,现在的。对盛大来说,失去了起点创始团队,失去了一个朋友,树立了一个对手,更失去了对未来移动阅读市场的一份助力。此外,失去起点核心创始团队的盛大文学,想要IPO,难度更大。


吴文辉找了一个好靠山,但并不表示两者的合作不会出现问题。前车之鉴,如果不能很好的处理投资人与创始团队的关系,吴文辉团队或将重蹈覆辙。


吴文辉看好移动阅读市场的广阔前景,许给核心团队的利益,它既是双方合作的粘合剂,也可能成为未来的祸根,毕竟,任何合作都是建立在互利共赢基础上的。


是非得失,不过名利场。谁是赢家,时间会证明。


  • 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