菜鸟的自救之路(三)

距离上一篇总结已经是5个月了,也到了2020年。

小结:

  • 科研进展:8月在迷茫,9月、10月修改文章并投出去,11月被接受。虽然是一个开源期刊,但自己还算满意。总算是给自己的“科研之路”开了一个头。但是这么长的时间里,其实没有任何新的实验进展,这是我最为难过的地方。
  • 留学申请:拿到了欧洲两个大学的Offer,学校是都领域内顶尖,老师也都是大佬。但是也在和英国几个学校的老师保持联系、修改RP。留学的整个过程,包括收集老师、PHD信息,修改简历,写套磁信,准备英文的现场面试和Skype面试,以及联系推荐人,撰写研究计划(大于3000字的英文)等等。其实还是做了很多的工作的,虽然从结果上看,大多数的尝试都是过度的、没有收益的,但是,尽吾志也,才能无悔。
  • 编程方面:正如前面说的,因为科研上没有什么进展,其实也没有做太多的实践。近期又要开始处理手机信号数据、出租车轨数据、POI数据等,Python什么的在慢慢重新练手。
  • 总体:可以说,进展十分微弱,对自己的状态十分不满。若不是因为幸运,侥幸拿到了留学的offer,这段日子几乎可以被完全否定掉。

反思

  • 过去知道效率很重要,但近期的经历让我重新认识了效率:效率要远远重要于工作时长。高效工作一小时>低效工作一整天。数月来,没有睡过太多懒觉,大多数的时候睡眠也都是不足的。在实验室却总是陷入了“时间陷阱”,刷刷知乎,看看新闻,半天都是转瞬即逝。因此,无论何时都应该牢记:效率很重要,以及,保持高效的身体、精神状态很重要。从这个意义上来说,几点起床没什么,关键是精神饱满的投入工作。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论 2
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