开山之篇

俗语说:万事开头难

偶尔自己的大脑突然冒出一些想法,想要将其记录表达出来时却发现无从下手。还记得上大学时,老师上课讲的内容也就听听,很少做笔记,导致一学期结束后,课本上除了留下口水印外几乎没有其他,嘿嘿!

自己也清楚原因:一来自己有点懒;二来不善于总结表达。

对于那些灵光一现的想法,后来也进行过深入得思考,也有过冲动去实现它,可是还没等到时记忆早已变得模糊了。我喜欢看书,当看到好的东西也会为之赞叹不已 ,读过很多东西,最终脑海里只留下了一丝踪迹。

我也意识到这样很可能就像猴子掰棒,最后什么都没剩下。纵观人类发展历史,语言和文字对于文明的传承起到了举足轻重的作用。语言,解决的是人们之间的交流,包括日常的生活、学习、工作。而文字则将这些记录起来以进行跨越时空的传播和传承。从人类的结绳记事起,人们就开始了记录工作。中国早期的甲骨文到后来的竹简记录,再到作为四大发明之一的蔡伦造纸术的出现,通过文字记录载体得演变也可以看出一二。人类历史上特别重视文字记录,中国各朝各代的 史学家及文学家、西方的哲学家,他们笔耕不辍 留下了丰富的书籍供后人享阅,在此我对他们表示钦佩!

说了这么多,大道理人人都懂,我也不是“少年不识愁滋味,为赋新词强说愁”。有时候,我也对自己说:“醒醒吧!别做梦了,你有不是什么牛人,该干嘛干嘛,别跟着瞎凑热闹。”其实之前的自己也可是满满的正能量,可随着时间的流逝,也变得消极悲观,浑浑噩噩的,对任何事情都是去了兴趣。直到一个人的出现重新让我听到了自己的心跳,“扑通扑通...”强劲有力。从那以后我决定要走出这个困境,可是这个过程非常艰难。

在公司上班时,偶然看到同事在看一本书《软技能:代码之外的生存指南》,我一下子被这个标题吸引住。作者John Z. Sonmez在书中也多次提到写博客,可是每当自己着手开始写时,却不知写什么。挣扎了好多次,最终决定不管写什么只要去写,Just do it!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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