nova4e升级鸿蒙,看完这三点 告诉你华为nova4e为什么值得买

上个月,华为推出了全新的nova系列nova4e,这款手机在设计元素、自拍功能方面都有了进一步的提升,也让这款产品的定位更加明确。从产品角度来说,这是一款非常值得买的手机,我为什么这么说呢,请看下面几点。

外观设计:美人触目,一见倾心

华为nova4e采用珍珠屏形态,这是华为nova系列首款水滴屏手机,其屏幕尺寸为6.15英寸。何刚强调,华为nova4e通过了德国莱茵TüV护眼认证,可有效抑制屏幕光中的有害蓝光,结合自适应色温调节功能,减少长时间使用手机对眼睛的伤害。7142631.html

值得一提的是,华为nova 4e雀翎蓝配色在充满着渐变色彩的油墨镀层之上加入了一层炫光膜片,之后通过全新的纳米衍射纹理技术,在透明的膜片上经过十几次反复细微的雕刻,利用纳米纹理对光的折射和衍射,使得整个膜片呈现出梦幻般的光纹变化。堪称手机工业设计的典范。

拍照能力: 3200万前置超强自拍

华为nova 4e前置搭载了3200万像素镜头,f/2.0大光圈设计,配合华为的立体美颜算法,保证了自拍的自然成像效果。AI智能相机可以识别8类200+场景组合,一景一调校,自拍时将人物和景色融合的非常好。7142631.html

仔细观察妹子的面部细节,可以发现华为nova 4e的自拍没有平常手机常见的廉价美颜感觉,整体美颜效果十分自然,皮肤也有丰富的质感,可以将妹子的美不落俗套地表现出来。

性能表现:王者吃鸡不在话下

为了让手机有更好的运行速度,华为nova 4e搭载了12nm制程的麒麟710八核处理器,配上4G/6G大运存的组合,无论是游戏还是APP多开,都能流畅依旧。7142631.html

经过实测,华为nova 4e可以全程59帧运行《王者荣耀》,游戏表现十分出色。这主要得益于华为nova 4e搭载了麒麟710处理器,再加上GPU Turbo 2.0技术,双管齐下,让华为nova 4e获得了不俗的性能。

综上所述:

nova 4e在拍照、游戏体验方面都有提升,而且外观设计也更加时尚。尤其是前置3200万镜头的升级,让自拍更出色,人人都能秀出自己的时尚范。目前这款手机正在京东火热抢购中,想要入手一款拍照好的手机应该考虑一下nova4e。

  • 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