《老炮儿》的江湖道义就是互联网创业的规矩?

   看了冯小刚演的《老炮儿》,有些遗忘的东西又重回脑海。父子之情,兄弟之情,男女之情,江湖道义,讲的就是一个“理”字,认的就是一个“义”字,忠、孝、节、义,不管时代怎么变化,有些传统的东西还是需要我们去传承。不管是在生活中,还是在互联网创业的大潮中,好的合作伙伴,合理的行业规矩,创新的思维,敢拼的斗志,你才会获得成功,三大经验告诉企业领导者,不做互联网“老炮儿”,如何做互联网“大佬”?


改变:“互联网+”时代传统企业要跟上潮流


    冯小刚演的“六爷”曾是“横行”老北京的老炮儿之一,16岁曾抡着大刀混江湖,还有一帮生死之交的兄弟。后来犯事入狱,再出来,社会改革,时代变迁,已经不再是打打杀杀的日子,但还是按着自己的固有观念和生活方式生活着,仅靠着自己的一套老北京房子过着清贫的生活,每天溜溜鸟,在胡同里管管闲事。


    虽然过着悠闲自得的日子,却不想自己的儿子晓波(李易峰)被卷入了与“小爷”小飞(吴亦凡)的纠纷中。六爷试图出面摆平这起纠纷,并找来了昔日老友闷三儿(张涵予)、话匣子(许晴)、灯罩儿(刘桦)帮忙,却发现这个时代已经有了一群新的“话事人”,自己这个顽主的江湖地位已经动摇,并且以往固守的生活方式已经渐渐被时代所抛弃。
    其实《老炮儿》诠释的是一种老北京情怀,六爷代表的80年代守旧人群,小飞代表的90年代新兴小青年,都有自己的江湖规矩,都有自己的兄弟,但是谁也不服谁,这场恶战其实是两个时代的交锋。就如同现在的传统企业和互联网企业,不能说谁更好,谁不好,但是都需要相互交流促进,互联网企业不能脱离实体经济,传统企业也需要接纳互联网思维,快速转型调整经营模式,跟上“互联网+”大时代,传统企业才不会被社会淘汰。


论理:互联网的“江湖厮杀”谁抢先谁称霸


    江湖厮杀哪都有,中国互联网在经历这么多年混战,历经多少创业公司的厮杀和洗牌,现在形成的“BAT”互联网大佬格局,从百度代表的搜索,阿里代表的电商,腾讯代表的社交,不管是哪个方面,都存在着激烈竞争。百度把谷歌赶出中国独霸搜索?阿里开创电商时代KO京东?腾讯从QQ到微信玩转社交逼退新浪微博?搜狐、网易、美团、大众、赶集、58同城等还在厮杀?能说得上名的,你还记得哪一个?

    谁能创新谁就能抢占势头,谁先占领市场谁就能称霸,但是在互联网这个变幻莫测的行业就很难说。虽然BAT三巨头已经占领部分市场但还在跑马圈地,各种收购并购,因为稍微放松也许就会错失良机被创新企业后来居上。也许一个月内有50家互联网公司成立,也有50家互联网公司破产。很多互联网创业公司曾红极一时就很快被更多具有创新能力的公司所击败,最后淹没在茫茫网络中。那传统企业又该如何利用互联网“死而复生”呢?
    从政府提出“互联网+”时代,大力支持“大众创业,万众创新”来看,传统企业必须抓住机遇,加快互联网进程,利用国家对于“众包”政策的支持,用最少的成本实现企业互联网化。对于传统企业来说,网络众包模式是最便捷最高效的转型方式。





行动:“识时务者为俊杰”把握住机遇


    据统计,截至2015年7月,中国网民数量达6.68亿,网民规模全球第一,网站总数达413.7万余个,域名总数超过2230万个,.CN域名数量约1225万个,在全球国家顶级域名中排名第二,中国已经成为举世瞩目的网络大国。现在互联网已经与人们的生活息息相关,如果没有电脑、没有手机、没有网络,很多人就会感觉生活没有意思,缺少点什么而无所适从。网上购物想买什么买什么,网络视频还能看直播,网上听音乐还能自己拍MV,网络社交与世界各地朋友交流,还有线上打车,互联网金融……互联网已经无处不在!

    其实很多传统企业都已经意识到要快速与互联网接轨,但是有这样的问题,对IT开发不甚了解,又有建网站,做手机APP开发,微信公众平台开发、移动Web应用、数据分析开发等IT需求,如果选择外包,又很难找到靠谱的外包机构,而且价格很贵,项目进度不知情。如果企业自己建立IT开发团体,招IT技术人员的成本太高,管理有难度。所以为了解决企业的这些问题,“解放号”网络众包平台应运而生,企业可以在网络众包平台发布任何IT需求,例如做一个企业网站或者微信公共平台推广页面等,然后网络众包平台上注册的8万多名IT技术人员,500多个开发团队,都能为你所用。
    如果一个网站开发的行业价格是10万,在网络众包平台企业可以省去人力成本、管理成本、设备场地成本……只要5万就能让众多的网络IT技术人员帮助企业完成一个网站的开发,因为他们有技术有项目经验,代码可以重用,人才也可以重用,从而大大节省企业的运营成本。
    网络众包平台就是连接两者的桥梁,对于传统企业来说可以用最低的成本解决IT问题,对于网络中的TI技术人员来说可以赚钱还可以提高能力获得经验,企业和IT人员双方都能共赢!“互联网+”时代,相信未来会有更多的传统企业融入到互联网的世界里,所以“互联网+企业”的众包模式是一个趋势,也是传统企业快速转型,加快“互联网化”的一个最便捷有效的途径。
  • 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
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