自由软件之我感

      最近看了《共创未来 - 打造自由软件神话》。下面就对看完之后一些简单的感想和吐槽。

     书中介绍了自由的软件的起源和发展过程,从UNIX->BSD->GNU->GNU/Linux的自由软件之路。其中有降到许许多多的故事和组织和软件。这里就不细说,主要说说一个很俗但是很现实的问题就是钱的问题。

     众所周知,现在自由软件仍然没有找到一个盈利的模式。当然这里不乏有像redHat和一些服务性软件的公司。真正的自由软件社区是没有盈利的。自由软件宗旨是自由,开源,共享,免费。这样无法给提高辛苦劳动的程序员以经济回报,至少斯托尔曼和利纳斯都过得很拮据,当然无法和比尔盖茨相比了。作为一个将来成为程序员的我,对此就进行很俗气的思考。自由软件我们程序员图的是神马呢?我觉得大家都希望免费使用软件,查看源代码,并可以进行自己的修改和更新,并且分享自己代码。这是一件很棒的事,但是如果全力支持自由软件的话,就会得不到什么收益。

    自由软件改变了软件的生态,对微软等构成了一定的威胁,也让我们有了更多的选择。我希望在自己经济基础不错的情况下,愿意为开源社区奉献一份力,当然前提是他们看得上我写的代码。也祝愿自由软件越走越好,创作出更好更实用的软件出来。如今对此只有膜拜了!

  • 1
    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