Chrome占据浏览器份额第一 火狐跌至第四

新浪科技讯 北京时间5月18日上午消息,社交发现和分享平台Shareaholic今天公布了最新的浏览器市场份额报告,公布了过去8个月中各大浏览器市场份额的变化情况。Chrome仍在桌面和移动使用量方面处于领先,而最大的改变在于火狐的市场份额从第二下跌至第四,目前已落后于Safari和IE。

  从2013年9月至2014年4月,Chrome的使用量市场份额基本持平,分别为34.68%和34.65%。不过,Chrome的使用量仍超过了火狐、IE和Opera的总和。火狐的市场份额下降了4.66%,Safari下降了0.96%,而IE则下降了3.13%。

  Shareaholic此次报告的要点包括:

  - Safari(移动应用版)和Android浏览器是市场份额取得明显增长的两款浏览器。以这一增长速度来看,Android浏览器将很快对火狐和IE形成挑战,进入所有浏览器排行榜的前4名。

  - 报告中的大部分浏览器市场份额出现下降,而最大的输家是IE和火狐。

  - Opera Mini的市场份额出现上升,而Opera桌面浏览器的市场份额下降。

  这一报告表明,移动浏览器在浏览器市场的地位越来越重要。因此,Mozilla开发火狐OS操作系统是合理的。该公司已经意识到,如果没有预装浏览器的自主操作系统,那么将无法与谷歌(520.630.65,0.13%)苹果(597.518.691.48%)公司和微软(39.830.230.58%)竞争。

  根据另一家市场研究公司Net Application的数据,IE仍是目前最流行的浏览器。需要指出,Shareaholic跟踪了访问其发行商网络中20万家网站的2.5亿用户,而 Net Application跟踪了每月访问约4万家网站的1.6亿独立用户。此外,Shareaholic还跟踪了移动浏览器的数据,而Net Application针对桌面浏览器和移动浏览器分别制作报告。

  最重要的是,Shareaholi的数据统计了每种浏览器打开过多少个网页。Net Application仅仅关注访问某一网页、来自不同浏览器的用户数是多少。因此,使用量市场份额和用户数市场份额之间仍存在明显差异

http://map.sogou.com/card/edit.jsp?d=cor_14003797381710983
http://map.sogou.com/card/edit.jsp?d=cor_14003798001712543
http://map.sogou.com/card/edit.jsp?d=cor_14003798621714934
http://map.sogou.com/card/edit.jsp?d=cor_14003799041716546
http://map.sogou.com/card/edit.jsp?d=cor_14003799571718561
http://map.sogou.com/card/edit.jsp?d=cor_14003799991720206
http://map.sogou.com/card/edit.jsp?d=cor_14003800421721841
http://map.sogou.com/card/edit.jsp?d=cor_14003800861723500
http://map.sogou.com/card/edit.jsp?d=cor_14003802361728948
http://map.sogou.com/card/edit.jsp?d=cor_14003802671730049
http://map.sogou.com/card/edit.jsp?d=cor_14003802981731184
http://map.sogou.com/card/edit.jsp?d=cor_14003803281732263
http://map.sogou.com/card/edit.jsp?d=cor_14003803561733184
http://map.sogou.com/card/edit.jsp?d=cor_14003803811734140
http://map.sogou.com/card/edit.jsp?d=cor_14003804301735827
http://map.sogou.com/card/edit.jsp?d=cor_14003804571736748
http://map.sogou.com/card/edit.jsp?d=cor_14003804811737641
http://map.sogou.com/card/edit.jsp?d=cor_14003807411746602
http://map.sogou.com/card/edit.jsp?d=cor_14003807781747980
http://map.sogou.com/card/edit.jsp?d=cor_14003808021748757
http://map.sogou.com/card/edit.jsp?d=cor_14003808271749447
http://map.sogou.com/card/edit.jsp?d=cor_14003808541750467
http://map.sogou.com/card/edit.jsp?d=cor_14003808781751254
http://map.sogou.com/card/edit.jsp?d=cor_14003809031752191
http://map.sogou.com/card/edit.jsp?d=cor_14003809281753091
http://map.sogou.com/card/edit.jsp?d=cor_14003809511753874
http://map.sogou.com/card/edit.jsp?d=cor_14003809731754702
http://map.sogou.com/card/edit.jsp?d=cor_14003809991755618
http://map.sogou.com/card/edit.jsp?d=cor_14003810281756753
http://map.sogou.com/card/edit.jsp?d=cor_14003810511757630
http://map.sogou.com/card/edit.jsp?d=cor_14003810741758386
http://map.sogou.com/card/edit.jsp?d=cor_14003810941759227
http://map.sogou.com/card/edit.jsp?d=cor_14003811211759955
http://map.sogou.com/card/edit.jsp?d=cor_14003811441760667
http://map.sogou.com/card/edit.jsp?d=cor_14003811671761492
http://map.sogou.com/card/edit.jsp?d=cor_14003811871762230
http://map.sogou.com/card/edit.jsp?d=cor_14003812081762934
http://map.sogou.com/card/edit.jsp?d=cor_14003812301763613
http://map.sogou.com/card/edit.jsp?d=cor_14003812521764295
http://map.sogou.com/card/edit.jsp?d=cor_14003812731765085
http://map.sogou.com/card/edit.jsp?d=cor_14003812941765735
http://map.sogou.com/card/edit.jsp?d=cor_14003813171766415
http://map.sogou.com/card/edit.jsp?d=cor_14003813451767434
http://map.sogou.com/card/edit.jsp?d=cor_14003813641768092
http://map.sogou.com/card/edit.jsp?d=cor_14003813871768829
http://map.sogou.com/card/edit.jsp?d=cor_14003814071769455
http://map.sogou.com/card/edit.jsp?d=cor_14003814321770160
http://map.sogou.com/card/edit.jsp?d=cor_14003814521770649
http://map.sogou.com/card/edit.jsp?d=cor_14003814801771382
http://map.sogou.com/card/edit.jsp?d=cor_14003815061772181
http://map.sogou.com/card/edit.jsp?d=cor_14003815301772849
http://map.sogou.com/card/edit.jsp?d=cor_14003815501773231
http://map.sogou.com/card/edit.jsp?d=cor_14003815691773654
http://map.sogou.com/card/edit.jsp?d=cor_14003816001774573
http://map.sogou.com/card/edit.jsp?d=cor_14003816241775352
http://map.sogou.com/card/edit.jsp?d=cor_14003816671776607
http://map.sogou.com/card/edit.jsp?d=cor_14003817021777661
http://map.sogou.com/card/edit.jsp?d=cor_14003817281778502
http://map.sogou.com/card/edit.jsp?d=cor_14003817491779220
http://map.sogou.com/card/edit.jsp?d=cor_14003817731779985
http://map.sogou.com/card/edit.jsp?d=cor_14003817941780572
http://map.sogou.com/card/edit.jsp?d=cor_14003818141781225
http://map.sogou.com/card/edit.jsp?d=cor_14003818341781767
http://map.sogou.com/card/edit.jsp?d=cor_14003818591782600
http://map.sogou.com/card/edit.jsp?d=cor_14003818781783235
http://map.sogou.com/card/edit.jsp?d=cor_14003818971783891
http://map.sogou.com/card/edit.jsp?d=cor_14003819181784525
http://map.sogou.com/card/edit.jsp?d=cor_14003819471785621
http://map.sogou.com/card/edit.jsp?d=cor_14003819661786257
http://map.sogou.com/card/edit.jsp?d=cor_14003819831786906
http://map.sogou.com/card/edit.jsp?d=cor_14003820021787516
http://map.sogou.com/card/edit.jsp?d=cor_14003837041834929
http://map.sogou.com/card/edit.jsp?d=cor_14003843171852917
http://map.sogou.com/card/edit.jsp?d=cor_14003843381853505
http://map.sogou.com/card/edit.jsp?d=cor_14003843631854112
http://map.sogou.com/card/edit.jsp?d=cor_14003843841854704
http://map.sogou.com/card/edit.jsp?d=cor_14003844041855116
http://map.sogou.com/card/edit.jsp?d=cor_14003844251855594
http://map.sogou.com/card/edit.jsp?d=cor_14003844481856072
http://map.sogou.com/card/edit.jsp?d=cor_14003844661856496
http://map.sogou.com/card/edit.jsp?d=cor_14003844871856946
http://map.sogou.com/card/edit.jsp?d=cor_14003845071857608
http://map.sogou.com/card/edit.jsp?d=cor_14003845461858348
http://map.sogou.com/card/edit.jsp?d=cor_14003845671858914
http://map.sogou.com/card/edit.jsp?d=cor_14003845891859416
http://map.sogou.com/card/edit.jsp?d=cor_14003846111859872
http://map.sogou.com/card/edit.jsp?d=cor_14003846241860117
http://map.sogou.com/card/edit.jsp?d=cor_14003846461860491
http://map.sogou.com/card/edit.jsp?d=cor_14003846671860895
http://map.sogou.com/card/edit.jsp?d=cor_14003846871861219
http://map.sogou.com/card/edit.jsp?d=cor_14003847061861562
http://map.sogou.com/card/edit.jsp?d=cor_14003847231861806
http://map.sogou.com/card/edit.jsp?d=cor_14003847421862131
http://map.sogou.com/card/edit.jsp?d=cor_14003847621862418
http://map.sogou.com/card/edit.jsp?d=cor_14003847791862707
http://map.sogou.com/card/edit.jsp?d=cor_14003847981863306
http://map.sogou.com/card/edit.jsp?d=cor_14003848161863930
http://map.sogou.com/card/edit.jsp?d=cor_14003848331864425
http://map.sogou.com/card/edit.jsp?d=cor_14003848501865060
http://map.sogou.com/card/edit.jsp?d=cor_14003848691865786
http://map.sogou.com/card/edit.jsp?d=cor_14003848901866577
http://map.sogou.com/card/edit.jsp?d=cor_14003849101867396
http://map.sogou.com/card/edit.jsp?d=cor_14003849271868077
http://map.sogou.com/card/edit.jsp?d=cor_14003849521868946
http://map.sogou.com/card/edit.jsp?d=cor_14003773231668843

  • 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
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