生命日记感悟生命

在生死临界点的时候,你会发现,任何的加班(长期熬夜等于慢性自杀),给自己太多的压力,买房买车的需求,这些都是浮云。如果有时间,好好陪陪你的孩子,把买车的钱给父母亲买双鞋子,不要拼命去换什么大房子,和相爱的人在一起,蜗居也温暖。

  ——摘自于娟博客

  这是于娟“癌症日记”中被网友转载最多的段落之一,近日来悄然打动了许多人,短短两周,她名为“活着就是王道”的博客吸引了100多万的访问人次,平淡而诚挚的文字让每一篇博文下满是祝福。

  于娟,女,32岁,祖籍山东济宁,海归,博士,复旦大学优秀青年教师,一个两岁孩子的母亲,乳腺癌晚期患者。这位32岁的复旦大学女教师,在2010年元旦左右被确诊为乳腺癌晚期,已转移到全身躯干骨。她在健康状况稍好的时候,开始回忆并记录下癌症治疗的点点滴滴。在短短文字的后面,却是一个乐观坚强并相信奇迹的女儿、妻子和妈妈。

  于娟并不愿意有人关注她。她所希望的,是有人关注她用生命写下的文字,希望有人能够透过她的文字关注自己的健康和生活方式,从“于娟日记”在社会上热议以来,也引发了我们对现代人生活方式的思考,如何才能更健康、更快乐的生活,探讨符合现代社会发展的生活方式和价值观成了如今人们关注的话题。

  宁津:既然我们都无法“早知道”于娟坚持每天两次更新博客,提倡健康的生活方式,并且坦白说后悔自己曾经这样——“回想10年来,基本没有12点之前睡过,学习、考GT之类现在看来毫无价值的证书,考研是堂而皇之的理由,与此同时,聊天、BBS灌水、蹦迪、K歌、保龄球、吃饭、一个人发呆填充了没有堂而皇之理由的每个夜晚,厉害的时候通宵熬夜”。但很遗憾的是,很多网友,一边看着于娟的博客,一边重复着跟过去的于娟同样的生活,只因为他们还没有感到“生命临界点”的危机。

  相比网友们的“明知故犯”,在“生命日记”之外,其实更令人警醒的是,在中国,像于娟这样的人,可算是“优等生”、“优等白领”的典型,但她认为自己考的GT证书“毫无价值”,考研是“堂而皇之”,毫不夸张地说,这也间接反映出了我们生命教育的缺失。我们的教育,更加偏重分数和考试,而对“人生”、“生命”较少涉及。很多家长和老师眼中的“好孩子”、“优等生”,只知道沿着家长和老师指点的方向努力,考大学、考研究生、考博士、找一份好工作、结婚生子,直到有致命性的危机出现,他们才恍然大悟:这并不是我想要的生活!我过去的很多努力都是没有意义的!与此同时,还有很多父母,把梦想寄托在孩子身上,当原本成绩出众的孩子因没有考进理想的大学选择了逆反甚至轻生,他们才知道后悔:早知道会这样,我当初就不该逼他。还有很多子女,平时忙于工作,忙于小家庭,直到父母病重,他们才觉得遗憾:早知道会这样,我肯定会抽出时间来多陪陪父母。

  “早知道会这样”,这已经成了我们痛悔时最常用的句式。当然我们也都清楚,我们都无法“早知道”,所以我们能做的,也正是于娟老师一再提醒我们的,就是好好把握当下,以不会令自己将来后悔的方式去生活。

  在生活方式的选择上,苹果公司CEO乔布斯提供了出色的答案。2005年乔布斯在斯坦福大学毕业典礼上的演讲中提到,他17岁的时候读到这句话——如果你把每一天都当作生命中最后一天去生活的话,那么有一天你会发现你是正确的。“从那时开始,过了33年,我在每天早晨都会对着镜子问自己:‘如果今天是我生命中的最后一天,你会不会完成你今天想做的事情呢? ’当答案连续多天是‘No’的时候,我知道自己需要改变某些事情了。 ”乔布斯只上了一个学期的大学,但这并不妨碍他把时间和精力用在自己最想做的事情上面:21岁与人合作创办苹果公司,三十多年来一直是IT界的风云人物,这是一个常人在改变着自己不平凡的生活。

  杨文:生命的本质是什么?

  不管怎样生活,只有身体健康才能做着到。只是,一直都活在压力下,而丢掉了原本自己心底想要的生活,这样的生活就好像总是缺失了什么。一个活着,喜欢的是夜夜笙歌也好,喜欢的是周游世界也好,总该要拖着自己的身体去做。活着精彩才是王道。不该在失去的时候才懂的珍惜,虽然很多人都明白这个道理,可是却还是义无反顾地去做相反的事儿了。其实我们都在写着“生命日记”,用着自己的生命去书写自己的生活。

  记得一个中年丧妻的画家,有一次泪流满面地跟我说:活着真好。 对比那些不幸的人,我们才能知道做一个健健康康的普通人的快乐。所以于娟的存在,是作为一个悲情人物,让我们看到了普通生命的真实价值。别人连活下去的权力都被剥夺了,别人在睡梦中都被疼痛折磨得死去活来,我们还抱怨啥,还愤怒啥,还不平衡啥。于娟,我很佩服她。谢谢她给我们的启示。这就是要我们在忙碌的同时,多挤出些时间思考一下,生命的本质是什么?是浮躁?是急功近利?还是像洗脚妹默默无闻中资助那么多学子一样平凡中见神奇?

  阿布:总是失去了才懂珍惜

  于娟这样的例子多不胜举,许多人在患上不治之症以后都以书或网络的方式警醒世人,并转告自己的感悟。但悖论是,如不亲身经历,大多数人还是不会“悔改”,“毫无必要”的压榨或消耗自己的生命总是理所当然,等身体垮掉时,又才幡然醒悟自己亲手毁掉自己的幸福。纪德在小说《背德者》里说:“人们最动人心弦的作品,总是痛苦的产物。幸福有什么可讲的呢?除了经营以及后来又毁掉幸福的情况,的确不值得一讲。”

  很多东西,只有当我们快要失去的时候才倍感珍贵。生命如是,感情如是,亲情也如是。我们总是期待着天荒地老、地久天长,却不懂得去经营和珍惜,等到真正大彻大悟的时候却为时已晚。如此看来,还是知足为好,人生追求什么完美?能够每天快快乐乐的活着就是最好的了。

  失去后才懂得珍惜。平时身体好的时候没想过生老病死,离别感伤。若是明知道自己的生命只剩下倒计时,和亲人朋友的相处时间已经屈指可数,恐怕每个人心中涌起的除了绝望之外更多的是空白。生命太脆弱,用健康代价换来的那些所谓的物质在生命面前显得尤其渺小。走到最后一刻才明白最宝贵的应该是什么,于娟所说的所谓“浮云”只有经历过的人才知道,只有在生命即将消失殆尽之时才能意识到自己以前所追求的那些不过是过眼云烟而已。

  朱玲:幸福是什么?

  早睡早起,规律的作息时间有益健康,这句话所有的人都会承认,但是又有几个人能够做到呢?工作的压力需要我们去承受,各种交际活动需要我们去应酬,数不尽的生活欲求需要我们去争取,日新月异的知识需要我们去掌握,应接不暇的网络资源诱惑我们去点击……使我们不得不将白天延长进夜晚,由不得自己。在这个高速运转的时代,早睡早起已经离我们远去。看了于娟《生命日记》,相信每个人都会很震撼,但是看过之后,恐怕没有几个人会改变自己原有的生活习惯,坚持健康的作息规律。

  纪福黛:济世若有方,人生则无悔!

  2004年人民日报出版社出版的《人生格言经典》中,收录了纪福黛撰写的数条格言,而她自己最喜爱的,就是这一句“济世若有方,人生则无悔”。

  “有梦就有明天,树影摇曳,轻风习习,在一片中草药种植田地中,矗立着一幢整洁安静的楼房,住着来自全国的癌症患者,他们每天一起相互鼓励,相互交流抗癌经验,并且在这里快乐地工作着。呵呵,这就是我一直在构画的康复图。”。

  哈佛大学有一个教授,他的课很受欢迎,名字就叫幸福是什么。很多学生去听了以后,纷纷表示,这门哲学课将会影响自己的一生。而现在中国的情况更是如此,有多少人是活得很不明白,“要浪漫,先浪费”,是不是所有的人生的幸福和快乐,都要“先浪费”呢?房子、车子、金钱、权力、名利等等,很多生不带来、死不带走的东西,还有“结婚要婚房的丈母娘”,这些人真得知道什么是幸福吗?

  很多人对幸福的理解,仅仅停留在表面。为了追逐一切浮华的东西,忘了自己的生存之本,忘了自己身边的亲人、朋友,忘了健康的生活方式,也许,人应该懂得幸福的真正意义,才能获得真正意义上得到幸福。据《东方早报》报道,一个年轻生命,在生死的边缘,用生命写下病中日记。请不要认为这个故事有点老套,病中日记里反思的积劳成疾的生活细节,会给同样背负生活压力的你我一些提醒。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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

打赏作者

Boss_Commander

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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