精华内容
下载资源
问答
  • 2014终总结,我决定要实现的目标

    万次阅读 多人点赞 2014-12-31 09:09:24
    不知不觉,一年就这样又过去了。记得在去年的最后天,我写了篇年终总结,回顾了一年里...今天是2014的最后天,在这一年当中,我的成长和收获也算是颇为丰富,下面就来回顾一下这一年所发生的事情吧。 ...

    转载请注明出处:http://blog.csdn.net/guolin_blog/article/details/41722975

     

    不知不觉,一年就这样又过去了。记得在去年的最后一天,我写了一篇年终总结,回顾了一年里所发生的点点滴滴,那么我就尽量把写年终总结养成一种习惯吧。今天是2014年的最后一天,在这一年当中,我的成长和收获也算是颇为丰富,下面就来回顾一下这一年所发生的事情吧。

     

    其实我个人认为,给自己制定目标是一件非常有必要的事情,目标不一定要很远大,也可以是短期的小目标。它能够指引你在什么时间应该做什么事情,并且给你完成它的动力。在我去年开始写博客不久之后,我就给自己制定了三个目标,这三个目标对于当时的我来讲,感觉还是比较遥远的,因此我觉得在2013年我肯定是完不成的,但我决定要在2014年来一一完成它们。

     

    一、成为CSDN认证专家

     

    在刚开始写博客的时候,由于没什么人认识我,那个时候博客的访问量很低。记得当时大概是用了两个月左右的时间,博客的访问量从零达到了三千多,这都还把我乐坏了。而根据CSDN的规则,如果要申请成为CSDN认证专家,需要原创文章达到二十篇以上,并且博客访问量达到五万以上。以我之前两个月三千的增长率来看,五万对于我来说简直就是天文数字啊,因此我当时把实现成为专家的这个目标定在了2014年。

     

    但是之后的发展并非我是想象的那样,因为博客访问量并不是稳步增长的,而是以指数型增长的。这就像滚雪球一样,写的文章越多,涨的速度就越快。具体飙升的曲线是怎么样的我已经不记得了,但大概在去年9月份的时候,我的博客访问量就已经突破十万,并且成功申请成为了CSDN认证专家,这也是我唯一一个在2013年就完成的目标了。

     

    现在回想一下,成为CSDN认证专家也许是最容易实现的一个目标了,其实只要能够做到两点即可,用心和坚持。用心写好每一篇文章,并且持之以恒地写下去。

     

    二、出版《第一行代码——Android》

     

    写书真的是一件非常非常辛苦的事情,有可能当时写的时候还感觉不到这么辛苦,现在回想起来,我真佩服自己当时能够一直坚持下来。

     

    《第一行代码——Android》这本书准确来讲是在2013年6月份开始动笔的,由于我自己非常喜欢看书,当知道自己也能去写一本书的时候,我激动得要命,甚至没有经过太长时间的考虑,我就答应了图灵的邀请。当时图灵要求我先把这本书的目录给定好,然后写个十五页的样章发给他们审核,要审核通过后才会和我签合同。我大概用了一个月左右的时间把目录和第一章给写好了,审核当然也是比较顺利的通过,然后7月份的时候开始写第二章的内容。之后基本上就没有停下来过,每天晚上都会在电脑前加班加点,所有的节假日包括国庆春节统统放弃了,就这样在今年3月份的时候才基本上完成了全书的内容。之后还需要对书进行校对、排版、封面设计、印刷等等,直到今年8月份,这本书才真正得以出版。

     

    面市五个月以来,《第一行代码——Android》这本书也是广受好评,这让我感觉还是比较欣慰的,自己一年的辛苦并没有白白浪费,而是得到了大家的认可。这样,我第二个要实现的目标也做到了。

     

    三、发布LitePal框架

     

    早在2012年的时候,那个时候我还在南京上班,当时做的项目需要频繁地和数据库交互,每天写各种繁琐的SQL语句也是写到要吐。当时就萌生了一种想法,为何不将这些数据库的操作重构一下,然后进行很好的封装,这样不仅使用起来会非常方便,而且代码也会感觉更加的工整、专业。

     

    有了这种想法之后我就开始筹备动手了,由于我知道这是个大工程,也许需要花费很长时间才能完成,因此我没有直接在公司的代码上去修改,而是自己新建了一个项目来去封装这些数据库的操作。写着写着,我突然意识到这个项目已经不仅仅适用于我们公司的代码逻辑了,而是可以作为一个独立的框架对外开放使用了,于是我给这个框架起了一个名字——LitePal,意为Pal of SQLite。并且我是非常崇尚开源精神的,于是在一开始的时候就将LitePal定位成了开源框架。

     

    但是,这个项目我并没有写多久就被迫暂停了,因为被公司外派到华为去做支援,那段时间没日没夜的加班,也是让我完全没有时间来继续写这个项目。后来13年离职之后我又重新拾起这个项目继续写了一段时间,但是接着又因为写书的原因,这个项目又不得不暂停了。直到今年,写书的事情告一段落之后,我才重新空闲了下来。虽说LitePal这个项目的时间跨度已经非常大了,但作为一个有始有终的人,我是不会让它烂尾的,于是我又拾起之前的代码,继续完成之前没有完成的功能。另外我不希望LitePal这个项目只有中国人才会使用,所以我将所有的代码、注释、以及文档全部都是使用英文来写的,并且以我自己的眼光来看,LitePal是我目前所写过的所有项目里面,代码写得最出色的了。

     

    那么在今年9月份的时候,我认为一个功能相对齐全,并且比较稳定的LitePal版本终于出炉了,我也是迫不及待地通过博客推荐给了大家。这样,我第三个要实现的目标也做到了。

     

    其实相对于博客以及出书,能够写出LitePal才是一件让我更加感觉自豪的事情,毕竟我始终无法摆脱的还是程序员的情怀。当然LitePal的发布并不意味着这个项目就此结束了,我会对这个项目继续维护,后面将发布拥有更多功能,以及更加稳定的版本。

     

    插曲

     

    除了以上要实现的三个目标之外,我今年也是有做一些其它的事情,比如出视频教程。这件事就是完全在我的计划之外的,之前也从没有想过去出视频教程。后来有慕课网的工作人员联系上我,和我聊了一下出视频教程的事情,我当时一是因为平时太忙,抽不出时间,二是怕自己没经验,录不好,就给回绝掉了。但是慕课网那边还是非常有诚意的,几个月之后又联系了我,那个时候我的书和框架都已经推出了,也是腾出了一些时间,于是我就好好构思了一下,觉得Android推送这个题材非常棒,而且技术复杂也比较高,用博客很难表达清楚,特别适合用视频教程来进行讲解,于是就和慕课网合作推出了《见证Android消息推送时刻》这个系列的视频教程,感觉兴趣的朋友也可以去学习一下这方面的知识。

     

    最后,我觉得目标对于每个人来讲应该是要一直存在的,去年我给自己定的三个目标,今年已经是全部完成了,那么现在我又要给自己制定新的目标了,从明天开始在新的一年当中还是要继续努力,尽可能地把新的目标也一一实现。希望大家也是一样,在崭新的2015年都能够天天向上!

    链接:

    2019年终总结,所有的时间只为做好一件事

    2018年终总结,释放了积压两年的心情

    2017年终总结,一个不顺心的槛年

    2016年终总结,新的里程和新的开始

    2015年终总结,忙碌和无所事事的一年

    2013年终总结,我这一年的点点滴滴

    关注我的技术公众号,每天都有优质技术文章推送。关注我的娱乐公众号,工作、学习累了的时候放松一下自己。

    微信扫一扫下方二维码即可关注:

            

    展开全文
  • PointRCNN:目标检测

    万次阅读 热门讨论 2019-07-22 12:10:06
    PointRCNN是CVPR2019录用的目标检测论文。 摘要 本文中提出了种PointRCNN用于原始点云的3D目标检测,整个框架包括两个阶段:第阶段使用自下而上的3D提案产生,第二阶段用于在规范坐标中修改提案获得...

    本文在点云时空的连接:
    http://www.sohu.com/a/330208095_715754

    PointRCNN:3D Object Proposal Generation and Detection from Point Cloud
    PointRCNN是CVPR2019录用的一篇三维目标检测论文。

    摘要

    本文中提出了一种PointRCNN用于原始点云的3D目标检测,整个框架包括两个阶段:第一阶段使用自下而上的3D提案产生,第二阶段用于在规范坐标中修改提案获得最终的检测结果。Stage-1阶段子网络不是从RGB图像或者将点云投影到鸟类视图或者体素中,而是通过将整个场景的点云分割为前景点和背景点,以自下而上的方式直接从点云生成少量高质量的3D提案。Stage-2阶段子网络将每个提案的池化的点转换为规范坐标,更好地学习局部空间特征,这个过程与Stage-1中学习每个点的全局语义特征相结合,用于Box优化和置信度预测。对KITTI数据集的3D检测基准的广泛实验表明,该架构优于只是用点云作为输入具有显著边缘的最先进方法。

    论文链接:https://arxiv.org/abs/1812.04244

    代码链接:https://github.com/sshaoshuai/PointRCNN

     

    主要贡献

    作者提出了一种新的三维物体检测器PointRcnn,用于从原始点云中检测三维物体。所提出的Stage-1网络以自下而上的方式直接从点云生成3D方案,比以前的方案生成方法具有更高的召回率。Stage-2网络将语义特征和局部空间特征结合起来,在规范坐标中对提案进行了优化。此外,新提出的基于bin的损失证明了它在三维边界框回归中的有效性。实验表明,在Kitti数据集的3D检测基准上,PointRcnn比以前的先进方法有显著的优势。

     

    本文的主要贡献是:

    • 提出一种新颖的自下而上的基于点云的3D边界框提案生成算法,该算法通过将点云分割为前景和 背景对象来生成少量高质量的3D提案。来自分割的学习的点的代表不仅善于生成提案,而且对后面的Box优化也有帮助。
    • 提出的规范3D边界框使用了Stage-1阶段生成的高召回框提案,并在带有高鲁棒性的基于区域的损失的规范坐标中学习优化框坐标。
    • 提出的3D检测框架PointRCNN优于带有显著边缘的最先进的模型,并且在2018年11月16日所有已发表的只使用点云作为输入的方法中,在KITTI的3D检测测试中排名第一。

     

    算法框架:

    和二维图像的目标检测不同,自动驾驶场景中的三维物体被标注的3D边界框很好地分隔开。也即,用于3D物体检测的数据直接提供用于3D目标分割的语义掩模。这是3D检测和2D检测训练数据之间的差异。在2D目标检测中,边界框只能为语义分割提供弱监督。基于这一观察,作者提出了两阶段的3D目标检测框架—PointRCNN,该框架直接运行在3D点云上,具有高鲁棒性和准确的3D检测性能。如图2所示。

    在这里插入图片描述

    PointRCNN包括两个阶段,第一阶段旨在以自下而上的方案生成3D边界框提案,基于3D边界框生成真实分割掩模,分割前景点并同时从分割点生成少量边界框提案。这样的策略避免了在整个3D空间中使用大量3D锚框。第二阶段进行规范的3D box优化。在生成3D提案之后,采用点云区域池化操作来“pool”来自Stage-1学到的点表示。与直接估计全局box坐标的方法不同,“pooled”3D点被转换为规范坐标并与“pooled”的点特征以及Stage-1的分割掩模组合完成坐标优化。该策略充分利用了Stage-1的分割和提案子网络提供的信息。

    作者还提出基于全区域的3D box回归损失以用于提案生成和优化,收敛更快,有更高的召回率。

    一、通过点云分割自下而上生成3D提案

    提出一种的基于全场景点云分割的精确、鲁棒的三维提案生成算法作为第一阶段子网络。 3D场景中的目标是自然分离的,彼此不重叠。所有三维目标的分割掩模都可以通过3D边界框注释直接获得,即3D框内的3D点被视为前景点。因此,我们建议以自下而上的方式生成3D提案。具体来说,我们逐点学习点的特征、分割原始点云,同时从分割的前景点生成3D提案。基于这种自下而上的策略,避免在3D空间中使用大量预定义的3D框,并且显著限制了生成的3D提案的搜索空间。并且,作者的3D box提案方法比基于3D锚点的提案生成方法有更高的召回率。

    • 点云的表示使用带有msg(multi-scale grouping)的pointnet++作为backbone,也可以使用VoxelNet等。
    • 前景点分割:作者的三维提案生成方法直接从前景点生成3D box 提案,同时完成前景分割和三维预测框生成。经backbone处理后的每个点的特征,分别经过前景掩模预测分支和三维提案框回归分支完成相应任务。点分割的真实掩模由3D边界框提供。并且使用focal loss来解决室外场景中,由前景点过少带来的类别不平衡问题。
    • 基于bin的三维边界框生成:边界回归分支使用前景点回归生成三维提案(要注意,背景点也参与了提案的生成)。为了约束三维提案,作者提出了基于bin的回归损失估计目标的三维边界框。预测3D边界框需要预测中心位置、目标方向与目标尺寸。详见P4。

    二、点云区域池化

    在获得三维边界框方案后,根据之前生成的框提案来优化框的位置和方向。根据每个3D提案的位置,对每个点及其特征进行池化。稍稍放大后的边界框内的点及其特征将被保留。然后使用分割掩模区分稍微放大框内的前景、背景点。没有内部点的提案将会被消除。

    三、规范3D边界框优化

    如图2(b)所示,“pooled”点及其相关特征都被送入Stage-2子网络,以优化3D box的位置和前景目标的可信度。经过图4所示的规范坐标转换,更好地学习每个提案的局部空间特征。

    在这里插入图片描述

    之后优化子网络将转换后的局部空间点和Stage-1阶段的全局语义特征结合优化框和置信度。在这里,作者在强度和掩模的基础上,增加了深度信息,经全连接层后,“catenate”全局特征送入网络。同样采用类似基于bin回归的损失用于提案优化。Stage-2的loss整体为:

    在这里插入图片描述

    主要结果:

    作者给出了PointRCNN在KITTI数据集上的评估效果。在Sec. 4.1给出了PointRCNN的实施细节,在Sec. 4.2给出了与SOTA的比较,在Sec. 4.3给出了PointRCNN的消融实验分析。详见P6-P8。

    作者在KITTI 3D检测标准的测试服务器上提交了PointRCNN的结果,见表1.尤其在汽车和自行车手的检测上有显著的优势。在行人检测方面,比以往只使用激光烈大输入的方法有更好的结果,但是比多传感器的效果较差。

    在这里插入图片描述

    作者在表2中,给出了关于车类别在验证集上与其他previous SOTA的比较。发现在“hard difficulty”,平均精度有8.28%的提升。

    在这里插入图片描述

    表3使用召回率评估了在不同提案数目和3D IoU阈值的情况下提案子网络的性能。虽然提案的召回率与最终的3D物体检测性能有着松散的联系,但出色的召回率仍然表明提案生成网络的稳健性和准确性。

    在这里插入图片描述

    最后的消融实验也分别证明了规范坐标转换的必要性,发现了将提案框扩大1m时精度最高,也证明了基于bin的三维边界框回归损失的有效性。详见Sec.4.3。

    Abstract

    In this paper, we propose PointRCNN for 3D object detection from raw point cloud. The whole framework is composed of two stages: stage-1 for the bottom-up 3D proposal generation and stage-2 for refining proposals in the canonical coordinates to obtain the final detection results. Instead of generating proposals from  RGB  image or projecting point cloud to bird’s view or voxels as previous methods do, our stage-1 sub-network directly generates a small number of high-quality 3D proposals from point cloud in a bottom-up manner via segmenting the point cloud of the whole scene into foreground points and back- ground. The stage-2 sub-network transforms the pooled points of each proposal to canonical coordinates to learn better local spatial features, which is combined with global semantic features of each point learned in stage-1 for ac- curate box refinement and confidence prediction. Extensive experiments on the 3D detection benchmark of KITTI dataset show that our proposed architecture outperforms state-of-the-art methods with remarkable margins by using only point cloud as input. The code is available at https://github.com/sshaoshuai/PointRCNN.

     

    请各位关注公众号。更多的文章可以关注公众号查看。
      这里写图片描述

    展开全文
  • 24岁我赚了人生的第个小目标个亿

    万次阅读 多人点赞 2020-09-01 11:47:07
    我最开始的半年没有周末,歪每天不睡午觉学习,良许多如一日的自律,小林写篇文章经常需要半个月,奥特曼写个B站稿子前后要花20天,这还是有个8国外经验文案助理的前提… 我的建议还是先沉淀在自己领域...

    点赞再看,养成习惯,微信搜一搜【三太子敖丙】关注这个喜欢写情怀的程序员。

    本文 GitHub https://github.com/JavaFamily 已收录,有一线大厂面试完整考点、资料以及我的系列文章。

    秃头、格子衬衣、不修边幅、苦逼…我觉得很长一段时间都是大家在互联网上对程序员的调侃的关键词,而我认识的程序员都是很有个性、帅气、阳光、有想法、多金的。

    作为做自媒体的程序员那我觉得会更特殊一点,今天我就带大家看一下一群神仙程序员。

    烟雨江南,天堂苏州,苏州的街道,宁静的梦幻,苏州是我儿时的梦想,对于她的美,大家不亲身经历细心体味,是万万领悟不到的。

    这次应勇哥和猿大侠的邀请,我、三歪以及深圳过来的帅地、小林从杭州出发去奔赴一场美丽的约定,是一次故人重逢,是一次追星见面会,更是一次终生难忘的聚会。

    昨晚在很多社群疯传着一张照片,网罗灯下黑戏称这是一张价值一个亿的照片,实不相瞒照片里面大佬的收入加在一起我感觉真的就破亿了。

    这次活动的发起人是勇哥和王总,王总(猿大侠)是同程旅游前CTO,这次让我看到了一个资本家最亲近的一面,王总没有任何架子跟勇哥一起安排行程,饭局,带我们参观同程,游金鸡湖,看秋裤楼……

    苏州的企业和企业家,温雅的外表下包含着洋溢的聪明生气,他们又经历了怎么样那大起大落大嗡多灾多难的时代?

    王总带着我们去同程会议室观看了一场资本盛宴,后面又给我们做了一场精彩的分享,讲述了他在自由职业之前在同程的故事,同程上市的心酸历程,以及他是怎么利用技术和流量做到TOP级别的大佬的。

    那个年代互联网公司之间的资本战争随便一拍都是一部电影,你根本想不到一个几百亿市值的旅游巨头也有差点变卖的时候,也有委曲求全求融资的时候。

    中间有很搞笑的一幕,大侠在投影的时候切换界面不小心切到了他技术号的后台,全场卧槽,大家能想象到么,我已经是技术号的头部作者了,而我的粉丝数只是他的零头…最夸张的是,这样的号他有几个…不说了我酸得牙齿有点疼。

    这两天收获的东西真的很多很多,也让我成功的追星成功,没想到奥特曼,勇哥,涛哥,大侠,武哥,汪哥所有的大家都这么随和,还有我一直崇拜的黑哥真的好帅好温柔啊,敖丙又恋爱了(JavaGuide胖成一个小胖墩了肉嘟嘟的好可爱)。

    说实话,自媒体的9个月对我来说就像梦一样,以前老是听JavaGuide、三歪、帅地他们说我是开挂的,我其实都不以为然,直到现场得到所有大佬的认可的时候我才知道原来我走了那么远。

    敖丙不是聪明的那种人,家境的原因大学都没好好读就出来打工还助学贷款,谁曾想去年年底还在借钱还贷款的我,也能给拼多多打广告了,只能说运气确实太好了。

    自媒体在大家眼里一直是一个发光的行业,大家面前为了形象,我们难免都是光鲜亮丽的,比如上面的照片我都得加了滤镜才发。

    以前有读者问过我刚毕业也想写文章拍视频赚钱可以么,我说可以,但是大家要明白一个点,输出内容是一个燃烧自我的过程,你需要燃烧自己的所见所得,你需要燃烧自己毕生所学,可是总有燃烧完的一天呀,所以我们需要不断的学习,才能保证不断的输出。

    我最开始的半年没有周末,三歪每天不睡午觉学习,良许多年如一日的自律,小林写一篇文章经常需要半个月,奥特曼写一个B站稿子前后要花20天,这还是有一个8年国外经验文案助理的前提…

    我的建议还是先沉淀在自己领域取得一定成就再考虑做内容,大家是不是向往像他们一样财富自由,自由职业,那我跟大家说一下他们的身份大家可以会释怀很多。

    澡堂子堂姐是商汤(汇聚清北大佬的科技巨头)破录取记录的员工,武哥是拼多多的研发工程师,吴师兄是来自哈工的硕士,良许也是某高校硕士,奥特曼大学毕业就有了8个人的创业团队,袁大侠是前同程CTO,Crossin就是过年期间被人名日报转发的大佬,网罗灯下黑是某高校导师,帅地更不用说了腾讯第一网红,JavaGuide全球排名前20,三歪是敖丙的女朋友…

    忆臻是哈工大的机器学习算法与自然语言处理博士,你可能会以为他是个书呆子,相反这个人把自然语言处理运用到了极致,说话都是各种骚话连篇语出惊人,可以说是少见的外向。(外向到逼着我说要单独来一段吹他)

    会议上太多神仙大佬了,我就不一一赘述了,我只想让大家明白眼前这群自由职业财富自由的人,就算不做自媒体,能力薪资都是处于行业顶尖的水准的,大侠十年前辞职的时候就已经年入百万了…

    高智商+高情商+努力,成就了站在大家面前的他们,但是为了学历和工作背后付出的努力,我想那又是多少个不为人知的故事了。

    高速上望向窗外的夕阳,我才反应过来,聚会已经结束了,最大的感触就是,以前我觉得他们这么厉害,就是因为享受到了那个时代的流量红利才这么厉害的,现在我明白了,红利一直在,这只是他们在奋斗路上顺手抓住的一把燃料而已。

    时光不问赶路人,离别只是为了下一次更好的相逢,愿大家永远前程似锦,不忘初心,永远热泪盈眶,心怀热忱。

    絮叨

    另外,敖丙把自己的面试文章、复习时总结的面试题以及简历模板整理成了一本电子书,共 1630页!目录如下

    链接:https://pan.baidu.com/s/1ZQEKJBgtYle3v-1LimcSwg 密码:wjk6

    我是敖丙,你知道的越多,你不知道的越多,我们下期见!

    展开全文
  • - 个完整事件包含 捕获阶段 ---> 目标阶段 --->冒泡阶段 - 事件监听:addEventListener() removeEventListener() attachEvent() detachEvent() - 判断事件源:e.target || e.srcElement
  • 个小白程序员的目标

    万次阅读 多人点赞 2017-12-21 22:00:38
    个小白程序员的目标计划
     
    

    其实一直都想开一个技术博客了,由于某些原因,没有把这两年学习到的知识好好总结起来(好吧,主要是懒,一下班就懒得不想动了,我有罪ORZ...),于是在今天,终于下定决心,要好好写一个博客,监督自己,不断的学习新知识和总结,虽然现在还是小白,但若是以后也成长成大神了,也可以把这段走过的路,遇见的坑,分享给大家,希望我写的文章能帮助到你们。

    目标:二级嵌入式/物联网/AI工程师

    周期:五级工程师(2018年达成),四级工程师(2020年达成),三级工程师(2023年达成),二级工程师(需要机遇,时情况而定)。

    名词解释:工程师的五个等级,取自《得到》APP,吴军老师的专栏《硅谷来信》,这里强烈推荐大家去订阅吴军老师的专栏,可以说吴军老师是我的人生中灯塔一样的存在,从吴军老师那里学到了很多有用的知识和人生哲理。

    目标诠释:为什么选择“嵌入式/物联网/AI工程师”,互联网已经火了十几年了,到现在个人以为已经快达到了顶峰,而下一个风口应该就是物联网/AI了,从近两年看,在谷歌(AlphaGo)和小米(智能家居)等公司的带领下,物联网/AI已经在慢慢走上浪潮,而且能控制实物所带来的反馈,更能让人激动人心,每一个男孩子都有一个机器人的梦想啊。

    目标计划

    (1).嵌入式: 这里分两个大块,以嵌入式LINUX为主,STM32为辅,这里的学习课程主要参考《朱老师物联网大讲堂》,目前进度为学完了ARM裸机部分和Uboot的一半,争取在2018上半年年对嵌入式开发达到一个比较熟悉的阶段,然后换个开发嵌入式方面的工作。

    (2).Python: 最近一年,Python大概成了最火的语言,大概了解了下Python,我很是感兴趣,不光是能做数据分析,爬去网络数据,还能做出一些很有意思的软件和工具,而且人工智能也大部分是用Python写的算法,感觉后面能运用在嵌入式中做数据分析或者智能识别之类的用途。学习方法:这里准备是通过《廖雪峰的官方网站》来学习,廖雪峰的Python教程在网友中的评价感觉很不错,而且完全免费,这里非常感谢廖雪峰老师能够无私的提供学习指导教程。

    (3).数据库和Github: 很可笑,身为一个程序员,我现在居然不会数据库和Git,数据库只在工作上用过ACCESS

    和一些简单的SQL语句,而版本控制是用可笑的复制备份的方法,这里一定要抽上一两个月的时间,系统的学习下MySQL和Git。

    (4).C#: 希望以后有空的时候学一下C#,因为我也是个游戏爱好者,希望以后有空了,能用C#开发个简单游戏和朋友一起玩。

    (5).日语: 作为一个动漫爱好着,希望能把日语再提升下,今年考了N3也不知道能不能过,希望明年能达到N2水平。

    任务目标:现在工作还是比较忙的,时不时的经常加班,先顶个最低目标,一周最少学习15个小时,在不加班的情况每天最好学习3个小时。一周至少更新3篇博客(包括一篇这一周的总结感想,内容可以任意发挥)。

    那么,现在开始加油吧,在这2017年年底定下的目标,希望明年的这时候,能够完成!

    展开全文
  • 2020年目标 整理出书 暂且命名为《深入浅出Arduino ESP8266开发》 2020年目标 整理出书 暂且命名为《深入浅出Arduino ESP8266开发》 2020年目标 整理出书 暂且命名为《深入浅出Arduino ESP8266开发》 ...
  • 维点云目标提取总结

    万次阅读 多人点赞 2015-09-28 10:10:16
    介绍关于维激光点云的一般性应用以及维激光点云的目标识别。
  • 你的年目标都实现了吗,记次开发微信小程序第步,要做什么东西?第二步,思考小程序的结构第部,开发阶段首页列表页添加目标第四步,最终结果 前言:这是笔者第次开发小程序,此前一直有打算自己做个,...
  • 目标跟踪算法的分类(

    万次阅读 多人点赞 2015-09-14 11:41:37
    a)不依赖于先验知识,直接从图像序列中检测运动目标,并进行目标识别,最终跟踪感兴趣的运动目标; b)依赖于目标的先验知识,首先为运动目标建模,然后在图像序列中实时找到相匹配的运动目标。  .运动目标...
  • 带你入门多目标跟踪()匈牙利算法&KM算法

    万次阅读 多人点赞 2019-07-02 19:30:41
    对理论没有兴趣的小伙伴可以先跳过本文,进行下篇的学习,把匈牙利算法这些先当作个黑箱来用,等需要了再回过头来学习理论。但个人建议,至少要明白这些算法的目的与大致流程。 如果大家用这两种算...
  • 个普通人研究个领域三年,他就可以成为这个领域的专家。”这句话是鲁迅说的。 专业方向的确立要考虑三个因素:兴趣所在、专业价值和个人优势,并在三者交集中进行筛选和判断。国际畅销书《基业长青》中说:...
  • 其实职业规划发展表面上看是在考察你、职位、公司者之间长期的契合程度,但实际上,他们主要想看你回答问题时的思路清晰度,回答中表现出的工作态度如何以及看看你是否对公司和职位是否有足够的了解。所以,对于...
  • 目标检测】2020遥感图像目标检测综述

    万次阅读 多人点赞 2020-08-17 12:44:16
    目标检测】2020遥感图像目标检测综述本文禁止转载1. DOTA数据集:2. 待解决的问题:2.1 目标小而密集:2.2 任意旋转角:2.3 Anchor匹配问题:2.4 回归任务的边界问题:2.5 实例级噪声:3. ...
  • 目标检测综述

    万次阅读 多人点赞 2019-07-09 21:36:26
    前言 图片分类任务我们已经熟悉了,就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另个问题,即目标...近几来,目标检测算法取得了很大的突破。比较流行的算法可以分为两类,类是基于Regio...
  • 博主去年参加了系列比赛,取得了还可以的成绩,拿了几个国内比赛的top10,也拿了kaggle的银牌。博主的梦想是有天能够成就kaggle GM,成为一流的Data Scientist。有个遗憾的事是参加完这些比赛以后并没有好好的...
  • 深度学习(目标检测)---目标检测20

    万次阅读 多人点赞 2018-05-30 11:39:42
    从Viola-Jones Detector、DPM等冷兵器时代的智慧当今RCNN、YOLO等深度学习土壤孕育下的GPU暴力美学,整个目标检测的发展可谓是计算机视觉领域的部浓缩史。本文简要回顾了从19942017一共二十余目标检测的...
  • Visual Tracking领域大牛(至少我认为是这个领域的大牛)Martin Danelljan又出新作。继C-COT之后又刷新纪录的作品。不管是从结果还是速度上都有提升,尤其是速度...C-COT是2016ECCV的文章,下次有空再讲。 ECO文
  • 目标检测(目标检测评价指标

    万次阅读 2017-02-21 09:49:47
    文章首先假设个测试集,然后围绕这测试集来介绍这几种度量方式的计算方法。 大雁与飞机 假设现在有这样个测试集,测试集中的图片只由大雁和飞机两种图片组成,如下图所示: 假设你的分类系统最终的目的
  • 目标优化_学习笔记()MOEA/D

    万次阅读 多人点赞 2018-03-26 16:13:50
    前言 本篇博客出于学习交流目的,主要是用来记录自己学习多目标...也是第次以博客的形式记录,文笔烂自己都看不下去,哈哈哈 笔记(二)记录基于Pareto支配的优化算法,在笔记()中记录在学习MOEA/D算...
  • 目标检测】Faster RCNN算法详解

    万次阅读 多人点赞 2016-04-21 15:08:06
    继RCNN,fast RCNN之后,目标检测界的领军人物Ross Girshick在2015提出faster RCNN。目标检测速度达到15fps。
  • 前言 我这篇文章并不是简单的描述...在字节跳动的两时间中见证了抖音从百万日活2.5亿、团队从10人100多人的过程,技术上不同时期的选型以及迭代、沉淀和更替。项目上经历了个工程模块化再组件化最后插...
  • 【题目】目标检测近5发展历程概述,从R-CNNRFBNet(2013--2018) 目录 概述 目标检测相关背景 1.1 目标检测的类别 1 .2 目标检测遇到的主要难题 1.3 过去二十的进展 二、 框架 2.1框架发展历程 ...
  • 目标跟踪入门

    万次阅读 多人点赞 2019-01-02 22:17:28
    输入初始化目标框,在下帧中产生众多候选框(Motion Model),提取这些候选框的特征(Feature Extractor),然后对这些候选框评分(Observation Model),最后在这些评分中找个得分最高的候选框作为...
  • 目标检测】RCNN算法详解

    万次阅读 多人点赞 2016-04-05 23:10:36
    深度学习用于目标检测的RCNN算法
  • 目标跟踪算法小结(

    千次阅读 2017-07-26 10:52:19
    -1.目标视觉跟踪(visual ...生成类方法在当前帧对目标区域建模,下帧寻找与模型最相似的区域就是预测位置,如卡尔曼滤波,粒子滤波,mean-shift等。目前比较流行的是判别类方法,也叫跟踪检测(tracking-by-detectio
  • IoU,GIoU,DIoU和CIoU目标检测loss

    万次阅读 多人点赞 2020-01-16 17:49:31
    GIoU:2019CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU:2020AAAIDistance-IoU Loss: Faster and Better Learning for Bound...
  • 转行穷三年?未必!

    万次阅读 多人点赞 2017-03-15 06:51:28
    转行就是这样的事情:你要先积攒一点财富,支持自己的旅程,还要准备好承受转型的阵痛和能效爬坡的艰难,最后,还要给自己个期限,逼着自己在一定时间内完成目标
  • 目标检测系列()——基础内容

    千次阅读 2019-04-03 20:17:37
    目标检测是给定个图像,找到其中的目标及其位置,并对目标进行分类,目标检测通常是在组固定的类上进行训练的,所有模型只能定位和分类已训练的那些类,而且目标的位置通常都是边界矩阵的形式(包含左上角位置和...
  • 图解AUTOSAR()——简介及目标

    万次阅读 多人点赞 2018-05-13 19:56:06
    从2003起,拟定了个符合汽车电子软件开发的、开放的以及标准化的软件架构。该架构旨在改善汽车电子系统软件的更新与交换,同时更方便有效地管理日趋复杂的汽车电子软件系统。AUTOSAR规范的运用使得不同结构的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 660,822
精华内容 264,328
关键字:

一到三年的目标