方寸之土

不谈恋爱的时间里，我想过两个问题，和喜欢的人一定要在一起吗？一定要等到自己是最好的自己时才适合谈恋爱吗？这部电影给了我一些答案。 我想起张佳玮在知乎上的一个回答：「非得准备周全了，非得把自己打造完美了，非得到一定时间了，才去恋爱——这是许多人谈恋爱的想法。殊不知感情这种事，不是你把自己揉搓好了，就有好回报的。」 「给人感觉似乎游刃有余的男人 ​ 大部分说白了就是瞧不起女方」 「据说要是一起吃过三次饭还没表白的话 ​ 就会沦为普通朋友」 「如果喜不喜欢一个人 ​ 是以分开时想念对方的时长来判定的话 ​ 那我肯定是喜欢她的」 这部电影中有很多这样的虚实转换，以及巧妙的构图技巧。 「开始亦是结束的开始 ​ 相遇总是伴随着别离 ​ 恋爱就像宴席终会散去 ​ 所以恋爱中的人们 ​ 只是带来各自喜欢的东西相对而坐 ​ 隔着桌子聊天 ​ 苦中作乐罢了」 「如果女生教男生认识了一朵花 ​ 以后不管过了多久 ​ 男生一看到那种花就会想起那个女生」 「不知怎么的 我不断感受到了时间的流逝」 「感觉好像已经没意义了 ​ 虽然最后还是分手了 ​ 但当时也有可能就跟他 ...

“先找出你的能力所在， 然后再决定你是谁。“ 我花了一周的时间读完了这本书，准确来说是5天，其中有两天我一直读到天亮。我想这是一个很好的方式，当被琐事压着的时候，通过阅读来抵抗，而阅读也会以正反馈的方式作用于我，于是夜里的胡思乱想得以遏制。我在试图培养起这个习惯。 我记录阅读的分类是解体与救赎，这个名字起源于法国作家萧沆的《解体概要》，我大学时读了两遍，但几乎还是未能理解。有段时间我很喜欢书上的一句话“我们的力量来自于遗忘和无能”。 片段式的记录不足以支撑这漫长而近乎残忍的故事叙述，但阅读一本书还是想留下点什么，以此纪念这些文字在与我初次见面时，如何触动我的心弦泛起阵阵涟漪。 2022-07-30P26当我拿到第一份证明我是个人的法律证明时，我感觉怪怪的，就好像权利被人剥夺了：在此之前，我从未意识到这还需要证明。 P28男人就愿意这么想，是他们拯救了陷入困境的傻女人。我只需要靠边站，任他扮演英雄就好了！ 我想起我的一个朋友，我和他经常会就女生的话题展开一些讨论，多半是他叙述，我评价；我提问，他回答。并非是评头论足之类的下流的对话，但我也很难称其为思考。以前我认为了解女人最好的方式是 ...

摘要YOLOv7在5FPS到160FPS范围内的速度和精度都超过了所有已知的目标检测算法，在GPU V100上具有30FPS的帧率，在所有已知的30FPS以上的实时目标检测器中，YOLOv7的准确率最高，达到56.8% AP。 Introduction 实时目标检测是计算机视觉领域中的一个重要课题，是计算机视觉系统中必不可少的组成部分。在多目标跟踪、自动驾驶、机器人、医学图像分析等领域都有体现。YOLOV7主要希望它能够同时支持移动GPU和从边缘到云端的GPU设备。 近年来，针对不同边缘设备的实时目标检测仍在不断发展。 MCUNet和NanoNet——专注于生产低功耗单片机和提高边缘CPU上的推理速度； YOLOX和YOLOR等——专注于提高各种GPU的 推理速度； 实时目标检测器——主要集中在高效体系结构的设计上； 可以在CPU上使用的实时目标检测器——MobileNet，ShuffleNet或GhostNet 针对GPU开发的实时目标检测器——ResNet、DarkNet或DLA(Deep Layer Aggregation,一种深度网络特征融合方法，CVPR2018) 本 ...

引言 作者的目的：就网络结构而言，CNN在计算机视觉上处于统治地位，Transformer在NLP上处于统治地位，作者想扩展Transformer在计算机视觉上比肩CNN，使其能够作为计算机视觉各种任务通用的骨干。 两个挑战： 规模(scale)：与word token在transformer中作为基本处理元素不同，视觉元素可以在规模上有很大的变化，这是一个在对象检测等任务中需要注意的问题。在现有的基于transformer的视觉模型中，token都是固定规模的，这一属性不适合这些视觉应用。 分辨率(resolution)：图像的像素分辨率比文字段落中的文字高得多，目前存在许多视觉任务，如语义分割，需要在像素级进行密集预测，而这在高分辨率图像上对于Transformer来说是难以实现的，因为其自注意的计算复杂度是图像大小的二次方。 为了克服这些问题，作者提出了一个通用的Transformer主干，称为Swin-Transformer，它构建分层特征映射，计算复杂度与图像大小成线性关系，如图1(a)所示，Swin Transformer构建了一个分层表示，从较小的补丁(用灰色表 ...

数据包络分析方法数据包络分析方法（Data Envelopment Analysis，DEA）是运筹学、管理科学与数理经济学交叉研究的一个新领域。它是根据多项投入指标和多项产出指标，利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。DEA 方法及其模型已广泛应用于不同行业及部门，并且在处理多指标投入和多指标产出方面，体现了其得天独厚的优势。 DEA 模型开发出一种技术，通过明确地考虑多种投入的运用和多种产出的产生，它能够用来比较提供相似服务的多个服务单位之间的效率，这项技术被称为数据包络线分析（DEA）。它避开了计算每项服务的标准成本，因为它可以把多种投入和多种产出转化为效率比率的分子和分母，而不需要转换成相同的货币单位。因此，用 DEA 衡量效率可以清晰地说明投入和产出的组合，从而，它比一套经营比率或利润指标更具有综合性并且更值得信赖。 DEA 是一个线形规划模型，表示为产出对投入的比率。通过对一个特定单位的效率和一组提供相同服务的类似单位的绩效的比较，它试图使服务单位的效率最大化。在这个过程中，获得 100% 效率的一些单位被称为相对有效率单位，而另 ...

概述本文中作者提出了基于注意力机制的特征增强架构(Feature enhancement architecture based on attention mechanism，FBAM)，在这个架构中，作者改进了两个模块： 顶层特征增强模块(Top-level feature enhancement，TLFE)通过融合通道注意力和空间注意力，为舰船识别提供丰富的语义信息和位置信息。 自适应ROI特征增强(Adap-tive ROIfeature enhancement，ROIFE)网络自适应组合多层次的ROI特征信息，增强舰船识别的细粒度级别特征，提高舰船识别的定位能力。 顶层特征增强模块是一个通道和空间信息双重注意力网络，最顶层的特征层{C5}经过通道注意力和空间注意力之后进行融合为一个新的特征层，以此保证顶层特征层的特征信息更完整的得到保留，将得到的新特征层与后续的特征层再进行融合。自适应ROI特征增强模块为每一个ROI汇集所有特征金字塔层的特征，从特征融合之后的特征金字塔{P2，P3，P4，P5}中的每一层学习生成更好的ROI特征，ROIFE为不同层的ROI特征生成不同的空间 ...

2016 E题题目粮食最低收购价政策问题研究 粮食，不仅是人们日常生活的必需食品，而且还是维护国家经济发展和政治稳定的战略物资，具有不可替代的特性。由于耕地减少、人口增加、水资源短缺、气候变化等问题日益凸显，加之国际粮食市场的冲击，我国粮食产业面临着潜在的风险。因此，研究我国的粮食保护政策具有十分重要的作用和意义。 一般而言，粮食保护政策体系主要由三大支持政策组成：粮食生产支持政策、粮食价格支持政策和收入支持政策。粮食最低收购价政策就属于粮食价格支持政策范畴。 一般情况下，我国粮食收购价格由市场供需情况决定，国家在充分发挥市场机制作用的基础上实行宏观调控。为保护农民利益、保障粮食市场供应，国家对重点粮食品种，在粮食主产区实行最低收购价格政策，并每年事先公布重点粮食品种的最低收购价。在最低收购价格政策执行期（粮食收获期，一般在2-5个月）内，当市场粮食实际收购价低于国家确定的最低收购价时，国家委托符合一定资质条件的粮食企业，按国家确定的最低收购价格收购农民种植的粮食，以保护粮农的种植积极性。 我国自2005年起开始对粮食主产区实行了最低收购价政策，并连续多年上调最低收购价价格。2016年 ...

距离五一数学建模竞赛还有15天。 灰色预测灰色预测是对既含有已知信息又含有不确定信息的系统进行预测，就是对在一定范围内变化的、与时间有关的灰色过程进行预测。灰色预测对原始数据进行生成处理来寻找系统变动的规律，并生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。 GM(1,1)模型：Grey(Gray)ModelGM(1,1)是使用原始的离散非负数据列，通过一次累加生成削弱随机性的较有规律的新的离散数据列，然后通过建立微分方程模型，得到在离散点处的解经过累减生成的原始数据的近似估计值，从而预测原始数据的后续发展。 GM(1,1)原理介绍 一阶微分方程 准指数规律的检验 GM(1,1)模型的评价与检验 灰色预测的应用场景 数据是以年份度量的非负数据（如果是月份或者季度数据一定要用我们上一讲学过的时间序列模型）； 数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5）； 数据的期数较短且和其他数据之间的关联性不强（小于等于10，也不能太短了，比如只有3期数据），要是数据期数较长，一般用传统的时间序列模型比较合适。 预 ...

val.py简介val.py文件主要是在每一轮的训练结束后，验证当面模型的mAP、混淆矩阵等指标。 mAP：英文全称为 Mean Average Precision，作为目标检测中的平均精度 AP：(平均精度)是衡量目标检测算法好坏的常用指标，在Faster R-CNN，SSD等算法中作为评估指标。 AP等于recall值取0-1时，precision值的平均值 混淆矩阵：也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。 实际上这个脚本最常用的应该是通过train.py调用run函数，而不是通过执行val.py的。所以在这个脚本中，最重要的就是run函数。 opt参数 ...

什么是Attention(注意力机制)在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。通俗点来说就是，我们在认知事物时，有着明显的主观色彩和测重，比如「我喜欢踢足球，但我更喜欢打篮球」，对于人类显然知道这个人更喜欢打篮球，但对于深度学习或计算机来说，它没办法领会到「更」的含义，因此没有办法知道这个结果。所以我们在训练模型的时候，会大家「更」字的权重，让它在句子中的重要性获得更大的占比。 综上，注意力机制主要有两个方面：决定需要关注输入的哪部分；分配有限的信息处理资源给重要的部分。 什么是Self-Attention在知道了attention在机器学习中的含义之后（下文都称之为注意力机制）。人为设计的注意力机制，是非常主观的，而且没有一个准则来评定，这个权重设置为多少才好。所以，如何让模型自己对变量的权重进行自赋值成了一个问题，这个权重自赋值的过程也就是self-attention。 Self-Attention原理$$Attention(Q,K,V)=softmax(\frac{QK^T}{\sqrt{d_k}})V$$ Sof ...