五笔打字速成:不背字根,100字/分钟

需积分: 13 2 下载量 148 浏览量 更新于2024-07-22 收藏 27.25MB PDF 举报
"不背字根五笔打字速成" 五笔打字速成是一种针对汉字输入法的学习方法,特别是针对王码五笔输入法。五笔输入法是基于汉字的字形结构进行编码,通过将汉字拆分成基本的字根来快速输入。这种输入法的效率高,适合大量汉字输入的场景,但对于初学者来说,记忆大量的字根往往是一项挑战。"不背字根五笔打字速成"的教程旨在解决这一问题,让学习者无需牢记所有字根就能掌握五笔输入。 本讲义分为多个部分,首先从电脑基础知识入手,讲解计算机的基本概念和分类,帮助初学者建立对计算机硬件和软件的理解。然后,逐步介绍五笔打字的基础知识,包括五笔字根的原理、五笔字型的构成规则,以及如何将汉字拆分成相应的字根。这部分内容对于理解和记忆五笔输入法至关重要。 键盘指法的训练是提高打字速度的关键。教程中会指导学习者正确摆放手指,熟悉每个键位,通过练习使手指形成肌肉记忆,从而提升打字效率。汉字的拆分与输入是五笔输入法的核心,通过实例解析,学习者能掌握如何快速准确地拆分汉字并输入对应的五笔编码。 词组和简码的输入是五笔输入法中的另一大亮点,它大大减少了输入常用词组的时间。教程会详细解释词组的编码规则和简码的使用,使得输入更加流畅。此外,五笔辅助软件的使用也能帮助提高输入效率,例如,提供即时的字根查询和编码提示功能。 "主要内容+本章导读+知识讲解+融会贯通"的结构设计使学习更加系统和高效。每章后面的练习题不仅巩固了所学知识,而且提供了实际操作的机会,帮助学习者将理论转化为实践。这样的教学方式适合不同年龄段和水平的电脑用户,无论是办公室工作人员还是学生,都能通过此教程快速提升五笔打字的速度。 本手册还包含了一些实用工具,如五笔字根贴,可以贴在键盘上方便随时查看;正版的《金山打字》软件,提供游戏化的练习环境,让学习变得趣味盎然;五笔字根练习卡便于随身携带,随时复习;五笔编码查询软件则能快速查找汉字的五笔编码,加速学习过程。 "不背字根五笔打字速成"是一套全面而实用的教程,通过科学的教学方法和丰富的练习资源,帮助初学者快速掌握五笔输入法,实现高效打字。
2024-09-06 上传
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