旭辉永升服务:旭日东升,高质量扩张之路

需积分: 0 0 下载量 176 浏览量 更新于2024-06-25 收藏 3.37MB PDF 举报
"旭辉永升服务01995.HK是一家港股上市的综合性物业管理服务商,隶属于旭辉集团,其业务遍布全国107个城市,服务超过120万户,2021年在中国物业服务百强企业中位列第11。公司采用‘平台+生态’的战略,以‘四轮驱动’的模式实现快速扩张,包括依赖旭辉集团但不完全依赖,加强第三方外拓,建立区域战略合作,以及通过并购增强多业态服务能力。在增值服务方面,社区增值服务增长迅速,尤其是美居业务,已成为利润增长点,并正向第三方市场推进。非业主增值服务也稳定发展,覆盖开发商全产业链。过去三年,公司营收和净利润复合增长率分别达到70.2%和97.1%,展现出强劲的业绩增长态势,毛利率从15年的16.1%提升至20年的31.4%。" 本报告详细分析了旭辉永升服务这家港股公司的核心竞争力和发展策略。作为旭辉集团旗下的物业管理公司,旭辉永升服务充分利用"平台+生态"的模式,实施"四轮驱动"的扩张战略,这包括与旭辉集团的紧密合作但不过度依赖,提升第三方市场的外拓能力,与区域开发商建立战略合作关系,以及通过并购来扩展服务范围和提升服务质量。这种多元化的扩张方式使得公司在物业管理行业中保持了较高的增长速度和业绩确定性。 增值服务领域,旭辉永升服务的社区增值服务发展迅猛,尤其美居业务表现突出,不仅提升了公司的利润,还标志着公司社区增值服务的成熟和专业化。同时,非业主增值服务也在稳定增长,体现了公司在整个房地产产业链中的全方位服务能力。 财务数据显示,旭辉永升服务在过去的几年里实现了惊人的增长速度,营收和净利润的复合增长率分别高达70.2%和97.1%,表明公司的盈利能力和经营效率都在不断提升。毛利率的稳步增长则进一步证实了公司通过优化物业管理组合和提高服务效率,成功提高了盈利能力。 旭辉永升服务凭借其独特的业务策略和强大的增长潜力,有望在未来继续保持高质量的发展,实现“五年十倍”的宏伟目标。对于投资者而言,这家公司展现了极高的投资价值和市场前景。
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