金字塔

1.清晰的表达思路一定是金字塔状 中心论点 上下对应 论据 - 次级论点 分类清晰 论据 - 次级论点 排序有逻辑 2.自下而上的想，自上而下的说 自下而上的想：先列出最底层的项目，再归类分组，向上总结概括，最后自下而上建立金字塔 自上而下的说：先说中心论点或大类，然后说次一级的支撑论点或项目 3.汇报工作先说结论 结论先行：向上汇报，要刻意结论先行，商界有一个著名的30秒电梯法则，也出自麦肯锡 言之有物： 公司存在俩个组织性问题（×） 公司的主要组织性问题是，没有充分授权（√） 4.学会用SCQA法讲故事 S：Situation （背景）开始讲出与主题相关的故事，背景应该是听众熟悉的且会认可的内容，将有利于听众全盘接受你的后面的意见 C：Complication（冲突）引发听众的疑问 Q：Question （疑问）听众提出疑问 A：Answer（回答）回答听众的疑问 5.按结构顺序组织思路 MECE原则： ME：mutually exclusive “没有重叠、排他性” CE：collectively exhaustive “没有遗漏” 用MECE原则来检验结 只有当组成整体的各个部分之间，是相互独立、完全穷尽的，这样的结构划分才是合理的。 来源： https://www.cnblogs.com/9351ls/p/11844843.html

ylbtech-建筑-金字塔：古埃及金字塔 金字塔在埃及和美洲等地均有分布， 古埃及 的 上埃及 、中埃及和 下埃及 ，今 苏丹 和 埃及 境内 。现在的 尼罗河 下游，散布着约80座金字塔遗迹。 大小不一，其中最高大的是 胡夫金字塔 ， 高146.5米，底长230米 ，共用 230万块 平均每块 2.5吨 的石块砌成， 占地52000平方公尺 。石块之间 没有任何黏着物 ，靠石块的 相互叠压和咬合垒成 。国王哈佛拉的金字塔前，还矗立着一 座象征国王权力与尊严的 狮身人面像 。埃及金字塔是古埃及的帝王（ 法老 ）陵墓。 世界七大奇迹 之一。数量众多，分布广泛。 开罗 西南尼罗河西古城 孟菲斯 一带的金字塔是占有集中的一部分。 埃及共发现金字塔96座，最大的是开罗郊区胡夫的三座金字塔。 约从公元前3500年开始，尼罗河两岸陆续出现几十个奴隶制小国。约公元前3100年，初步统一的古代埃及国家建立起来。古埃及国王也称法老，是古埃及最大的奴隶主，拥有至高无上的权力。他们被看做是神的化身。他们为自己修建了巨大的陵墓金字塔，金字塔就成了法老权力的象征。因为这些巨大的陵墓外形形似汉字的“金”字，因此我们将其称之为“金字塔”。在哈夫拉金字塔前，还有一尊狮身人面像守卫着法老们的陵墓。 现在的尼罗河下游，散布着约80座金字塔遗迹。 1. 返回顶部 2. 返回顶部 3. 返回顶部 4. 返回顶部 5.

金字塔LK光流法的三个假设 亮度恒定，即图像场景中目标的像素在帧间运动时外观上保持不变； 时间连续或者运动是”小运动“，即图像的运动随时间的变化比较缓慢； 空间一致，即一个场景中同一表面上邻近的点具有相似的运动。 光流法的原理 它是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。 当人的眼睛观察运动物体时， 物体的景象在人眼的视网膜上形成一系列连续变化的图像， 这一系列连续变化的信息不断“流过”视网膜（即图像平面），好像一种光的“流”，故称之为光流（optical flow）。光流表达了图像的变化，由于它包含了目标运动的信息，因此可被观察者用来确定目标的运动情况。 从图片序列中近似得到不能直接得到的运动场 。运动场，其实就是物体在三维真实世界中的运动；光流场，是运动场在二维图像平面上（人的眼睛或者摄像头）的投影。 每张图像中每个像素的运动速度和运动方向 找出来就是光流场。第t帧的时候A点的位置是(x 1 , y 1 )，那么我们在第t+1帧的时候再找到A点，假如它的位置是(x 2 ,y 2 )，那么我们就可以确定A点的运动了：(u x , v y ) = (x 2 , y 2 ) - (x 1 ,y 1 )。 流程图

金字塔LK光流法的三个假设 亮度恒定，即图像场景中目标的像素在帧间运动时外观上保持不变； 时间连续或者运动是”小运动“，即图像的运动随时间的变化比较缓慢； 空间一致，即一个场景中同一表面上邻近的点具有相似的运动。 光流法的原理 它是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。 当人的眼睛观察运动物体时， 物体的景象在人眼的视网膜上形成一系列连续变化的图像， 这一系列连续变化的信息不断“流过”视网膜（即图像平面），好像一种光的“流”，故称之为光流（optical flow）。光流表达了图像的变化，由于它包含了目标运动的信息，因此可被观察者用来确定目标的运动情况。 从图片序列中近似得到不能直接得到的运动场 。运动场，其实就是物体在三维真实世界中的运动；光流场，是运动场在二维图像平面上（人的眼睛或者摄像头）的投影。 每张图像中每个像素的运动速度和运动方向 找出来就是光流场。第t帧的时候A点的位置是(x 1 , y 1 )，那么我们在第t+1帧的时候再找到A点，假如它的位置是(x 2 ,y 2 )，那么我们就可以确定A点的运动了：(u x , v y ) = (x 2 , y 2 ) - (x 1 ,y 1 )。 流程图

欢迎关注我的头条号和微信公众号，看一个复旦人的日常思考 头条号：王孟晗的思维集散地 微信公众号：王孟晗Hans的思维集散地 老王某天和老婆发生了如下常规对话： 老婆：亲爱的，某宝上这件衣服漂不漂亮呀？ 老王（没有意识到这可能是一道送命题）：这模特穿着倒是挺好看的，你穿就不一定了，都是店家P的图。 老婆：你意思是我穿就不如模特好看？ 老王：。。。 （随后，老王跪了两小时搓衣板，全剧终） 预知老王学完金字塔原理后如何get并应用一级求生技能，请仔细阅读本系列文章，本文将介绍金字塔原理的逻辑部分，如何在具体场景中构建自己的逻辑金字塔将在下一篇进行讲解。 本文结构 在生活和工作中最经常发生的就是沟通。同级之间为了合作完成任务需要沟通，上级向下级指导工作需要沟通，家人之间商量一间事情需要沟通。沟通可以是简短的对话，也可以是落实到纸面上的文档、邮件、幻灯片。然而在各种形式的沟通中，最常出现也是沟通者之间最不愿意发生的是对方不能获取重点的内容甚至片面的关注其中一部分内容，从而需要重复的进行强调、解释，以至于阻碍任务的最终实现。 那么如何让沟通者之间快速的了解到对方表达的重点信息？如何让别人感觉自己的表达非常有条理？金字塔原理就是在解决这样的一类问题。 （这种文风，自己写着扒层皮啊，不多说，上图！） 那什么是 金字塔原理呢？简单而言，就是将自己所要表达的中心思想放在最顶端的位置先进行表达

2019独角兽企业重金招聘Python工程师标准>>> 1 沟通前的3件事：谁是我的听众？他们想听什么？他们想怎样听？ 2 结论先行，以上统下，归类分组，逻辑递进。 3 挖掘对方的 关注点、兴趣点、需求点、利益点 4 回答听众的4类疑问。是什么？为什么？如何做？好不好？ 5 金字塔原理 the pyramid priciple 第一篇 表达的逻辑 第一章 为什么要用机子他结构 1 文章中任意层次上的思想必须对其下一层次思想的总结概括 2 每组中的思想必须属于同一逻辑范畴 1 演绎顺序：大前提、小前提、结论 2 时间顺序：第一、第二、第三 3 结构顺序：波士顿、纽约、华盛顿 4 程度顺序：最重要、次重要、等等 第二章 金字塔内部的结构 第三章 如何构建金字塔 转载于:https://my.oschina.net/u/204616/blog/545071 文章来源: https://blog.csdn.net/weixin_34293059/article/details/91989438

1、作者将不改变feature map大小的层归为一个stage 2、图像的混叠现象：“所谓混叠，即高于采样频率一半的高频信号被映射到信号的低频部分，与原有低频信号叠加，对信号的完整性和准确性产生影响” 采样频率必须大于原始信号最高频率的两倍，才能完整地还原原始信号，这就是著名的尼奎斯特定律。 有两种方法可以消除混叠现象： 一是直接提高采样频率，以获得更高的尼奎斯特频率，但是采样频率不能无限提高； 二是在采样频率固定的情况下，可通过低通滤波器消除大于尼奎斯特频率的高频信号，从而消除混叠现象。 学习自： https://www.cnblogs.com/doctorbill/articles/3820088.html 3、亚采样：亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征 4、aps,apm,apl：分别表示对小目标，中目标，大目标的平均准确度。 5、FPN算法的“新路历程”： 转载自：（原文：https://blog.csdn.net/WZZ18191171661/article/details/79494534） 识别不同大小的物体是计算机视觉中的一个基本挑战，我们常用的解决方案是构造多尺度金字塔。 如上图a所示，这是一个特征图像金字塔，整个过程是先对原始图像构造图像金字塔，然后在图像金字塔的每一层提出不同的特征，然后进行相应的预测（BB的位置）

Title：FPN: Feature Pyramid Networks for Object Detection Note data：2019/05/18 Abstract：利用特征金字塔对不同层次的特征进行尺度变化后，再进行信息融合，从而可以提取到比较低层的信息，也就是相对顶层特征来说更加详细的信息。在R-CNN的基础上FPN达到了最优的结果，在COCO2016中一举夺魁，并且值得注意的是在一张GPU上可以达到6FPS！ Code: pytorch FPN论文解读 1 Abstract 论文提出一种基于R-CNN的Object Detectino模型FPN 网络结构：在R-CNN基础上引入特征金字塔 创新：以特征金字塔将不同层次的语义信息进行融合，提取到比较低层次信息。 动机：使得目标检测中小物体的信息也能够比较完整地反映 在目标检测中特征金字塔作为多尺度目标检测的一部分，但由于这种方法太浪费算力和显存，很多研究人员避开这种方法。这篇论文中利用卷积神经网络固有的多尺度・多层级的金字塔结构去构建特征金字塔，使用一种自上而下的侧边连接。一边是图金字塔一边是特征金字塔，在所有尺度构建了高级语义特征图，这种结构就就叫做FPN。 2 Introduction 多尺度目标检测是计算机视觉一个基础且重要的课题，基于图像金字塔的特征金字塔是较为传统的思路，具有一定意义上的尺度不变性

目标 在这一章当中， 我们将学习Image Pyramids 我们将使用图像金字塔创建一个新的水果：橘子苹果 我们将看到这些函数： ， 理论 通常情况下，我们使用一个大小不变的图像。 但在某些情况下，我们需要使用同一张图像不同分辨率的子图像。 例如，在搜索图像中的某些内容时（例如脸部），我们不确定该图像中物体的大小。 在这种情况下，我们需要创建一组具有不同分辨率的图像，并在其中搜索对象。 这些具有不同分辨率的图像集被称为 图像金字塔 （因为我们把最大的图像放在底部，而最小的图像放在顶部，它看起来像金字塔，因而得名图像金字塔）。 有两种图像金字塔。 1） 高斯金字塔 和2） 拉普拉斯金字塔 补充： 对图像的向下取样 为了获取层级为 G_i+1 的金字塔图像，我们采用如下方法: 补充完毕： 高斯金字塔的顶部是通过将底部图像中的连续的行和列去除得到的。顶部图像中的每个像素值等于下一层图像中 5 个像素的高斯加权平均值。这样操作一次一个 MxN 的图像就变成了一个 M/2xN/2 的图像。所以这幅图像的面积就变为原来图像面积的四分之一。这被称为 Octave。连续进行这样的操作我们就会得到一个分辨率不断下降的图像金字塔。我们可以使用函数cv2.pyrDown() 和 cv2.pyrUp() 构建图像金字塔。函数 cv2.pyrDown() 从一个高分辨率大尺寸的图像向上构建一个金子塔

使用Python输出一个数字金字塔 运行结果： ''' Python输出数字金字塔 ''' for x in range(1,10): print(' '*(15-x),end='') n=x while n>=1: print(n,sep='',end='') n-=1 n+=2 while n<=x: print(n,sep='',end='') n+=1 print() 来源：博客园 作者： 孤云jh 链接：https://www.cnblogs.com/yijiahao/p/11740372.html