- 综合排序
- 最热优先
- 最新优先
- 来自专栏CRM日记本
Radian6：社会化媒体的ROI
知名的社会化媒体监测公司Radian6发表了关于《社会化媒体的ROI（投资回报率）》的白皮书，对社会化媒体投资回报率的疑点、真实情况和如何监测ROI进行了解读。 通过社会化媒体的监测系统了解消费者和潜在顾客正在说哪些与你的公司相关的事情； 2.收集竞争情报； 3.与消费者和潜在顾客在线互动； 4.通过分享相关内容建立意见领袖地位； 5.在社会化渠道中将信息最大化的传播出去； 6. 2.追踪用户cookie； 3.消费者和潜在消费者的数据； （二）对公关专业人士来说： 1.社会化媒体的衡量指标大致有： 2.在线参与人数； 3.网站注册数； 4.平均停留时间； 5.在线销售量； 6. 四.ROI的成本计算： ROI不是指标，但是你需要指标来衡量计划的商业价值。 ROI的计算公式如下： ROI=（收益-成本）/成本*100 关于成本，主要考虑三个方面：人力成本、营销运营成本、技术成本（包含软件和实现） 这里有一个如何计算社会化媒体ROI的 例子。
97940发布于 2019-04-16 - 来自专栏快学Python
OpenCV基础 | 6.ROI与泛洪填充
作者：小郭学数据 源自：快学python 学习视频可参见python+opencv3.3视频教学 基础入门[1] ROI与泛洪填充 1.ROI ROI（region of interest），感兴趣区域 对lena图进行脸部的获取，代码如下 def roi_test(src): #第一个参数，高度范围，第二个参数宽度范围 face = src[200:410, 200:400]
50410发布于 2021-08-09 - 来自专栏千行百业数据集中心
roi区域识别 指定区域检测 区域入侵检测及停留时长统计
区域入侵检测项目概述主要展示了一个利用计算机视觉分析等待时间以及监测物体或人员在视频帧预定义区域停留时长的实践演示，适用于零售分析或交通管理等领域。 enter完成当前多边形绘制、escape取消当前多边形绘制、q退出绘图窗口、s保存区域配置视频与流处理脚本inference_file_example：使用Roboflow推理模型对视频文件进行目标检测 source_video_path：源视频文件路径--model_id：Roboflow模型ID--classes：要跟踪的类别ID列表（为空则跟踪所有类别）--confidence_threshold：检测的置信水平 类似，多了--rtsp_url（视频流的完整RTSPURL）ultralytics_file_example：使用UltralyticsYOLOv8模型对视频文件进行目标检测-部分参数与inference_file_example 模型权重文件路径，默认’yolov8s.pt’）、--device（计算设备，默认’cpu’）ultralytics_stream_example：使用UltralyticsYOLOv8模型在视频流上运行目标检测
1500编辑于 2026-06-06 - 来自专栏小鹏的专栏
OpenCV之图像ROI与ROI操作
cy = h//2 cx = w//2 roi = src[cy-100:cy+100,cx-100:cx+100,:] cv.imshow("roi", roi) # copy ROI image = np.copy(roi) # modify ROI roi[:, :, 0] = 0 cv.imshow("result", src) # modify copy roi image[:, : , 2] = 0 cv.imshow("result", src) cv.imshow("copy roi", image) # example with ROI - generate mask src2 ("roi", roi); Mat image = roi.clone(); // modify ROI roi.setTo(Scalar(255, 0, 0)); imshow("result roi", image); // example with ROI - generate mask Mat src2 = imread(".
78920发布于 2021-07-19 - 来自专栏半杯茶的小酒杯
目标检测(Object Detection)-Faster RCNN中的ROI Pooling Layer
什么是ROI Pooling ROI(Region Of Interest)是从目标图像中识别出的候选识别区域。 Faster RCNN架构 ROI Pooling算法 ROI Pooling不同于CNN 网络中的池化层，它通过分块池化的方法得到固定尺寸的输出。 假设ROI Pooling层的输出大小为 ，输入候选区域的大小为 ，ROI Pooling的过程如下: 1) 把输入候选区域划分为 大小的子网格窗口，每个窗口的大小为 2) 对每个子网格窗口取最大元素作为输出 2x2 ROI Pooling Layer 如上图所示，假设Feature Map大小为4x4，候选ROI区域大小为3x3，通过2x2的ROI Pooling Layer得到2x2的归一化输出。 Faster RCNN中的ROI Pooling ROI Pooling的输入: 1) 通过神经网络获取的固定大小的Feature Map； 2) RPN网络产生的一系列RoIs，RoIs是nx5的矩阵
2.2K31编辑于 2022-04-28 - 来自专栏TGLTommyAI前沿技术论文
笔记分享 : 一文读懂3个概念 : RoI, RoI pooling, RoI Align
哈喽，大家好，今天我们一起学习一下三个重要的概念：RoI，RoI pooling 和 RoI Align 相信学习CV（Computer Vision）的同学对此并不陌生，完全理解这三个概念有助于我们掌握深度学习目标检测与识别算法 由于成百上千的RoI有不同的尺寸，因而需要将它们pooling到相同的尺寸，例如：3x3x512。 我们刚刚计算了量化后的RoI，尺寸=4x6x512，512是通道数量。 观察一下图中最左上角的box，它包含6个cell，如图-16所示： ? 下一步，我们需要从box中提取值，输入到pooling层。在这之前，需要进行数据采样。 我们先看一下图-18，左上角起点的坐标是：(9.25, 6)，即：x=9.25, y=6，每一个网格的width=2.08，height=1.51 ? / 3) ~= 9.94 Y2 : 6 + ( 1.51 / 3) * 2 ~= 7.01 第三个点的坐标计算： X3 : 9.25 + (2.08 /3) * 2 ~= 10.64 Y3 : 6 +
21.9K1111发布于 2021-05-28 - 来自专栏深度学习和计算机视觉
RoI Pooling 与 RoI Align 有什么区别？
基本概念 RoI RoI(Region of Interest)是通过不同区域选择方法，从原始图像(original image)得到的候选区域(proposal region)。 需要注意的一点是RoI并不等价于bounding box, 它们可能看起来像，但是RoI只是为了进一步处理而产生的候选区域。 bounding box boundding box 指的是检测目标的边界矩形框。 量化 量化(quatization)是指将输入从连续值（或大量可能的离散取值）采样为有限多个离散值的过程。 RoI Pooling = crop feature + resize feature 通过上图的容易得到，RoI Pooling的作用本质上是为了将不同尺寸的RoI特征转换为相同的特征图输出，保证特征图展开 下图中绿色框为RoI对应的实际区域（由于经过特征尺度变换，导致RoI的坐标会可能会落到特征图的单元之间）， 蓝色框代表量化(网格对齐)后的RoI所对应的特征图。
1.4K10编辑于 2022-02-14 - 来自专栏互联网数据官iCDO
ROI已死？
似乎只有这几个了，另外一些猛投效果类广告的行业，其实根本不可能仅仅通过购买流量实现利润为正（请注意是利润为正，不是ROI大于1，ROI大于1比比皆是，但是ROI很多时候大于2甚至3也未必有正向利润），他们投效果的目的是为了更长时间维度的盈利 流量变现的ROI永远不可能升高。流量在不断涨价，cpi却基本上很稳定。所以，ROI怎么升高呢。 4 ROI不能反映归因状况 低ROI的渠道并不一定就差，高ROI的渠道也不见得就牛逼。 这样ROI的价值必然会下降。 ROI，但ROI早已不是营销的标的。
97920发布于 2019-10-06 - 来自专栏计算机视觉理论及其实现
RoI Pooling与RoIWrap Pooling与RoIAlign Pooling与Precise RoI Pooling
操作带来的检测精度影响越来越小。 RoI Pooling这种Pooling方法我是在Faster RCNN中看到的，该种Pooling方法采用的运算方法比较直接。下面是其计算的流程图：? 可以看出这里去掉了第二次的量化操作，进而减小了误差，也提升了检测的精度。4. 从而提升了检测的精确度。? 那么它具体是怎么搞的呢？还是用之前的例子来看看吧。 这就使得其检测精确度进一步提升。具体的差别有多大呢？可以看一下Mask RCNN中给出的实验数据。?5. Precise RoI Pooling?
1.3K20编辑于 2022-09-02 - 来自专栏疯狂学习GIS
ENVI感兴趣区ROI文件由XML格式转为ROI格式
本文介绍在ENVI软件中，将用户自行绘制的.xml格式的感兴趣区（ROI）文件转换为.roi格式的方法。 绘制完毕后，我们需要通过右击ROI列表，选择“Save As”保存我们刚刚绘制好的ROI文件。 可是这样保存后，软件强制设定默认的文件格式为.xml格式，而非.roi格式；如下图所示。 当然，对于新版本的ENVI软件，其虽然默认保存.xml格式的ROI文件，但也完全支持对老版本.roi格式ROI文件的读取；但有时由于一些原因，我们可能必须要将绘制好的ROI文件保存成.roi格式。 在我们的ROI文件列表中，任意选择一个ROI类型并双击，打开Region of Interest (ROI) Tool窗口。 选择我们要保存的ROI文件类别，并配置后文件名与路径。 即可看到，我们已经成功获得了.roi格式的ROI文件，即完成了由.xml格式向.roi格式的转换。 至此，大功告成。
1.6K10编辑于 2022-08-10 - 来自专栏AIUAI
Caffe源码 - RoI Pooling 层
bottom: "rois" top: "pool5" roi_pooling_param { pooled_w: 6 pooled_h: 6 spatial_scale 对于确定的一个区域，进行 pooled_h * pooled_w (这里是 6*6) 等分，划分为 36 个相同大小的子区域, 区域大小为 bin_h = roi_h / pooled_h, bin_w pooled_h, pooled_w)，其中，pooled_h 和 pooled_w 是固定定义的，其值这里为 6. _); // bottom-fight y2 CHECK_GE(roi_batch_ind, 0); CHECK_LT(roi_batch_ind, batch_size); int roi_height = max(roi_end_h - roi_start_h + 1, 1); int roi_width = max(roi_end_w - roi_start_w + 1, 1); // RoI
1.1K50发布于 2019-02-18 - 来自专栏AI深度学习求索
ROI操作：ROIPooling和ROIAlign
目标：为了使得检测网络可以输入任意size的图片，使用ROIPooling在网络中某一个阶段将不同尺度的图片ROI pooling成相同的尺度，使得fc的存在也无法写死输入图片的size。
4.6K20发布于 2018-12-11 - 来自专栏菩提树下的杨过
pygame 笔记-6 碰撞检测
这一节学习碰撞检测，先看原理图： ? 2个矩形如果发生碰撞(即：图形有重叠区域)，按上图的判断条件就能检测出来，如果是圆形，则稍微变通一下，用半径检测。 如果是其它不规则图形，大多数游戏中，并不要求精确检测，可以在外层套一个矩形，大致用上图的原理检测。 img_base_path + 'actor/R5.png'), pygame.image.load(img_base_path + 'actor/R6. img_base_path + 'actor/L5.png'), pygame.image.load(img_base_path + 'actor/L6. 6) pygame.draw.rect(win, (255, 0, 0), self.hit_box, 2) 这样处理后，运动起来的样子如下： ?
1.5K40发布于 2018-12-28 - 来自专栏用户7627119的专栏
RNA m6A检测方法
前面给大家简单介绍过m6A甲基化的概念，也给大家介绍了 ☞m6A甲基化数据分析流程 ☞corrplot展示m6a甲基化基因表达相关性 ☞m6a甲基化相关基因boxplot并显示p值 ☞m6a甲基化相关基因根据临床信息分组绘制 boxplot并显示p值 m6A检测方法 最近几年来m6A研究迅速发展，正是得益于meRIP-seq技术的开发及应用。 meRIP-seq高通量测序技术的出现，能够高效精确检测全转录组不同的RNA 甲基化，是成功发现RNA 甲基化机理及功能的关键技术。 然后将免疫共沉淀(IP)样本和对照样本中的序列片段对比(或定位)到参考基因组/ 转录组上，检测RNA 甲基化位点。对照样本测量对应RNA 的表达量，本质上是RNA-seq 数据。 MeRIP-seq 技术检测m6A 技术流程 当然做完IP我们也可以直接做qPCR，称为MeRIP-qPCR，大体流程如下 第一步，先对RNA进行特异性富集和打断。
85710编辑于 2022-09-21 - 来自专栏贾志刚-OpenCV学堂
YOLOv6 人脸Landmark检测
微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 YOLOv6人脸检测模型 YOLOv6上次（应该是很久以前）发布了一个0.3.1版本，支持人脸检测与五点landmark调用，后来我就下载 个值五点XY坐标 输出解析顺序 官方代码与参考文档给出的解析顺序，xyxy, conf, cls, lmdks，这部分还有官方的参考文件： https://github.com/meituan/YOLOv6/ blob/yolov6-face/yolov6/core/inferer.py 第110行就是这样说明的，于是我按上述格式一通解析，结果让我崩溃了，输入图像与解析结果如下： 这个时候我才明白为什么这个发布了这么久 ，网上居然一篇文章关于YOLOv6人脸检测的文章都没有，网上的文章很多都是YOLOv5跟YOLOv7的人脸+Landmark检测，原因一切都是有原因的。 整个推理的流程跟YOLOv5、YOLOv6对象检测一样，就是后处理不同，所以附上后处理部分的代码： def wrap_detection(self, input_image, out_data):
48330编辑于 2023-08-22 - 来自专栏服务端技术杂谈
ROI解决什么问题？
在工作中，大家经常讨论ROI。 但，有时你会发现，ROI已经被滥用了。 有时，ROI变成了一种僵化的流程。用ROI当作挡箭牌，让不作为藏在背后，给自己的主动性差、执行力差找到了借口。 我们可以想象下，工作中什么时候大家习惯提到ROI。 其实ROI一般是用于实现某个目标的过程上。 比如目标确定了，我们要完成目标，这时才通过ROI考虑哪种实现方式最合适。 在多种方式中，我们会考虑结合自身能力、资源以达成目标成本最低的那个，那这个过程就是考虑ROI合适的那个方式。 但有些人，误将ROI当作是否树立目标的参考方式。 比如，因为ROI低，所以这个目标不成立，或者考虑不去完成这个目标。 这种就大错特错了。 因为目标是一定要完成的，ROI才是你选择最合适实现目标的那种方式的评估标准。 尽管我们知道了ROI存在于how的部分，那过度聊ROI其实也是一种偷懒的行为。 这往往是由我们对于一件事情所树立的世界观决定的。
78510编辑于 2023-03-22 - 来自专栏MyBlog
6D目标检测简述
6D目标检测简述 本文参考了ITAIC的文章 A Review of 6D Object Pose Estimation 介绍 6D目标检测，和传统的目标检测类似，都是从图像（包括点云）中去识别物体的位置 传统的2D目标检测，像是SSD、YOLO等，识别的结果是一个边界框（bounding box） 而3D目标检测的结果则是一个3D的边界框。 6D目标检测的输出结果包括两个部分： 物体的空间坐标：x, y, z 物体的三个旋转角: pitch, yaw, roll 传统的6D目标检测可以被分类成以下几种： 基于模版匹配 基于点 基于描述子 基于特征 SSD-6D 该方法是将原来目标检测的SSD范式拓展到了6D目标检测领域，使用InceptionV4，估计2D的边界框，并且对所有的视角和旋转进行打分。 （c）然后基于这些推断结果再进行训练，优化6D姿态检测的结果 DSC-PoseNet image.png 主要分成两个步骤： 1.
1.1K30编辑于 2023-04-28 - 来自专栏智能时刻
Envoy架构概览(6):异常检测
异常值检测和弹出是动态确定上游群集中的某些主机是否正在执行不同于其他主机的过程，并将其从正常负载平衡集中移除。 性能可能沿着不同的轴线，例如连续的故障，时间成功率，时间延迟等。 异常检测是被动健康检查的一种形式。 特使还支持主动健康检查。 被动和主动健康检查可以一起使用或独立使用，形成整体上游健康检查解决方案的基础。 弹射算法 取决于异常值检测的类型，弹出或者以行内（例如在连续5xx的情况下）或以指定的间隔（例如在定期成功率的情况下）运行。 弹射算法的工作原理如下： 主机被确定为异常。 一般而言，异常值检测与主动健康检查一起使用，用于全面的健康检查解决方案。 检测类型 Envoy支持以下异常检测类型： 连续5xx 如果上游主机返回一些连续的5xx，它将被弹出。 然后以给定的时间间隔基于统计异常值检测来弹出主机。
1.3K60发布于 2018-04-09 - 来自专栏我的知识小屋
八、ROI泛洪填充
一、学习目标 了解什么是ROI 了解floodFill的使用方法 如有错误欢迎指出~ 二、了解OpenCV中图像ROI的颜色填充 2.1 了解ROI是什么 ROI指的是region of Interest 以上代码读取图片后，通过选取图片区域进行ROI选择。 我们得到ROI内容后，可以对该部分的内容进行编辑，例如转为灰度图像： gray_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) cv2.imshow("gray_roi =img[200:400,280:450] cv2.imshow("roi", roi)#显示图像 gray_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) cv2 .imshow("gray_roi", gray_roi)#显示图像 gray_roi_rgb = cv2.cvtColor(gray_roi, cv2.COLOR_GRAY2BGR)#灰度图像转RGB
1.1K10发布于 2021-01-14 - 来自专栏3D视觉从入门到精通
遮挡重叠场景下|基于卷积神经网络与RoI方式的机器人抓取检测
物体检测器基于Faster-RCNN，它使用RoI来回归物体位置并进行分类。我们在RoI合并后级联包括几个卷积层和抓取检测器的抓取检测管道。 对RoI进行抓取检测需要两个步骤：首先，使用RoI获得一批具有相同W×H（例如7×7）大小的RoI特征，并且所有RoI都被划分为W×H网格单元。 其次，使用抓取检测网络来检测对RoI中潜在的抓取。 所有潜在的抓取都能在RoI上检测到。 抓握检测网络经过训练，不仅可以输出抓取矩形，还可以确定抓取是否属于RoI。在抓取检测网络中，在RoI池和抓取检测器之间添加了三个残差块，以扩大特征图的感受野。 从表I中我们可以看出，我们提出的基于RoI的抓取检测（RoI-GD）大大提高了检测性能。 从表I和图6，我们可以得出结论，锚尺寸是网络训练的重要超参数。适当的锚尺寸将为回归提供更好的先验，从而减少训练的难度。此外，k的值也会影响最终的结果。
2.9K10发布于 2020-12-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号