- 综合排序
- 最热优先
- 最新优先
技术架构的核心目标
技术架构的核心问题与目标 技术架构的核心在于解决系统在物理层面的稳定性、性能和扩展性问题，确保业务功能在复杂环境下可靠运行。 核心组件：数据库、缓存、消息队列等中间件。 支撑系统：日志、配置、监控等运维工具，保障系统隐形运行。 技术架构的核心目标 高可用性 衡量标准：以“几个9”表示（如99.9%即全年宕机≤8.76小时）。 实现手段： 故障转移：主备切换、无状态设计。 流量控制：限流、熔断、降级（如大促时关闭非核心功能）。 高性能 目标：响应时间符合业务场景需求（如页面3秒内加载）。 优化方向： 常规流量：缓存（Redis）、异步处理（消息队列）。 总结 技术架构需在硬件限制、软件复杂性与业务需求间找到平衡，通过合理选型（如MySQL vs MongoDB）和设计模式（如微服务 vs 单体），实现高可用、高性能、低成本的核心目标。
19710编辑于 2025-12-18- 来自专栏DevOps时代的专栏
DevOps 的前世今生：DevOps 的目标和核心
一文中，通过 Dev 和 Ops 的历史发展总结出了 Dev 和 Ops 矛盾的历史渊源，以及 Dev 和 Ops 的核心矛盾： Dev 和 Ops 的矛盾主要是面向适应性的敏捷软件交付和面向经验性的传统运维之间的矛盾 和 Paul Hammond 在 “10+ Deploys Per Day: Dev and Ops Cooperation at Flickr” 提出，并以“Cooperation”作为整个演讲的核心 二、重新定义Ops的工作目标 在一个组织中，如果相关利益者的利益不一致，在既定流程的进行中一定会碰到诸多阻力。 Flicker 并没有屈服于压力，他们选择让问题向目标妥协，而不是目标向问题妥协。 而要实现这一目标，要通过一些手段。
1.8K91发布于 2018-04-08 - 来自专栏肉眼品世界
数字化转型的目标、方向和核心因素
我们将此策略概括为数字化转型的1-3-6-9： 1个目标，明确数字化转型为什么？ 3大领域，了解数字化转型是什么？ 6个核心要素，怎么布局数字化转型？ 9大价值链环节，数字化转型围绕哪些环节进行 一 一个目标 捕获增长，提升价值 数字化转型的长期目标是捕获增长，提升价值，所有数字化技术的应用和落实也应围绕这个目标展开。 工业物联网架构是支撑数字化业务用例试点和推广的“骨骼”，数据架构是确保“数据-信息-洞见-行动”能够付诸实现的“血液”，而整体架构的构建需要始终以数字化转型的终极目标为导向。 成功的组织转型是一场自上而下推动的变革，需要企业高层明确目标，构建绩效基础架构，成为指导转型行动方向的“大脑”；形成转型举措和财务指标的映射，成为反映转型业务影响的“眼睛”；树立全组织一致的变革管理理念和行为 四 总结 在了解了企业数字化转型的1个目标和3大转型领域后，我们将在下一篇文章中继续为您介绍数字化转型的6个核心要素，敬请期待。
47020发布于 2021-07-13 - 来自专栏我爱计算机视觉
深度学习人脸识别核心技术—框架和优化目标
注：本文选自人脸图像资深工程师言有三出版的新书《深度学习之人脸图像处理：核心算法与案例实战》（机械工业出版社出版）的6.2节，略有改动。经授权刊登于此。 人脸识别本质上是一个人脸验证和匹配问题，其中最重要的就是框架和优化目标，本节集中讨论这两个主要问题。 输入3个样本可以是一个正例+两个负例，或者一个负例+两个正例，Triplet loss的目标是要让属于同一个人的人脸在特征空间中尽可能地“近”，而与其他人脸尽可能地“远”。 优化目标等于： ? 在理想情况下，令margin=1，如果网络训练得特别好，满足下式： ? 3．Center loss Center Loss[7]与Siamese、Triplet网络优化的目标不同，它只关注类内分布的均匀性，即希望每一个类绕类内中心均匀分布，从而最小化类内距离，公式如下： ?
1.3K20发布于 2020-08-11 - 来自专栏顾宇的研习笔记
DevOps 的目标和核心前言
一文中，通过Dev和Ops的历史发展总结出了Dev和Ops矛盾的历史渊源，以及 Dev 和 Ops 的核心矛盾： Dev 和 Ops 的矛盾主要是面向适应性的敏捷软件交付和面向经验性的传统运维之间的矛盾 Allspaw 和 Paul Hammond在 “10+ Deploys Per Day: Dev and Ops Cooperation at Flickr” 提出，并以“Cooperation”作为整个演讲的核心 这个演讲中： 重新定义Ops的工作目标 在一个组织中，如果相关利益者的利益不一致，在既定流程的进行中一定会碰到诸多阻力。 Flicker 并没有屈服于压力，他们选择让问题向目标妥协，而不是目标向问题妥协。 而要实现这一目标，要通过一些手段。
50820发布于 2018-08-17 - 来自专栏C++/Linux
软件测试分类指南（上）：从目标、执行到方法，系统拆解测试核心维度
本文将从测试目标、执行方式、测试方法三个维度，拆解软件测试的核心分类，帮你建立系统化的测试认知。 一. 按测试目标分类：聚焦 “测什么” 测试目标决定了测试的核心方向，不同目标对应不同的质量维度，常见分类包括界面、功能、性能等 6 类，覆盖软件从 “颜值” 到 “能力” 的全面验证。 测试核心内容： 验证界面内容显示的完整性，一致性，准确性，友好性。 性能测试的核心是验证 “软件在不同场景下的响应速度、稳定性”。 这些分类并非孤立 —— 比如 “测试登录功能的性能”，属于 “性能测试（目标）+ 动态测试（执行）+ 黑盒测试（方法）” 的交叉场景。
36110编辑于 2025-10-29 - 来自专栏PaddlePaddle
【目标检测】SSD目标检测
场景文字识别 目标检测任务的目标是给定一张图像或是视频帧，让计算机找出其中所有目标的位置，并给出每个目标的具体类别。对于人类来说，目标检测是一个非常简单的任务。 与此同时，由于目标会出现在图像或是视频帧中的任何位置，目标的形态千变万化，图像或是视频帧的背景千差万别，诸多因素都使得目标检测对计算机来说是一个具有挑战性的问题。 【目标检测】 SSD目标检测 |1. 核心函数为： def prepare_filelist(devkit_dir, years, output_dir): trainval_list = [] test_list = [] 对图像文件的读取比较直接，略微复杂的是对标注数据的解析，本示例中标注数据使用xml文件存储，所以需要在data_provider.py中对xml解析，核心逻辑如下： bbox_labels = [] root
4.8K90发布于 2018-04-02 - 来自专栏无人驾驶感知
【目标跟踪】多目标跟踪测距
目标框内左上角，显示的是目标距离相机的纵向距离。目标横向距离、速度已求出，没在图片展示。 这里不仅仅实现对目标检测框的跟踪，且可以实现单相机进行对目标进行测距跟踪。 image) cv2.waitKey(0) if video_save: video.write(image) sort.py 这部分代码为核心计算代码 : return np.concatenate(ret) return np.empty((0, 5)) kalman.py 这部分代码是 kalman 算法核心代码 ，以及对目标测距的预测与更新 目标状态为 （x,y,vx,vy,ax,ay） 目标横向距离，纵向距离，横向速度，纵向速度，横向加速度，纵向加速度。 关于目标前后帧匹配，是利用 iou 匹配进行的，所以要基于目标检测框的匹配跟踪。
86310编辑于 2024-02-05 MyEMS：锚定双碳目标，赋能企业能源数字化管理的核心引擎
在“双碳”目标引领与能源转型加速的当下，企业对能源管理的精细化、智能化需求日益迫切。 MyEMS的核心定位：从“数据采集”到“价值输出”的全链路管控与传统能源管理模式中“人工抄表、经验判断”的粗放式管理不同，MyEMS以“数字化采集、智能化分析、精准化调控”为核心定位，构建了从能源数据采集到管理决策落地的全链路闭环 MyEMS的核心功能：四大模块构建精细化能源管理体系MyEMS的功能设计围绕企业能源管理的实际需求展开，通过四大核心模块的协同运作，实现从基础监控到深度优化的全方位覆盖。1. MyEMS的核心价值：助力企业实现“降本、增效、减碳”三重目标对于企业而言，MyEMS的价值不仅体现在直接的节能降耗上，更在于推动能源管理模式的数字化转型。 从管理价值来看，系统替代了人工抄表、手动统计等繁琐工作，提升能源管理效率达60%以上，降低管理成本；从环保价值来看，通过优化能耗结构、减少能源浪费，企业可有效降低碳排放强度，助力实现“碳达峰、碳中和”目标
17910编辑于 2025-11-03- 来自专栏AI科技大本营的专栏
荣耀总裁赵明：AI 是核心战略，全球前五的目标不会变
第一个得到 AI 加持的核心功能是拍照。荣耀 V10 通过 2000 万黑白+ 1200 万彩色的双摄模组，可以在拍照时获得丰富的图像和景深信息。 这也意味着，AI 已经成为荣耀乃至整个华为公司的核心战略。 对于荣耀而言，2018 年是继续向海外进军的一年。 按照去年公布的目标，荣耀希望在三年内冲进手机市场全球前五名，到 2020 年海外销售占比要达到 50%。 在走下坡路的手机行业，荣耀可能会采用更激进的 AI 产品策略来突出自己的品牌定位。
40430发布于 2018-07-23 - 来自专栏全栈程序员必看
cvpr目标检测_目标检测指标
特征金字塔（Feature pyramids）是识别系统中用于检测不同尺度目标的基本组件。但是最近的深度学习目标检测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。 深度卷积网络目标检测器。随着现代深度卷积网络 [19] 的发展，像 OverFeat [34] 和 R-CNN [12] 这样的目标检测器在准确度上显示出显着的提高。 简单性是我们设计的核心，我们发现我们的模型对许多设计选择都很稳健。我们已经尝试了更复杂的块（例如，使用多层残差块 [16] 作为连接）并观察到稍微更好的结果。 在最初的 RPN 设计中，在单尺度卷积特征图之上，在密集的 3×3 滑动窗口上评估小型子网络，执行目标/非目标二进制分类和边界框回归。 目标/非目标标准和边界框回归目标是相对于一组称为锚点的参考框定义的[29]。锚点具有多个预定义的比例和纵横比，以覆盖不同形状的目标。 我们通过用我们的 FPN 替换单尺度特征图来调整 RPN。
1.2K40编辑于 2022-11-15 - 来自专栏安恒信息
2018年教育系统网络安全工作核心目标与重点任务
教育部办公厅 2018年2月6日 核心目标 1、实施学生信息素养培育行动，探索建立中小学生信息素养评价指标体系。推动教师主动适应信息化、人工智能等新技术变革，积极有效开展教育教学。 （责任单位：科技司、教育管理信息中心、省级教育行政部门） 【推进关键信息基础设施保障工作】 研究制定教育系统关键信息基础设施保护规划，明确保护目标、基本要求、工作任务和具体措施。
1.4K90发布于 2018-04-09 - 来自专栏机器之心
参数少一半、速度快3倍：最新目标检测核心架构来了
目标检测需要什么样的架构 目标检测架构可以分为两类：一步检测架构和两步检测架构。两步检测利用候选区域网络寻找固定数量的候选目标，然后再用第二个网络来预测每个候选目标的得分并修改边界框。 检测不同尺度的目标是目标检测任务的一大挑战。特征金字塔网络（FPN）是多尺度架构领域取得的最大进展之一。 尽管 FPN 为处理不同大小的目标提供了一种优雅的方法，但它并没有为不同宽高比的目标提供任何解决方案。 为了解决这一问题。 如下图 2 所示，xNet 拥有若干矩阵层，每一层负责处理一种特定大小和宽高比的目标。xNet 将不同大小和宽高比的目标分配到各个层，以确保在其分配的层中目标大小接近一致。 对角层建模宽高比接近方形的目标，而非对角层建模宽高比不接近方形的目标。接近矩阵右上角或左下角的层建模宽高比极高或极低的目标。这类目标非常罕见，所以可以对它们进行剪枝以提升效率。 1.
44030发布于 2019-08-20 - 来自专栏算法工程师之路
参数少一半、速度快3倍：最新目标检测核心架构来了
目标检测需要什么样的架构 目标检测架构可以分为两类：一步检测架构和两步检测架构。两步检测利用候选区域网络寻找固定数量的候选目标，然后再用第二个网络来预测每个候选目标的得分并修改边界框。 检测不同尺度的目标是目标检测任务的一大挑战。特征金字塔网络（FPN）是多尺度架构领域取得的最大进展之一。 尽管 FPN 为处理不同大小的目标提供了一种优雅的方法，但它并没有为不同宽高比的目标提供任何解决方案。 为了解决这一问题。 如下图 2 所示，xNet 拥有若干矩阵层，每一层负责处理一种特定大小和宽高比的目标。xNet 将不同大小和宽高比的目标分配到各个层，以确保在其分配的层中目标大小接近一致。 对角层建模宽高比接近方形的目标，而非对角层建模宽高比不接近方形的目标。接近矩阵右上角或左下角的层建模宽高比极高或极低的目标。这类目标非常罕见，所以可以对它们进行剪枝以提升效率。 1.
41220发布于 2019-08-20 - 来自专栏计算机视觉life
目标检测
近几年来，目标检测算法取得了很大的突破。 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。 6.2 目标检测层 这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。
1.8K30发布于 2019-07-10 - 来自专栏程序人生
设定目标
之前说过要讲讲目标的设定，现在到了兑现诺言的时刻。 有清晰明确的目标是我们每天生活的动力，（很可能）也是快乐的源泉。 于是就订了个目标要发表至少10个Patent目标。 我想说的是，有了一个你渴求的目标后，你的眼睛似乎一下子明亮起来，原来那些视而不见的东西突然间就跟目标有了联系。 所以对于这样一个不那么现实的目标，我们需要将其分解成一个个小目标，一点点达到。 我的前同事Keith说我一点也不像个工程师，还真是。 我喜欢把我的目标说给我的LP听，家人听，甚至会放在博客里，公众号里这样公开的场合。不管是什么目标，一旦你将其扩散给周围的人（可多可少），你完成目标的可能性就大了很多。
1.4K100发布于 2018-03-28 - 来自专栏林欣哲
目标检测
依然有个缺点就是，识别这个目标的边框可能不够精确。 YOLO算法可以解决这个边框的问题。 衡量一个目标检测是否符合标准，就看神经网络识别后的框和数据标注的框的交并比，也就是两者框的交集除以两者框的并集。 这里可能会碰到多次检测的问题，就是在目标附近的几个格子都会认为它检测到了目标，这时候应用非极大值抑制的算法，选出概率最大的格子，并把其他交并比很高的格子抑制（这一步交并比的判断，是因为有可能一个图像里有多个目标被检测出来 ，利用交并比可以只抑制一个目标附近多余的检测，而不能把其他目标的检测都被你抑制了）。 不同类别的目标检测，如车和人，抑制分别跑，一共跑两次。 ?
1.1K80发布于 2018-04-10 - 来自专栏小锋学长生活大爆炸
概念解释：目标识别vs目标检测
说法一： 识别：说明图中有哪些目标对象。 检测：在识别的基础上，再给出位置和大小。 说法二：（与说法一相反...） 检测：说明图中有哪些目标对象。 识别：在识别的基础上，再给出位置和大小。 我的理解： 检测： 1、传统的方式：通过特征匹配（如边缘检测等算法），提取出图像中的目标。这样的话，只是提取出了目标，并不知道目标是什么，因此需要“识别”来进一步知道是什么物体。 2、深度学习的方式：本身就通过已知物体进行训练，因此在检测过程中，就可以知道这个“目标”是什么物体，所以间接已经包括了一部分“识别”的过程。 但检测的是共性，即一个大类别（如人、车、花） 识别： 识别某个目标是什么物体。如人脸识别判断这个人具体是谁，检测的是个性，即具体细节（如小明、奔驰车、太阳花）。 大部分场景下应该叫做“目标的检测和识别”，估计是为了方便，所以只说了个“目标检测”。
7K20发布于 2021-10-08 - 来自专栏机器学习、深度学习
目标检测
Network for Fast Object Detection ECCV2016 https://github.com/zhaoweicai/mscnn 本文首先指出 Faster RCNN 在小目标检测存在的问题 导致小目标的检测效果尤其的差 This creates an inconsistency between the sizes of objects, which are variable, and 我们针对目标检测提出了一个 unified multi-scale deep CNN, denoted the multi-scale CNN (MS-CNN)， 主要包括两个部分： an object 这么做的目的就是靠前的特征图可以检测小目标，靠后的特征图可以检测大目标 4 Object Detection Network 检测网络，这里用了一个反卷积的特征图放大 To the best of
83230发布于 2019-05-26 - 来自专栏浪浪山下那个村
目标检测
的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。 检测-Detection：解决“是什么？在哪里？” 的问题，即定位出这个目标的的位置并且知道目标物是什么。 目标检测算法分类 Two stage目标检测算法 先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。 常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。 常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。
72920编辑于 2022-06-17
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