从德国V1V2讲导弹的来源 (从德国到巴黎要多久)

本文目录导航：

• 从德国V1V2讲导弹的来源
• vivo自研芯片v1+怎样样
• YOLO(一) 算法的原理及演化

从德国V1V2讲导弹的来源

从德国V1V2讲导弹的来源

在20世纪初期，俄国迷信家齐奥尔科夫斯基提出了运用液体推动剂火箭发起机的设想，创立了驰名的火箭现实速度公式和多级火箭设计思维，奠定了火箭飞执行力学的基础。

美国火箭专家罗伯特·戈达德博士提出了火箭航行的数学原理，指出火箭必定具备每秒7.9公里的速度能力克制地球引力。

他在1926年3月启动了人类初次液体火箭的航行试验，并取得完成，使他成为液体火箭的实践开创人。

德国法西斯1933年建设了导弹和火箭钻研核心，1934年研制完成了经常使用液体火箭发起机，射程为320公里的v-2型弹道导弹，并在实战当中运用。

在第二次环球大战启动到白热化水平的时刻，法西斯德国在战场上的空中长处，随着雷达和防空武器的产生，很快它就丢失殆尽。

为了改动战无不胜的战绩，希特勒不得不把最后的赌注，下到了他自认为可以改动战局的一种秘密武器上。

在1944年终秋的一个夜晚，英国伦敦居民接待了一天的空袭，大都进入了梦乡。

一阵逆耳的防空警报事先，人们还来不迭进上天下防空泛避难，周围就响起了猛烈的爆炸声。

英军防空部队也启动了对空回击，在发射少量对空炮弹后，并没有看到被击落的敌机。

这种状况事先也是十分稀有的，英国战时内阁命令防空部队对此启动考查。

英军的一份考查报告宣称，在德军的空袭中，他们发现了两架状态奇怪，不明国籍的航行物，身后拖着长长的火光向伦敦城市爬升，最后间接在低空爆炸，但并未发现航行员跳伞。

当再次发现这样的航行物来袭时，英军歼击机升空阻拦，而这种航行物既不规避也不回击，依然是落地爆炸。

预先得悉，这就是希特勒精心炮制，德国刚刚研制完成的v-1型飞航式导弹，起初呢成为巡航导弹。

同时研制完成的另一种是v-2型弹道导弹，它的航行速度是v-1型导弹的9倍，其导航系统经过无线电启动智能管理，有效载荷及携带弹药是800公斤。

只管导弹武器的经常使用没有改动德国法西失败的命运，然而这种新型武器毕竟还是给英国及欧洲带来了极大的心思震撼。

更关键的是，导弹武器出如今战场，不只改动了人们反抗争形式的传统认知，也极大的促成了导弹武器及关系技术、工艺和资料的开展。

二战完结之后，攻战柏林的苏军和美军区分瓜分了德国对导弹钻研的资料、产品、部件及设计人员，并在此基础上展开了外国导弹武器的研发。

1957年8月，苏联完成发射了洲际弹道导弹，美国在1958年2月，研制完成了洲际运载火箭，并发射了天然地球卫星。

在上个世纪60年代中期，美国和苏联先后研制完成并装备了鼎力神1号2号和SS-7、SS-8等型号的洲际弹道导弹。

vivo自研芯片v1+怎样样

Vivo自研芯片V1+是一款专业影像芯片，同时也是显示性能芯片。

它被视为vivo双芯的引领者，旨在以兼容性与配置性的片面优化，带来第二代双芯旗舰新规范。

Vivo自研芯片V1+的性能获取了业界的高度认可。

vivo与MediaTek自去年起投入了超越300人的精英开发团队，历经350天软配件深度协同开发，将V1+芯片与天玑9000调通调透，监禁出天玑9000的最强性能。

为了提高天玑9000平台的能效比，vivo应用算法调整CPU资源调配战略以缩小发热，经过屡次迭代测试处置了性能概率性动摇疑问，有效优化了天玑9000平台的能效比。

测试结果显示，在高性能需求的游戏场景下，天玑9000能将游戏时的续航延伸10%。

为了带给用户愈加流利的长成效机体验，vivo建设了一套复杂的“用户经常使用场景流利度模型”，优化算力调配，提高动效类义务的优先级，使高负载场景下的全体动画流利度优化了50%；并经过设计高并发计算形式有效处置CPU资源抢占和闲置的疑问，大大优化了运行延续启动速度。

YOLO(一) 算法的原理及演化

第一次性接触到yolo这个算法是经过吴恩达的教学视频了解到的，事先其实也算是第一次性接触到指标检测算法。

这里咱们关键引见下YOLO(You Only Look Once)。

如今曾经退化到了V3版本了。

它不同于Faster RCNN这个分支走的两部战略先启动前景识别在启动指标检测，它是间接一步到位启动指标检测。

因此在识别的速度上优于Faster RCNN(5 FPS), 而 YOLO_v1基础版在Titan X GPU上可以到达45帧/s； 极速版可以到达150帧/s。

然而在准确率上YOLO是稍差与Faster RCNN这个在之后会具体引见。

顺便提下假设想了解Faster RCNN原理可以参考 Faster-RCNN的原理及演化 。

咱们知道YOLO其实就是 You Only Look Once, 意思是只有要看一眼就知道位置及对象，团体感觉蛮笼统的。

他不须要Faster RCNN的RPN结构，他其实选取anchor是预订了候选框，将图片划分为7x7的网格，每个网格准许有2个不同的bounding box. 这样一开局咱们就有7x7x2个候选框(bounding box), 大抵粗略笼罩了图像的整个区域。

他的思维就是Faster RCNN在第一阶段就算有了回归框，在第二阶段还是须要启动精调，那还不如就先生成大抵回归框就ok了。

上方咱们就来好好引见一下这个模型。

一、模型结构

其实将这个模型便捷话为:

那30又是如何构成的通道大小的呢？

a. 2个bounding box的位置（8个通道） 每个bounding box须要4个数值来示意其位置，(Center_x,Center_y,width,height)，即(bounding box的核心点的x坐标，y坐标，bounding box的宽度，高度)，2个bounding box共须要8个数值来示意其位置。

b. 2个bounding box 置信度（2个通道）

c. 20分类概率（20个通道） 上方咱们来说一下剩下20维度的分类通道。

每一个通道代表一个类别的分类概率。

由于YOLO支持识别20种不同的对象（人、鸟、猫、汽车、椅子等），所以这里有20个值示意该网格位置存在任一种对象的概率。

然而咱们一组图片只能预测49个对象，可以了解为一个grid2个achor只能有一个预测准的对象（即计算IOU比例最大的那个anchor），所以7x7个对象 。

图中将自行车的位置放在bounding box1，但实践上是在训练环节中等网络输入以后，比拟两个bounding box与自行车实践位置的IOU，自行车的位置（实践bounding box）搁置在IOU比拟大的那个bounding box（图中假定是bounding box1），且该bounding box的置信度设为1

二、 损失函数

总的来说，就是用网络输入与样本标签的各项内容的误差平方和作为一个样本的全体误差。

损失函数中的几个项是与输入的30维向量中的内容相对应的。

三、 YOLO v1 缺陷

留意：

细节： YOLO的最后一层驳回线性激活函数，其它层都是Leaky ReLU。

训练中驳回了drop out和数据增强（data augmentation）来防止过拟合。

更多细节请参考原论文

在67 FPS，YOLOv2在PASCAL VOC 2007上取得76.8％的mAP。

在40 FPS时，YOLOv2取得78.6％mAP，这比经常使用ResNet和SSD 更快的R-CNN更好。

仰仗如此优秀的效果，YOLOv2于2017年CVPR颁布并取得超越1000次援用。

YOLO有两个缺陷：一个缺陷在于定位不准确，另一个缺陷在于和基于region proposal的方法相比召回率较低。

因此YOLOv2关键是要在这两方面做优化。

另外YOLOv2并不是经过加深或加宽网络到达效果优化，反而是简化了网络。

上方关键从两点来引见下YOLO v2的优化之处。区分是Better以及Faster.

1、Darknet-19 在YOLO v1中，作者驳回的训练网络是基于GooleNet，这里作者将GooleNet和VGG16做了便捷的对比，GooleNet在计算复杂度上要优于VGG16（8.25 billion operation VS 30.69 billion operation），然而前者在ImageNet上的top-5准确率要稍低于后者（88% VS 90%）。

而在YOLO v2中，作者驳回了新的分类模型作为基础网络，那就是Darknet-19。

Table6是最后的网络结构：Darknet-19只有要5.58 billion operation。

这个网络蕴含19个卷积层和5个max pooling层，而在YOLO v1中驳回的GooleNet，蕴含24个卷积层和2个全衔接层，因此Darknet-19全体上卷积卷积操作比YOLO v1中用的GoogleNet要少，这是计算量缩小的关键。

最后用average pooling层替代全衔接层启动预测。

这个网络在ImageNet上取得了top-5的91.2%的准确率。

2、Training for Classification 这里的2和3局部在前面有提到，就是训练处置的小trick。

这里的training for classification都是在ImageNet上启动预训练，关键分两步：1、从头开局训练Darknet-19，数据集是ImageNet，训练160个epoch，输入图像的大小是224 224，初始学习率为0.1。

另内在训练的时刻驳回了规范的数据参与形式比如随机裁剪，旋转以及色度，亮度的调整等。

2、再fine-tuning 网络，这时刻驳回448 448的输入，参数的除了epoch和learning rate改动外，其余都没变，这里learning rate改为0.001，并训练10个epoch。

结果标明fine-tuning后的top-1准确率为76.5%，top-5准确率为93.3%，而假设依照原来的训练形式，Darknet-19的top-1准确率是72.9%，top-5准确率为91.2%。

因此可以看出第1,2两步区分从网络结构和训练形式两方面入手提高了主网络的分类准确率。

3、Training for Detection 在前面第2步之后，就开局把网络移植到detection，并开局基于检测的数据再启动fine-tuning。

首先把最后一个卷积层去掉，而后参与3个3 3的卷积层，每个卷积层有1024个filter，而且每个前面都衔接一个1 1的卷积层，1 1卷积的filter个数依据须要检测的类来定。

比如关于VOC数据，由于每个grid cell咱们须要预测5个box，每个box有5个坐标值和20个类别值，所以每个grid cell有125个filter（与YOLOv1不同，在YOLOv1中每个grid cell有30个filter，还记得那个7 7 30的矩阵吗，而且在YOLOv1中，类别概率是由grid cell来预测的，也就是说一个grid cell对应的两个box的类别概率是一样的，然而在YOLOv2中，类别概率是属于box的，每个box对应一个类别概率，而不是由grid cell选择，因此这边每个box对应25个预测值（5个坐标加20个类别值），而在YOLOv1中一个grid cell的两个box的20个类别值是一样的）。

另外作者还提到将最后一个3 3*512的卷积层和倒数第二个卷积层相连。

最后作者在检测数据集上fine tune这个预训练模型160个epoch，学习率驳回0.001，并且在第60和90epoch的时刻将学习率除以10，weight decay驳回0.0005。

这里yolo v3相关于yolo v2有三点：1. 应用多尺度特色启动对象检测 2. 调整基础网络结构