我独自在家的一次经历

来源 :红领巾·成长 | 被引量 : 0次 | 上传用户:balonbalon
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  “刘雨鑫!你还不赶快给我进书房里写作业去!”老妈怒气冲冲地吼道。面对妈妈那比张飞还要强一个等级的“河东狮吼”,我只好默默地放下电视遥控器,站起身,像遇见警察的小偷一样,战战兢兢地走进书房,做起了作业。
  为什么会出现开头这一幕?为什么我会如夏侯杰被张飞吓得失魂落魄、六神无主一般呢?全都是因为我做了一件突破妈妈底线的事情。
  那是周末一个阳光明媚的早晨。妈妈要去单位加班,临出门前,妈妈专门嘱咐我先做作业,做完后再看电视。可是,妈妈前脚刚出门,我就迅速锁好门,迫不及待地计划起如何放飞自我,享受这难得的自由时光了。那些作业和妈妈的叮咛一瞬间就被抛在了九霄云外,我心中没有丝毫的顾虑。
  我快步跑向客厅,熟练地拿起遥控器,转身奔向沙发,懒洋洋地躺到沙发上,按下遥控器,打开电视,津津有味地看了起来。看了一会儿,我想起还有作业任务,虽然心里很不乐意,但还是暂停了动画片,走进书房,想在最短的时间里完成作业。
  刚写完一项作业,想到还有一张卷子要做,我瞬间就像泄了气的气球,整个人被电视的诱惑包围着。短暂地思想斗争了片刻,我迫不及待地冲出书房,冲向客厅,回到沙发上,优哉游哉地继续看起了电视。
  不一会儿,妈妈回来了。我赶紧按下暂停键,头脑里飞速地运转,准备应对妈妈的“考察自制力”的问题。只听妈妈笑眯眯地说:“哟!你都在看电视了呀!看来,作业已经做完了嘛。快拿给我看看!”我的脑袋一下子就大了,头脑里一片空白,心臟怦怦直跳。我用比蚊子还小的声音支支吾吾地说:“我,我只做了口算题……”妈妈一下子就被我的行为激怒了,于是就出现开头那十分尴尬的场面。
  这件事之后,妈妈跟我冷战了很长一段时间。每每我不想学习,想玩耍的时候,这次难忘的经历就会警告我,提醒我:学就学个认真,玩就玩个痛快,只有认真学了,才能愉快玩耍。
其他文献
针对传统目标检测模型不能同时兼顾检测速度和准确度的问题,提出一种新的PD-CenterNet模型。在CenterNet的基础上对网络结构和损失函数进行改进,在网络结构的上采路径中,设计基于注意力机制的特征融合模块,对低级特征和高级特性进行融合,在损失函数中通过设计α、γ、δ3个影响因子来提高正样本与降低负样本的损失,以平衡正负样本的损失。实验结果表明,相比CenterNet模型,该模型在网络结构和
在目标检测任务中不同目标间尺寸差异较大,导致多尺寸目标难以被有效检测。基于YOLOv3提出BR-YOLOv3目标检测网络。利用空洞卷积提升网络层感受野尺寸的特性,使用不同数量、尺寸、膨胀率的卷积构建多层并行的空洞感受野模块。通过双向特征金字塔结构实现浅深层特征的双向融合,提升浅层预测分支分类、深层预测分支目标定位能力。使用LOSS_(GIOU)定位损失函数实现目标回归过程整体化,从而降低目标漏检率
为实现海面船舰目标的快速、准确检测,提出一种改进的船舰目标检测算法。在网络结构方面根据船舰目标的特点,对浅层信息进行强化重构以降低小目标的漏检率,同时引入改进的残差网络增加网络深度和降低网络参数计算量,并且采用金字塔网络进行多尺度特征融合,以兼顾图像中大小船舰目标的检测性能。在网络训练中利用迁移学习策略进行网络模型的训练,以克服船舰图像样本集有限的问题。在视频检测中利用帧间图像结构相似度进行选择性
在浩瀚的天空中,有无数颗星星。有一颗星星,它很小很小,小到地上的人们根本看不清它的模样,更不知道它的名字。  “唉——”小星星叹了长长的一口气。最近,它不太爱唱歌了,变得很喜欢叹气。  “怎么了,小星星?遇到什么不顺心的事了吗?”旁边的一颗大星星问。  “每天对着黑漆漆的夜空,你不觉得无聊吗?”  “怎么会无聊呢?有了我们,黑夜才会发光啊。”  “那有什么用?就算我们都在发光,人们也只知道月亮、金
基于卷积神经网络的目标检测算法在追求较高精度的同时,忽略了检测速度,使得算法难以在有限算力的情况下实现实时检测。在YOLO目标检测算法的基础上,采用一系列轻量化的方法,运用Mobilenetv1网络替换Darknet53基础网络,将YOLO head部分3×3标准卷积替换为深度可分离卷积,根据灵敏度对卷积层滤波器进行排序和修剪,并在嵌入式GPU TX2平台上进行C++推理部署。在VOC数据集上的测
现有雾天图像处理方法能够实现较好的去雾效果,但会丢失部分细节并产生噪声放大的问题。将暗原色先验与基于TV、BH规则项的变分模型相结合,提出一种新的变分去雾模型H-TVBH。根据暗原色先验原理估计图像的初始透射率,采用四叉树分解估计大气光值,将初始透射率和大气光值输入H-TVBH模型中,采用分裂Bregman算法和快速傅立叶变换并引入辅助变量和Bregman迭代参数,通过交替迭代求得优化后的透射率和
现有的人脸对齐方法多数是非端到端的,中间过程需要大量的人工干预,导致人脸关键点检测的稳定性较差。为此,提出一种端到端的基于深度学习的人脸对齐方法。基于MobileNets系列网络的子模块,使用类VGG结构的方式进行搭建,将整张图片作为输入,采用基于深度可分离卷积模块进行特征提取,并运用改进的倒残差结构避免网络训练过程的梯度消失,减少特征损失。在此基础上将眼间距离作为正规化方法,在300W人脸数据集
路径规划的目的是让机器人在移动过程中既能避开障碍物,又能快速规划出最短路径。在分析基于强化学习的路径规划算法优缺点的基础上,引出能够在复杂动态环境下进行良好路径规划的典型深度强化学习DQN(DeepQ-learningNetwork)算法。深入分析了DQN算法的基本原理和局限性,对比了各种DQN变种算法的优势和不足,进而从训练算法、神经网络结构、学习机制、AC(Actor-Critic)框架的多种变形四方面进行了分类归纳。提出了目前基于深度强化学习的路径规划方法所面临的挑战和亟待解决的问题,并展望了未来的
在C-V2X通信中,Mode 4资源分配方式使用基于感知的半持续调度(SB-SPS)算法进行资源分配,但该算法以最大功率传输安全消息,在高密度交通流状态下会导致系统的可靠性下降。为对SB-SPS算法进行优化,提出一种基于深度强化学习的联合资源分配与功率控制算法。车辆在感知到信道后,为安全消息选择干扰最小的子信道,并根据信道状态自适应调整传输功率,通过与环境交互学习的方式求解最优的子信道选择方案和功率控制方案。仿真结果表明,与SB-SPS优化算法相比,该算法在高密度公路场景下分组接收率提高5%,有效提升了车
针对YOLO目标检测算法存在边界框定位不准确及对小目标检测精度低的问题,提出一种改进的YOLO目标检测算法dcn-YOLO。使用k-means++算法聚类出更符合数据集尺寸的锚盒,以降低初始点对聚类结果的影响并加快网络训练收敛速度。构建残差可变形卷积模块res-dcn,分别采用将其嵌入YOLO第一特征提取头模块中和替换3个YOLO特征提取头模块的方式,构建两种改进的dcn-YOLO算法,使网络可以