ga是哪種檢測方法

Ⅰ GA是什麼

GA神經節腦苷脂是遍布全身的一種復合糖脂，是細胞膜的重要組成部分。

Ga（赤黴素）赤黴素，是廣泛存在的一類植物激素。

Ga是Game Archives的簡稱，是索尼推行的一項在線游戲下載服務。

Ga是地質學中常用到的表示時間長度的單位，1Ga=1x10^9年，也就是10億年。

Ga，在流體力學中，Galileo number（Ga）也被稱為Galilei number，是以義大利科學家Galileo Galilei（1564-1642）的名字命名的無量綱數 。

Ga（鎵的元素符號）鎵是灰藍色或銀白色的金屬。熔點很低，沸點很高。

(1)ga是哪種檢測方法擴展閱讀：

GA神經節腦苷脂是遍布全身的一種復合糖脂，是細胞膜的重要組成部分。它們參與細胞（尤其是在大腦中）的結構與功能，有助於促進腦部神經元的生長和連接，DHA幫助胎兒大腦發育。

赤黴素，是廣泛存在的一類植物激素。其化學結構屬於二萜類酸，由四環骨架衍生而得。可刺激葉和芽的生長。已知的赤黴素種類至少有38種。

Ⅱ GA、GA/T、GB代表的是什麼意思

GA是指中華人民共和國公共安全行業標准。

T是推薦使用的意思，所以GA/T是指我國公共安全行業的推薦標准。

GB是國家標準的漢語拼音簡寫，是中國的國家標准。

例外有：

美國標准:

ASTM STD- 美國材料與試驗協會標准

AASHTO STD -美國國家公路及運輸公務員協會標准

ANSI STD- 美國標准協會標准

日本標准:

JIS-日本工業標准

NDIS- 日本無損檢測協會標准

HPI-日本高壓技術協會標准

加拿大標准:

CSA STD- 加拿大國家標准

CAN CGSB - 加拿大工業通用標准

IRS-加拿大標准化協會標准

英國標准:

BSI-英國標准協會標准

DTD-英國航空材料規范

BS- 英國國家標准

法國標准:

NF- 法國國家標准

AFNOR-法國標准化協會標准

AIR-法國國防部標准

德國標准:

LN-原西德航空標准

SEL-原西德鋼鐵產品交貨技術條件

DIN-德國工業標准

其他:

UNI-義大利國家標准

EN-歐洲標准化委員會標准

ГОСТ-前蘇聯國家標准

EFNDT-歐洲無損檢測聯盟

STAS-羅馬尼亞國家標准

AS-澳大利亞國家標准

(2)ga是哪種檢測方法擴展閱讀：

我們國家標准代號分為 GB和GB/T。國家標準的編號由國家標準的代號、國家標准發布的順序號和國家標准發布的年號（發布年份）構成。

GB代號國家標准含有強制性條文及推薦性條文，當全文強制時不含有推薦性條文，GB/T代號國家標准為全文推薦性。強制性條文是保障人體健康、人身、財產安全的標准和法律及行政法規規定強制執行的國家標准；

推薦性國標是指生產、檢驗、使用等方面，通過經濟手段或市場調節而自願採用的國家標准。但推薦性國標一經接受並採用，或各方商定同意納入經濟合同中，就成為各方必須共同遵守的技術依據，具有法律上的約束性。

《中華人民共和國標准化法》將中國標准分為國家標准、行業標准、地方標准(DB)、企業標准(Q/)四級。截至2003年底，中國共有國家標准20906項（不包括工程建設標准）

國際標准由國際標准化組織（ISO）理事會審查，ISO理事會接納國際標准並由中央秘書處頒布；

國家標准在中國由國務院標准化行政主管部門制定，

行業標准由國務院有關行政主管部門制定，

企業生產的產品沒有國家標准和行業標準的，應當制定企業標准，作為組織生產的依據，並報有關部門備案。

法律對標準的制定另有規定，依照法律的規定執行。

制定標准應當有利於合理利用國家資源，推廣科學技術成果，提高經濟效益，保障安全和人民身體健康，保護消費者的利益，保護環境，有利於產品的通用互換及標準的協調配套等。

Ⅲ GA標准在哪裡可以檢測

GA 中華人民共和國公共安全行業標准 GA268—2009 有起專業的檢測公司，你可以在當地網站查找一下，有政府機關指定檢測地方！

Ⅳ 酒駕血樣提取和檢測過程的規范

法律分析：對需要檢驗血液中酒精含量的,應及時抽取血樣。抽取血樣應由專業人員按要求進行,不應採用酒精或者揮發性有機葯品對皮膚進行消毒；抽出血樣中應添加抗凝劑,防止血液凝固；裝血樣的容器應潔凈、乾燥，裝入血樣後不留空間並密封，低溫保存，及時送檢。

法律依據：《車輛駕駛人員血液、呼氣酒精含量閾值與檢驗》4酒精含量值

4.1血液酒精含量臨界值

車輛駕駛人員血液中的酒精含量臨界值見表1.

表1 車輛駕駛人員血液酒精含量臨界值

行為類別

對 象

臨界值（mg/100ml）

飲酒駕車 車輛駕駛人員 20

醉酒駕車 車輛駕駛人員 80

4.2 血液與呼氣酒精含量換算

車輛駕駛人員呼氣酒精含量檢驗結果可按標准GA307換算成血液酒精含量值。

5檢驗方法

5.1 呼氣酒精含量檢驗

5.1.1 對飲酒後駕車的嫌疑人員可檢驗其呼氣酒精含量探測器進行檢驗，呼氣酒精含量檢驗結果應記錄並簽字。

5.1.2 呼氣酒精含量探測器的技術指標和性能應符合GA307標准規定,並具備被動探測呼出氣體酒精的功能。

5.1.3 呼氣酒精含量檢驗的具體步驟，按照呼氣體酒精含量探測器的操作要求進行.。

5.2 血液酒精含量檢驗

5.2.1 對需要檢驗血液中酒精含量的,應及時抽取血樣。抽取血樣應由專業人員按要求進行,不應採用酒精或者揮發性有機葯品對皮膚進行消毒；抽出血樣中應添加抗凝劑,防止血液凝固；裝血樣的容器應潔凈、乾燥，裝入血樣後不留空間並密封，低溫保存，及時送檢。

5．2．2 血液酒精後駕車的人員拒絕配合呼氣酒精含量檢驗方法按照GA/T105標准規定。

Ⅳ 基於CNN的目標檢測之GA-RPN

簡介：GA-RPN（Guided Anchoring）是一種新的anchor 生成方法，其通過圖像特徵來指導anchor 的生成。通過CNN預測 anchor 的位置和形狀，生成稀疏而且形狀任意的 anchor，並且設計Feature Adaption 模塊來修正特徵圖使之與預測生成得 anchor精確匹配。GA-RPN相比RPN減少90%的anchor，並且提高9.1%的召回率，將其用於不同的物體檢測器Fast R-CNN, Faster R-CNN and RetinaNet，分別提高 檢測mAP 2.2%,2.7% ,1.2%。

貢獻：

提出了一種新的anchor策略，用於產生稀疏的任意形狀的anchor；

設計了基於anchor形狀的特徵適應模塊來refine特徵；

提出了一種改進模型性能的方案.

現有的Anchor-based方法生成Anchor的過程存在兩大問題:

為了保證召回率，需要生成密集的anchor，引入過多負樣本同時影響模型的速率。

anchor的尺度和長寬比需要預先定義，針對不同類型的檢測任務需要調整這些超參數，預先定義好的 anchor 形狀不一定能滿足極端大小或者長寬比懸殊的物體。

基於上述兩點，作者就嘗試使用特徵去指導Anchor box中心位置，寬高比的生成，這樣不僅可以提高生成Anchor的效率，而且還可以生成任意大小的Anchor，這對於一些比較極端長寬比的物體是非常有效的。

注意：作者假設待檢測圖像中的目標是不均勻分布的且稀疏的。

作者提出使用圖像特徵去指導Anchor生成，該結構稱為Guided Anchoring，Guided Anchoring可以嵌入到任意的Anchor生成模塊之中。下面是一個嵌入到FPN中的例子：

      上圖左邊是一個FPN結構，FPN每一層的特徵都可以嵌入一個Guided Anchoring模塊用於預測proposals。Guided Anchoring的具體結構則如上圖右邊所示，主要由兩個模塊組成：

        添加兩個分支分別用於預測特徵圖上每個像素（對應的感受野）是目標的置信度，以及對應寬和高。目標的置信度大於一個特定域值，則被認為是目標。顯然，這個proposal獲取的過程不同於滑窗，可以減少大量負樣本（每個Feature map上的像素點做多隻產生一個proposal）。此外，由於寬和高也是CNN回歸出來的，所以沒有對物體的scale，寬高比作任何先驗假設。

1、anchor Location Prediction

位置預測分支的目標是預測那些區域應該作為中心點來生成 anchor，是一個二分類問題，預測是不是物體的中心。

FPN特徵圖經過位置預測子網路生成位置得分圖：對基礎feature map先通過1*1卷積，然後逐元素Sigmoid轉換為概率值。然後根據閾值篩選，可以過濾掉90%的區域而保持相同的召回率

我們將整個 feature map 的區域分為物體中心區域，外圍區域和忽略區域：即將 ground truth 框的中心一小塊對應在 feature map 上的區域標為物體中心區域，在訓練的時候作為正樣本，其餘區域按照離中心的距離標為忽略或者負樣本。通過位置預測，可以篩選出一小部分區域作為 anchor 的候選中心點位置，使得 anchor 數量大大降低。

針對每個檢測出的中心點，選取一個最佳的anchor box。最佳anchor box的定義為：與預測的候選中心點的鄰近ground truth box產生最大IOU的anchor box。

形狀預測分支的目標是給定 anchor 中心點，預測最佳的長和寬，這是一個回歸問題。論文直接使用 IoU 作為監督，來學習 w 和 h。無法直接計算w 和 h，而計算 IoU 又是可導的操作，所以使用基於bounded IoU Loss網路優化使得 IoU 最大。

作者認為，直接預測anchor box的寬高的話，范圍太廣不易學習，故將寬高值使用指數及比例縮放進行壓縮：

                             ω =σ·s·exp(dw) , h=σ·s·exp(dh )

該分支預測dw,dh,通過上式進行壓縮，s為stride，σ是經驗尺度因子（論文取8），該映射將[0,1000]壓縮至[-1,1]。該分支輸出dw和dh。首先通過1*1卷積層產生兩個通道的map（包括dw和dh的值），然後經過逐元素轉換層實現w和h的轉化。得益於任意形狀的anchor，所以對於寬高比誇張的目標也具有更好的效果（比如火車等）。

Feature adaption模塊：這個模塊實際上借鑒了可變性卷積的思想。

由於每個位置的形狀不同，大的anchor對應較大感受野，小的anchor對應小的感受野。所以不能像之前基於anchor的方法那樣直接對feature map進行卷積來預測，而是要對feature map進行feature adaptation。作者利用變形卷積的思想，根據形狀對各個位置單獨進行轉換。

其中，fi是第i個位置的特徵，(wi, hi)是對應的anchor形狀。NT通過3*3的變形卷積實現。首先通過形狀預測分支預測offset field，然後對帶偏移的原始feature map做變形卷積獲得adapted features。之後進一步做分類和bounding box回歸。

採用多任務loss進行端到端的訓練，損失函數為：

利用groundtruth bounding box來指導label生成，1代表有效位置，0代表無效位置。中心附近的anchor應該較多，而遠離中心的anchor數目應該少一些。假定R(x, y, w, h)表示以(x, y)為中心，w和h分別為寬高的矩形區域。將groundtruth的bbox(xg, yg, wg, hg)映射到feature map的尺度得到(x'g, y'g, w'g, h'g)。

a.定義中心區域CR=R(x'g, y'g, σ1w', σ1h')，CR區域內的像素標記為正樣本；

b.定義ignore區域IR=R(x'g, y'g, σ2w', σ2h')\CR，該區域的像素標記為ignore；

c.其餘區域標記為外部區域OR，該區域所有像素標記為負樣本。

考慮到基於FPN利用了多層feature，所以只有當feature map與目標的尺度范圍匹配時才標記為CR，而臨近層相同區域標記為IR，如下圖所示。文中使用Focal Loss來訓練定位分支。

首先將anchor與groundtruth的bbox匹配，然後計算最佳寬和高（可以最大化IoU）。因此重新定義了變化的anchor與gt bbox的vIoU：

變化anchor：awh=(x0, y0, w, h)

groundtruth bbox：gt=(xg, yg, wg, hg)

其中IoUnormal是IoU的常規定義，w和h是變數。由於對任意位置的anchor與ground truth，對vIOU進行明確的表示是非常困難的，因此給定（x0,y0），本文採用近似的方法，采樣一些可能的w和h。文中采樣了9組常見的w、h。實驗表明結果對sample的組數不敏感。文中採用有界IoU損失來最大化IoU。

作者使用Guided Anchoring策略來改進RPN（稱為GA-RPN)。下圖對比了RPN和GA-RPN產生的proposal的IoU分布：

很顯然，GA-RPN產生的正樣本數目更多，而且高IoU的proposal占的比例更大。訓練時相比於RPN，GA-RPN採用更高的閾值、使用更少的樣本（使用高質量proposal的前提是根據proposal的分布調整訓練樣本的分布）。

優點：

1、論文提出anchor設計的兩個准則：alignment 和 consistency，指導基於anchor優化的方向。採用位置預測和形狀預測兩個分支，不需要像FPN預先設置尺度和長寬比，同時使用可變形卷積對feature map調整，生成高質量低密度的proposal，提高IoU的閾值進行訓練。

2、提出了一種新的anchor策略，用於產生稀疏的任意形狀的anchor；

3、論文提出的GA-RPN可以完全替代RPN，在Fast R-CNN, Faster R-CNN and RetinaNet等模型基礎上提高目標檢測模型的精度。

缺點：

1、論文假設圖像中的目標是稀疏的。如果是稠密圖像，比如車站或廣場的擁擠人群，檢測效果有待檢驗。

2、每一個點只產生一個anchor，那麼對於那些目標中心重合，即一個點需要負責檢測兩個目標，似乎無法處理。

3、採用deformable卷積會相對地降低速度，同時根據DCN v2的分析，在deformable卷積中加入可調節的機制可能會更好。

思考：

        1、可以借鑒採用雙分支預測：一個分支預測目標的中心點，另一個分支預測物體的長框，這個思想的實現和看完cornerNet和CenterNet的想法實現是類似的，但是出發點不同。

        之前做雙分支預測是想利用anchor free中的中心點的預測看能否增加物體的內部感知能力。現在的雙分支預測是為了減少先驗框anchor的數量，減少正負樣本的不平衡問題。兩者出發點不同，但是採用的操作是類似的，有效性有待考證。

Ⅵ 檢驗痰中ga是什麼意思

不是ga，是Ca吧。
Cancer的簡寫，癌症的意思。