ga是哪种检测方法

Ⅰ GA是什么

GA神经节脑苷脂是遍布全身的一种复合糖脂，是细胞膜的重要组成部分。

Ga（赤霉素）赤霉素，是广泛存在的一类植物激素。

Ga是Game Archives的简称，是索尼推行的一项在线游戏下载服务。

Ga是地质学中常用到的表示时间长度的单位，1Ga=1x10^9年，也就是10亿年。

Ga，在流体力学中，Galileo number（Ga）也被称为Galilei number，是以意大利科学家Galileo Galilei（1564-1642）的名字命名的无量纲数 。

Ga（镓的元素符号）镓是灰蓝色或银白色的金属。熔点很低，沸点很高。

(1)ga是哪种检测方法扩展阅读：

GA神经节脑苷脂是遍布全身的一种复合糖脂，是细胞膜的重要组成部分。它们参与细胞（尤其是在大脑中）的结构与功能，有助于促进脑部神经元的生长和连接，DHA帮助胎儿大脑发育。

赤霉素，是广泛存在的一类植物激素。其化学结构属于二萜类酸，由四环骨架衍生而得。可刺激叶和芽的生长。已知的赤霉素种类至少有38种。

Ⅱ GA、GA/T、GB代表的是什么意思

GA是指中华人民共和国公共安全行业标准。

T是推荐使用的意思，所以GA/T是指我国公共安全行业的推荐标准。

GB是国家标准的汉语拼音简写，是中国的国家标准。

例外有：

美国标准:

ASTM STD- 美国材料与试验协会标准

AASHTO STD -美国国家公路及运输公务员协会标准

ANSI STD- 美国标准协会标准

日本标准:

JIS-日本工业标准

NDIS- 日本无损检测协会标准

HPI-日本高压技术协会标准

加拿大标准:

CSA STD- 加拿大国家标准

CAN CGSB - 加拿大工业通用标准

IRS-加拿大标准化协会标准

英国标准:

BSI-英国标准协会标准

DTD-英国航空材料规范

BS- 英国国家标准

法国标准:

NF- 法国国家标准

AFNOR-法国标准化协会标准

AIR-法国国防部标准

德国标准:

LN-原西德航空标准

SEL-原西德钢铁产品交货技术条件

DIN-德国工业标准

其他:

UNI-意大利国家标准

EN-欧洲标准化委员会标准

ГОСТ-前苏联国家标准

EFNDT-欧洲无损检测联盟

STAS-罗马尼亚国家标准

AS-澳大利亚国家标准

(2)ga是哪种检测方法扩展阅读：

我们国家标准代号分为 GB和GB/T。国家标准的编号由国家标准的代号、国家标准发布的顺序号和国家标准发布的年号（发布年份）构成。

GB代号国家标准含有强制性条文及推荐性条文，当全文强制时不含有推荐性条文，GB/T代号国家标准为全文推荐性。强制性条文是保障人体健康、人身、财产安全的标准和法律及行政法规规定强制执行的国家标准；

推荐性国标是指生产、检验、使用等方面，通过经济手段或市场调节而自愿采用的国家标准。但推荐性国标一经接受并采用，或各方商定同意纳入经济合同中，就成为各方必须共同遵守的技术依据，具有法律上的约束性。

《中华人民共和国标准化法》将中国标准分为国家标准、行业标准、地方标准(DB)、企业标准(Q/)四级。截至2003年底，中国共有国家标准20906项（不包括工程建设标准）

国际标准由国际标准化组织（ISO）理事会审查，ISO理事会接纳国际标准并由中央秘书处颁布；

国家标准在中国由国务院标准化行政主管部门制定，

行业标准由国务院有关行政主管部门制定，

企业生产的产品没有国家标准和行业标准的，应当制定企业标准，作为组织生产的依据，并报有关部门备案。

法律对标准的制定另有规定，依照法律的规定执行。

制定标准应当有利于合理利用国家资源，推广科学技术成果，提高经济效益，保障安全和人民身体健康，保护消费者的利益，保护环境，有利于产品的通用互换及标准的协调配套等。

Ⅲ GA标准在哪里可以检测

GA 中华人民共和国公共安全行业标准 GA268—2009 有起专业的检测公司，你可以在当地网站查找一下，有政府机关指定检测地方！

Ⅳ 酒驾血样提取和检测过程的规范

法律分析：对需要检验血液中酒精含量的,应及时抽取血样。抽取血样应由专业人员按要求进行,不应采用酒精或者挥发性有机药品对皮肤进行消毒；抽出血样中应添加抗凝剂,防止血液凝固；装血样的容器应洁净、干燥，装入血样后不留空间并密封，低温保存，及时送检。

法律依据：《车辆驾驶人员血液、呼气酒精含量阈值与检验》4酒精含量值

4.1血液酒精含量临界值

车辆驾驶人员血液中的酒精含量临界值见表1.

表1 车辆驾驶人员血液酒精含量临界值

行为类别

对 象

临界值（mg/100ml）

饮酒驾车 车辆驾驶人员 20

醉酒驾车 车辆驾驶人员 80

4.2 血液与呼气酒精含量换算

车辆驾驶人员呼气酒精含量检验结果可按标准GA307换算成血液酒精含量值。

5检验方法

5.1 呼气酒精含量检验

5.1.1 对饮酒后驾车的嫌疑人员可检验其呼气酒精含量探测器进行检验，呼气酒精含量检验结果应记录并签字。

5.1.2 呼气酒精含量探测器的技术指标和性能应符合GA307标准规定,并具备被动探测呼出气体酒精的功能。

5.1.3 呼气酒精含量检验的具体步骤，按照呼气体酒精含量探测器的操作要求进行.。

5.2 血液酒精含量检验

5.2.1 对需要检验血液中酒精含量的,应及时抽取血样。抽取血样应由专业人员按要求进行,不应采用酒精或者挥发性有机药品对皮肤进行消毒；抽出血样中应添加抗凝剂,防止血液凝固；装血样的容器应洁净、干燥，装入血样后不留空间并密封，低温保存，及时送检。

5．2．2 血液酒精后驾车的人员拒绝配合呼气酒精含量检验方法按照GA/T105标准规定。

Ⅳ 基于CNN的目标检测之GA-RPN

简介：GA-RPN（Guided Anchoring）是一种新的anchor 生成方法，其通过图像特征来指导anchor 的生成。通过CNN预测 anchor 的位置和形状，生成稀疏而且形状任意的 anchor，并且设计Feature Adaption 模块来修正特征图使之与预测生成得 anchor精确匹配。GA-RPN相比RPN减少90%的anchor，并且提高9.1%的召回率，将其用于不同的物体检测器Fast R-CNN, Faster R-CNN and RetinaNet，分别提高 检测mAP 2.2%,2.7% ,1.2%。

贡献：

提出了一种新的anchor策略，用于产生稀疏的任意形状的anchor；

设计了基于anchor形状的特征适应模块来refine特征；

提出了一种改进模型性能的方案.

现有的Anchor-based方法生成Anchor的过程存在两大问题:

为了保证召回率，需要生成密集的anchor，引入过多负样本同时影响模型的速率。

anchor的尺度和长宽比需要预先定义，针对不同类型的检测任务需要调整这些超参数，预先定义好的 anchor 形状不一定能满足极端大小或者长宽比悬殊的物体。

基于上述两点，作者就尝试使用特征去指导Anchor box中心位置，宽高比的生成，这样不仅可以提高生成Anchor的效率，而且还可以生成任意大小的Anchor，这对于一些比较极端长宽比的物体是非常有效的。

注意：作者假设待检测图像中的目标是不均匀分布的且稀疏的。

作者提出使用图像特征去指导Anchor生成，该结构称为Guided Anchoring，Guided Anchoring可以嵌入到任意的Anchor生成模块之中。下面是一个嵌入到FPN中的例子：

      上图左边是一个FPN结构，FPN每一层的特征都可以嵌入一个Guided Anchoring模块用于预测proposals。Guided Anchoring的具体结构则如上图右边所示，主要由两个模块组成：

        添加两个分支分别用于预测特征图上每个像素（对应的感受野）是目标的置信度，以及对应宽和高。目标的置信度大于一个特定域值，则被认为是目标。显然，这个proposal获取的过程不同于滑窗，可以减少大量负样本（每个Feature map上的像素点做多只产生一个proposal）。此外，由于宽和高也是CNN回归出来的，所以没有对物体的scale，宽高比作任何先验假设。

1、anchor Location Prediction

位置预测分支的目标是预测那些区域应该作为中心点来生成 anchor，是一个二分类问题，预测是不是物体的中心。

FPN特征图经过位置预测子网络生成位置得分图：对基础feature map先通过1*1卷积，然后逐元素Sigmoid转换为概率值。然后根据阈值筛选，可以过滤掉90%的区域而保持相同的召回率

我们将整个 feature map 的区域分为物体中心区域，外围区域和忽略区域：即将 ground truth 框的中心一小块对应在 feature map 上的区域标为物体中心区域，在训练的时候作为正样本，其余区域按照离中心的距离标为忽略或者负样本。通过位置预测，可以筛选出一小部分区域作为 anchor 的候选中心点位置，使得 anchor 数量大大降低。

针对每个检测出的中心点，选取一个最佳的anchor box。最佳anchor box的定义为：与预测的候选中心点的邻近ground truth box产生最大IOU的anchor box。

形状预测分支的目标是给定 anchor 中心点，预测最佳的长和宽，这是一个回归问题。论文直接使用 IoU 作为监督，来学习 w 和 h。无法直接计算w 和 h，而计算 IoU 又是可导的操作，所以使用基于bounded IoU Loss网络优化使得 IoU 最大。

作者认为，直接预测anchor box的宽高的话，范围太广不易学习，故将宽高值使用指数及比例缩放进行压缩：

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

该分支预测dw,dh,通过上式进行压缩，s为stride，σ是经验尺度因子（论文取8），该映射将[0,1000]压缩至[-1,1]。该分支输出dw和dh。首先通过1*1卷积层产生两个通道的map（包括dw和dh的值），然后经过逐元素转换层实现w和h的转化。得益于任意形状的anchor，所以对于宽高比夸张的目标也具有更好的效果（比如火车等）。

Feature adaption模块：这个模块实际上借鉴了可变性卷积的思想。

由于每个位置的形状不同，大的anchor对应较大感受野，小的anchor对应小的感受野。所以不能像之前基于anchor的方法那样直接对feature map进行卷积来预测，而是要对feature map进行feature adaptation。作者利用变形卷积的思想，根据形状对各个位置单独进行转换。

其中，fi是第i个位置的特征，(wi, hi)是对应的anchor形状。NT通过3*3的变形卷积实现。首先通过形状预测分支预测offset field，然后对带偏移的原始feature map做变形卷积获得adapted features。之后进一步做分类和bounding box回归。

采用多任务loss进行端到端的训练，损失函数为：

利用groundtruth bounding box来指导label生成，1代表有效位置，0代表无效位置。中心附近的anchor应该较多，而远离中心的anchor数目应该少一些。假定R(x, y, w, h)表示以(x, y)为中心，w和h分别为宽高的矩形区域。将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.定义中心区域CR=R(x'g, y'g, σ1w', σ1h')，CR区域内的像素标记为正样本；

b.定义ignore区域IR=R(x'g, y'g, σ2w', σ2h')\CR，该区域的像素标记为ignore；

c.其余区域标记为外部区域OR，该区域所有像素标记为负样本。

考虑到基于FPN利用了多层feature，所以只有当feature map与目标的尺度范围匹配时才标记为CR，而临近层相同区域标记为IR，如下图所示。文中使用Focal Loss来训练定位分支。

首先将anchor与groundtruth的bbox匹配，然后计算最佳宽和高（可以最大化IoU）。因此重新定义了变化的anchor与gt bbox的vIoU：

变化anchor：awh=(x0, y0, w, h)

groundtruth bbox：gt=(xg, yg, wg, hg)

其中IoUnormal是IoU的常规定义，w和h是变量。由于对任意位置的anchor与ground truth，对vIOU进行明确的表示是非常困难的，因此给定（x0,y0），本文采用近似的方法，采样一些可能的w和h。文中采样了9组常见的w、h。实验表明结果对sample的组数不敏感。文中采用有界IoU损失来最大化IoU。

作者使用Guided Anchoring策略来改进RPN（称为GA-RPN)。下图对比了RPN和GA-RPN产生的proposal的IoU分布：

很显然，GA-RPN产生的正样本数目更多，而且高IoU的proposal占的比例更大。训练时相比于RPN，GA-RPN采用更高的阈值、使用更少的样本（使用高质量proposal的前提是根据proposal的分布调整训练样本的分布）。

优点：

1、论文提出anchor设计的两个准则：alignment 和 consistency，指导基于anchor优化的方向。采用位置预测和形状预测两个分支，不需要像FPN预先设置尺度和长宽比，同时使用可变形卷积对feature map调整，生成高质量低密度的proposal，提高IoU的阈值进行训练。

2、提出了一种新的anchor策略，用于产生稀疏的任意形状的anchor；

3、论文提出的GA-RPN可以完全替代RPN，在Fast R-CNN, Faster R-CNN and RetinaNet等模型基础上提高目标检测模型的精度。

缺点：

1、论文假设图像中的目标是稀疏的。如果是稠密图像，比如车站或广场的拥挤人群，检测效果有待检验。

2、每一个点只产生一个anchor，那么对于那些目标中心重合，即一个点需要负责检测两个目标，似乎无法处理。

3、采用deformable卷积会相对地降低速度，同时根据DCN v2的分析，在deformable卷积中加入可调节的机制可能会更好。

思考：

        1、可以借鉴采用双分支预测：一个分支预测目标的中心点，另一个分支预测物体的长框，这个思想的实现和看完cornerNet和CenterNet的想法实现是类似的，但是出发点不同。

        之前做双分支预测是想利用anchor free中的中心点的预测看能否增加物体的内部感知能力。现在的双分支预测是为了减少先验框anchor的数量，减少正负样本的不平衡问题。两者出发点不同，但是采用的操作是类似的，有效性有待考证。

Ⅵ 检验痰中ga是什么意思

不是ga，是Ca吧。
Cancer的简写，癌症的意思。