团队建设与项目管理之五心说

团队建设与项目管理之五心说

1、尊重之心
  按马斯洛的需要层次理论,渴望尊重是人的高层次需要。项目团队的成员通常是受过良好教育的某个领域的专业人士,人生目标的动机都比较高,自尊心强,对别人对自己的交往态度很在意。因此,沟通一方若能怀着相互尊重、平等相待的心态,必然得到另一方的回报。

2、赏识的心
  美国心理学家詹姆斯有句名言:“人性最深刻的原则是渴望得到赏识,并以得到赏识为满足。”20世纪60年代,美国心理学家曾做过一个著名的实验。在一 所小学里,他们声称评估学生们的未来发展前景,并将一份最有发展前途学生的名单神秘地交给教师,还要求严格保密。戏剧性的事情发生在8个月之后,当初名列 “有发展前途”名单的学生果然成绩进步更快、性格更开朗活泼、跟老师的关系也更好。当教师赞叹心理学家的评估惊人准确时,研究者揭开了谜底:其实那份名单 是随机选出来的,跟评估一点儿关系也没有。真正影响学生表现的,是教师无意中流露出对“天才学生”的关爱的期望。这就是心理学上著名的“罗森塔尔效应”。 我们也从中看到了赏识的伟大力量。

3、分享的心
  分享的心就是与团队伙伴共同享有的心态,它跳出了个人的自私和狭隘,是团队一体感的体现。与团队伙伴一起分享知识、分享经验、分享成功的喜悦,分享一 切值得分享的东西。送人玫瑰,手留余香,分享不会让信息、经验和快乐消减,反而会让它们变得更多。正如:你有一种思想,我有一种思想,交换一下就是两种思 想;你有一份快乐,我有一份快乐,分享一下,每个人就有两份快乐

4、理解的心
  每个人都渴望理解自己,也渴望理解他人,更渴望被他人理解。不被他人理解,往往难以挣脱苦闷。项目团队之中,各成员专长不同,性格各异,思维方式和行 为方式有自己的一套。面对差异,如何沟通?这就需要一颗理解的心。理解的心就是感受对方的心理,就像感受自己的一样。就是将心比心,用对方的眼睛来看世 界,用对方的心灵来体验世界,这样才能正确对待与自己不同的一个个伙伴。

5、双赢的心
  沟通的目的在于交流信息,达成理解,增进彼此感情。沟通本来就应当是追求双赢的结果。那种将自己的意愿强加于人,强人所难的被动沟通,注定是要失败的。双赢的心要求沟通者放弃自我中心主义,相互包容与接纳,互惠互利。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值