2013给自己一个总结

2013在平淡当中转眼而逝,我是一个不善于总结的人,过去的都已模糊不清,但是我还是的写下这篇文章要时刻提醒自己以后的路很长要有计划的走下去。

先说说工作上的事,今年其实没做个啥,就像今天老大总结的那样,广告系统优化了下,还有就是智慧wifi的新系统。

由于广告系统是买回来的,外包出去的东西真的是不好用语言来形容,反正系统很乱,很庆幸还是经受住了这一年的考验,里面的代码在高并发,大数据下有很多问题,特别是性能效率上做的很差,记得有段代码是五千多的数据遍历,没遍历一次就去差一个十多万记录的数据库,中间还要做很多逻辑,执行下来大概要花两个小时左右,但是这都是定时任务,到半夜的时候自动去执行的,第二天来系统跑死了,开始看日志找不到原因,因为定时任务太多了,后来着一排查终于照到了问题所在,后来就把十多万数据的表现取出来放在内存中,待做判断的时候直接判断,这样性能稍微过的去了一点。其实这个系统还有很多问题,就是在用户体验上,以前和设备之间的规则大部分是靠正则去实现,但是客户又不是程序员哪懂那东西,现在又想把正则界面化,通俗化,让用户可以自己建立广告和设备关联,这是一个很大的问题,今年的好好想想方案。

还有一个系统就是关于设备集中管理,用户认证上网的系统,这个系统真的很头疼,我觉得这个系统还是前期需求不确定上面对这个系统的评估简单化了,记得我刚接触一个项目的时候,还在忙着另一个系统,上面找到我说一个星期把这个系统搭起来,上面发话了就照办呗,后来天天加班终于搞起来了,但是市场觉得这东西不是他们想要的,没办法改呗,后来市场拟了套方案,基本全部和以前的都变了,重构呗,又是日以继日的加班,终于搞出来了,但是市场需求三两天的变,系统越改越混乱,最后达到现在的四不像,关键是现在的性能出现了瓶颈,这个问题在他们舍弃了一定需求后好像解决了,这个我没参与,这东西主要还是需求和数据库设计上的问题,要是需求能稳定点,也不会出现现在这种情况。

现在手头有个关于微信营销的系统要改,也是买回来的,这套代码更乱,更臃肿,现在还没上线,还有很多bug,的抓紧把它完成。记得之前就有套关于微营销的系统,买回来的时候改了好几天,还加了不上班,后来耍了个周末来,上面就不用那套了,理由是功能太少,我们几个加班的心血就这样流入了黄河,在这个系统上还有个同事被劝退,说起来还是有点替他不值毕竟都到年关了嘛,上面就狠心的把别人炒了。

回想起今年的这些项目,还是有点失落,没有一个拿得出手的产品,当热这是我们的责任,是我们不理解市场需求,是我们能力达不到市场要求,是我们急于求成,是我们疏于对真个系统的考虑,是我们沟通有问题,在一些概念上不对等,等等。

这些问题我的反思,我也想上面反思,毕竟工作项目是一个团队的组合。我希望他们也这样想。

生活上一如既往我还是那个我,我是一个月光族,但是一心想干一番大事业,改变自己和家人的生活状态,而我的性格好像也干不出啥大事业来,关键是我比较宅,不爱和人沟通,现在我觉得人和人之间的关系是多么的重要,就拿我和媳妇父母的关系来说,我很少和她家里人交流,以至于他们都认为我到底愿不愿意当他们女婿。

性格上的问题我在改,慢慢的我也要走出去,不能只活在自己的世界里,要多和亲人朋友沟通,因为在这一生中只有他们才会再我最无助的时候升出援助之手。

2014年我想在公司好好表现,刚交了调薪申请不知道能不能批的下来,毕竟给公司也没啥贡献,至于薪水我觉得还是托了我们行业的后腿,但是我会努力,争取在老板面前表现下,放开我的性格,把我的优势展现出来。

2014我想买房,但是我一分积蓄都没有,家里条件也是不行,父母辛辛苦苦攒了点钱说愿意支持我买房,但是我拿不定主意,父母都是农村人在外打工也不容易,没那脸面伸手向他们要钱,而且他们也那么大的岁数了,媳妇家是两姊妹,家里条件也不行,她又是占老大,以后很多问题都的我和她扛,要是父母身边没几个钱,这人一上了年纪难免也生病的可能,要是到时候我都生活都成问题,也对他们爱莫能助,总之现在压力很大,一直想做点小生意,但是都是同一个问题没钱,也是怪自己平时也不节约。

2014我想结婚了,毕竟和媳妇生活了五年之久,和我经过了很多,不管她性格,人才如何也还是就她了,毕竟一生当中有多少人愿意和自己经过五年。

2014加油...

  • 0
    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指标,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