项目成功的四个必要因素(转)

---1.目标(Goals):你必须知道希望追求的最后结果,并决心达成这些结果。
---2.行动(Actions):你必须根据目标拟定计划,并以果断的行动执行计划。
---3.认知(Awareness):你必须观察行动的结果,评估成功或失败的程度。
---4.改变(Change):如果你遭逢挫折,必须重新检讨目标与行动,判断问题的所在,并愿意修正。

---上述四者都是成功的必要因素。其中设定目标是最根本的程序。在许多项目当中,项目工作所涉及的内容多、范围广、实施的时间长,因此,项目的目标往往是一个难以组织和难以控制的目标,如果对它控制失当,将会引起整个项目工作的失误。为了有效地控制项目的目标,需要建立项目目标计划,并将项目目标计划分解为若干内容单一、跨越时间段的子目标,形成目标体系,再对各个子目标进行分散控制,从而确保项目目标的实现。这是项目执行情况评测技术的基础要求,它具备一套非常有效的目标分解架构体系,明确项目目标的管理层次和内容。

---行动的依据是科学合理的计划。项目执行情况评测技术的应用依赖于一套完整的计划方法,从进度、费用、资源、质量以及未来的控制条件等方面作出充分的考虑。同时,在计划阶段便确定完整的信息沟通方式,可以保障信息的有效采集和传达,以及对项目的认知的能力。

---采用项目执行情况评测技术的优点:
---* 该技术具有非常强大的适应能力,既适用于传统的复杂大型项目,又适用于各种性质的中小项目,并能进行多项目管理。
---* 可形象地利用图形和各种参数把项目中任务的计划进展、计划支出和实际进展、实际支出相比较,从而对项目的进度、费用的执行情况进行评估。
---* 可进行生产效率分析,准确发现问题的所在点。
---* 可对项目进度/费用变化的发展趋势,以及最终结果进行分析和预测。
---* 可对人员、设备、资金、材料等的需求进行分析和调整。

---过去,由于缺乏科学的分析方法,往往是原先的各种报表一直表明项目执行情况是良好的,原以为项目完成时能实现原来的目标,可是直到项目执行大半时才发现实际进展和投入费用正在超过原先预定的计划进度和预算指标。如果出现这种情况,项目的主要干系方都将发生重大损失。采用项目执行情况评测技术,不仅能帮助项目经理避免对项目实施情况作出不切实际的预测,而且上层管理部门也可根据趋势分析图表所提供的信息对此加以纠正。

---项目严密的组织管理是使用项目执行情况评测技术的基础。因为项目执行情况评测技术是以各层次系统的进度计划和科学的预算分配为依据的。没有严密的科学管理,就不可能运用项目执行情况评测技术进行定量评估。因此,该技术的应用,在一定程度上体现了公司的管理水平。


[@more@]

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/7839396/viewspace-946012/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/7839396/viewspace-946012/

  • 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