微软转向更敏捷的开发方式

作为公司转型计划的一部分,微软公司的新任CEO Satya Nadella倡导在敏捷实施中采用更敏捷的方法来构建软件。华尔街日报记者Clint Boulton在他最近的博客中提到,微软公司目前正致力于降低成本和精简运作。

\\

Nadella在微软公司的一封内部邮件中写到:

\\
\

首先,敏捷流程会简化我们的工作方式,强调更大的责任感,使我们变得更敏捷和更迅速。作为让我们的工程流程进入现代化的一部分,我们对各个职位角色的期望和要求都将产生改变。此外,我们计划在纵向及横向上减少管理层级,从而加快信息流动和决策的速度。这包括扁平化组织和扩大人事经理的控制范围。并且由于团队之间更高的信任度,我们的业务流程和支持模式也会变得更加精益和有效。

\
\\

Nadella提到,在敏捷开发方式中,程序员能够快速地编写功能代码,并且可以在两周到四周左右进行提交。相对于传统的“瀑布”模式,这是一次新的尝试,而传统的模式构件软件则需要几个月甚至几年的时间。

\\

Nadella在接受彭博的采访时说 ,在构建云端软件时,相比于建立一个单独的测试团队,不如采取让开发人员主动进行测试和修复缺陷的方式更为合理。

\\

Gartner 公司的副总裁Merv Adrian对微软转型到敏捷的决定有如下评论:

\\
\

微软公司转移到敏捷开发是他们转移到云计算之后必然的结果,因为供应商期待更频繁的软件更新。

\
\\

Nadella专注于对公司进行转型,从而在移动优先和云计算优先的世界中,彻底改造生产率。为此,他激励大家采纳敏捷,以使公司的发展更进一步。

\\

IDC网站的开发主管Al Hilwa则表示,微软可能会将负责质量控制的测试工程师和软件开发工程师的团队进行整合,从而加快开发过程。

\\
\

他们正在重组这个工程,从而实现更敏捷的开发。

\
\\

根据Burnside Digital的业务开发副总裁Massoud Marzban的描述:

\\
\

微软采用敏捷作为前进的方向,这将使公司全方面受益。公司不仅能够加速软件开发的流程,减少所需的人力,还能创造出更多的实用的应用。并且对于我们来说,它意味着更快的将产品推向市场。

\
\\

微软公司的战略转移非常有意义,因为它们已经无法再忍受必须等待两到三年时间才能将软件推向市场的节奏了,tradeMONSTER Group Inc公司的CTO Sanjib Sahoo如是说。该公司使用敏捷流程构件自己的在线佣金软件系统。他说,如果公司不能更快地制造产品,在市场上就会被打败。

\\

几周之前,微软公司发布了一系列的视频,每一个视频仅仅只有几分钟的时间,微软公司开发部门的员工在视频中讨论他们的转变。这里有YouTube网站上该系列所有视频的链接。来自于微软开发部门,负责Visual Studio开发生命周期管理(ALM)的产品战略师Doug Seven关于该系列视频和此次微软公司的转型发表了一篇博客

\\

英文原文链接:http://www.infoq.com/news/2014/09/microsoft-agile-adoption

\

感谢邵思华对本文的审校。

\\

给InfoQ中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ)或者腾讯微博(@InfoQ)关注我们,并与我们的编辑和其他读者朋友交流。

  • 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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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