番茄工作法流程

本文摘录自 Staffan Noteberg著 由大胖译番茄工作法图解

基本方法

将要完成的活动全部填入“活动清单”表格,每天早晨从其中选出数项要在今天进行的活动,抄入“今日代办”表格。

开始工作

  • 在“今日代办”中选择一项最重要的活动
  • 启动番茄钟,时间设定为25分钟
  • 开始工作,指导番茄钟响
  • 在“今日待办”表格该活动右侧表一个叉号(X)
  • 休息片刻(3~5分钟)
  • 开始下一个番茄钟,继续工作,指导完成这项活动,在“今日待- -办”表格中划掉它
  • 每四个番茄钟后,多休息一会儿(15~30分钟)

规则和技巧

  • 番茄钟不可分割
  • 如果一项活动要花费超过5~7个番茄钟,则应拆分为更小的活动
  • 如果一项活动的花费不足1个番茄钟,则可与其他活动合并
  • 一旦番茄钟启动,就必须走到响铃
  • 下一个番茄钟会更好
  • 番茄工作法不要用于假期和休息期间的活动,好好享受生活

中断

应用番茄工作法时,中断是难以避免的问题。如何处理中断?

内部中断

  • 应使这一类中断清晰可见,每次想要做其他活动,在要记录当前番茄钟的X位置旁边画一个撇号(‘)
  • 在“今日待办”表格的“计划外紧急”区域记下这项活动,今天完成
  • 或在“活动清单”表格中记下这项活动,改天完成(标“U”代表“计划外”,如需要还可写上最后期限)
  • 再接再厉完成当前番茄钟,直到番茄响铃

外部中断

  • 应使这一类中断清晰可见。每次有人打断你的工作,要在记录当前番茄钟的叉号(X)位置旁边画一个减号(-)
  • 采取“告知-协商-回电”策略,与中断着沟通。
  • 应用与前述内部中断相同的步骤,记下相关的活动,继续完成当前番茄钟
  • 多数看似紧急的外部中断,其实可以推迟25分钟或者2个小时(4个番茄钟)再来处理
  • 番茄钟期间,可以关闭电子邮件和即时通信软件

这里写图片描述
这里写图片描述
这里写图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算分类 基于深度学习的目标检测算主要分为两大类: Two-stage算:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算分类 基于深度学习的目标检测算主要分为两大类: Two-stage算:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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