敏捷记录-20140526

 敏捷记录 20140526
上周开始敏捷,主要实践在backlog,计划会,任务细分,任务看板,每日立会,反思会。

收获:通过看板和backlog可以直观了解工作进度和成员的工作产出,每天都在前进。比较欣慰的是之前产出很低的人员,本周产出第一(因为是优化项目,刚好做的功能是他之前做过的);大家对待办任务的认领也积极。

问题一:集成时间长,交付功能的问题多,可能原因是在组内还未建立起正常的测试流程,开发人员的单元测试也相当不充分。
问题二:个别员工不愿意承担一些公共性的工作,比如说跟po的校验细节需求确认(po不在现场)。因为在开始之前已经明确说明,项目的绩效以大家工作量作为评判依据。

问题解决思路:
1)针对测试问题,因为团队总共只有6个人,任务比较紧,没法安排专人测试,那么下一步将scrum master的20%的时间用于测试,形成标准测试模式和案例,后续往全功能型团队发展,每个开发人员在特定时间段安排测试工作
(2)团队协作问题,在反思会上对这种只想关注自身开发的思想提出讨论,形成思想导向,对公共性事情做得比较多的人员进行口头表扬。个别人员不愿意承担公共性工作的情况,由scrum master负责。
(3)项目人手严重不足,准备招聘新人。


第一步已经迈出,保持良好的流程,保持良好的心态,每周有所进步,慢慢会越来越好。 
  • 0
    点赞
  • 0
    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、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法: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算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法: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算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 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