老鸟,也会坠机

老鸟,也会坠机
作者:杜书伍 (联强国际集团总裁兼执行长)

人往往会因为熟悉,产生自信,反过来产生轻忽。组织内的「资深人员」,特别容易出现此一盲点。

组织在进用人才时,经常会从外部引进有经验、甚至相当资深的人员。这类资深人员,因为面对新的环境,多数也有体认了解新环境的重要;然而,却因其对此类工作内容非常熟悉,经验十分丰富,无意中产生「从表面上来看都很类似」的感觉,从而会依其过去经验,很快断定「就是这样,没有差别,我了解了」。以至于对环境的改变形成「视而不见」,不自觉很轻忽的「跳」过去。

当主管与这类「资深的新人」对谈时,因为他对工作内容能说得头头是道,使得主管也陷入相同的盲点:误认为他已经了解(对一个新进的人来说)。其实他是以过去的认知在说明,而不是以新环境的认知来说,因而主管也未深入探索他了解的程度。在这种情况下,尔后的工作中,他就会用过去工作的认知与方法来做事,因而,就开始出现种种因认知差异而形成的扭曲。

因熟悉而轻忽的现象,也会出现在内部转任的资深人员身上。资深人员在公司工作已久,对公司相当了解;而新转任的工作,也多半与原有工作有所关连,因而他们对新工作,很容易出现「不会陌生」的感觉,但是他不一定有抓到新工作的精神与立场。在这种情况下,他个人及主管便容易同时忽略掉,需要确认其对新工作的了解程度,从而也就易遗漏需对其做「新人训练」过程。

事实上,上述两类人都陷入一个共同的盲点,亦即虽然已进入里面,但还是停留在「由外面看里面」。只看皮毛以为没有大差异,直接与过去的经验相对应,就以为全都懂了,而不再继续深入了解。如此一来,他们将无法掌握新环境、新工作的精髓,反而停留在用过去的经验、认知与方法来做新工作,陷入「旧酒新瓶」的状态而不自知。在一段时日后,主管即会发觉他们工作似乎一直抓不到准度,而且与组织格格不入,但主管却找不到问题的症结。

因此,对于「新进」或「新转任工作」的这两类「资深的新人」,都要意识到,工作调任时易出现这个「因熟悉而轻忽」的盲点,所以必须刻意培养自己做「新旧差异比较」的习惯,细心体会各种细微差异。而事实上,「新旧差异比较」也是学习方法的一种。

对主管而言,则应该在这些「资深的新人」作上线报告时,特意要求他们提出「差异报告」;从其差异报告中,深度观察其是否有确实「捉住」新职务的特质。如此一来,才不致同时陷入这个盲点而不自知。


本文取材自「联强EMBA」,为联强国际集团内部管理课程主题 
知识与经验分享,是我们回馈社会的方式,欢迎转寄或转载「联强EMBA」,惟不得作为商业用途 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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
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