Echo团队Alpha冲刺 - 总结随笔

班级:软件工程1916|W
作业:项目Alpha冲刺(团队)
团队名称:Echo
作业目标:完成项目Alpha冲刺
评审表:腾讯文档
Alpha冲刺随笔集合

目录

团队博客汇总

队员学号队员姓名个人博客地址备注
221600418黄少勇http://www.cnblogs.com/huangshaoyong
221600420黄种鑫http://www.cnblogs.com/huangzhongxin队长
221600421孔伟民http://www.cnblogs.com/kwm42
221600422李东权http://www.cnblogs.com/Ldqblogs
221600425林弘杰http://www.cnblogs.com/lhj20190212

项目预期计划及完成情况

在alpha冲刺前所列出的计划

预期计划完成情况
小程序
完成整体框架搭建已完成
完成登录及绑定模块已完成
完成公告模块(含最新公告、小区公告、我的消息)已完成
完成账单模块(查询、缴费)由于微信支付需企业等资质才可实现,故目前只为模拟实现
完成报修、投诉模块(含提交、查询)已完成
完成问卷调查模块(查询,提交)已完成
Web端
完成整体框架搭建已完成
完成登录模块已完成
完成宿舍信息管理模块(增删改查)已完成
完成员工信息管理模块(增删改查)已完成查询、删除功能
完成缴费信息管理模块(增加、查询)已完成查询功能
完成维修、投诉管理模块(查询、修改)已完成
完成信息公告模块(查询、发布)已完成
完成问卷调查模块(生成,发布,查询)已完成

alpha阶段github地址

由于采用前后端分离,所以github仓库分开建
小程序前端
小程序后端
web前端
web后端

alpha阶段github提交记录

web前端:
o_web_frontend.jpg
web后端:
o_web_backend.jpg
小程序前端:
o_xcx_frontend.jpg
小程序后端:
o_xcx_backend.jpg

过程体会

  • 黄少勇
    虽然之前没有合作做过一个项目,但是我们团队每个人的定位比较明确,较早的就有明确的分工,在整体的时间安排比较充分,有剩余的两三天进行对接,测试和debug。不过缺乏测试方法,经常是发现一个bug改一个,效率比较低。个人方面缺乏做项目的经验,对分包和分类方面也不太明确。

  • 黄种鑫
    在这次冲刺中,整体来说还算挺ok的。对于我自己而言,除了学习了如何使用一个框架来开发项目之外,也比较好的加强了自己的团队协作能力。项目的alpha冲刺能基本达到我们一开始的预期,应该是和整个团队的搭配不可分割的,在这里感谢下我的队友们~

  • 孔伟民
    接口设计的有些问题,有些功能的接口是后面加上去的(而且添加功能没有完成~~ ,和后端对接口的时候出了许多问题,前端登录有个问题,还好解决了,反正 JavaScript 天下第一,还有一点:你写代码的样子,好像cxk啊!

  • 李东权
    在开发过程中,接触了不少新知识,通过这次实践,更加深入的理解了所学的知识。在后期接口对接过程中,出现了许多bug,其中很大一部分bug在开发起始阶段完全可以避免,今后在后续开发中要注重开发起始阶段的准备。

  • 林弘杰
    该次alpha冲刺我得到一些经验教训,由于之前没有接触过测试,就花了三天的时间学习怎么使用Robot Framework,但是进度应该是队友写完一个接口,我就按照接口文档编写自动化脚本对这些接口进行测试,好让队友及时发现问题,及时更改,这样会让整个项目的开发更加稳定。

组员分工及工作量

学号姓名任务贡献比例
221600418黄少勇小程序后端21%
221600420黄种鑫小程序前端21%
221600421孔伟民web前端20%
221600422李东权web后端19%
221600425林弘杰测试、演示19%

上次答辩问题回答

1.为什么只有舍长能缴费?

因为物业那边收费是以宿舍为单位进行收集。原本应该是每个人都可以缴费,但是为了方便,我们限定为舍长缴费。

2.投诉有没时效性?

暂时没考虑时效性。

3.投诉有没标志显示是否回复?

有标志显示是否处理,暂时没有实现回复功能。

4.物业管理系统首先限定在学生宿舍,我们家小区就没有负责水电费的缴纳

我们目前针对的是福大物业,后续可针对不同小区进行不同功能的调整。

5.界面如何设计的没有在系统设计说明中看到

我们在写系统设计说明书时,以为原型设计已经在前面的作业中展示过,故没有写在说明书里。已经在上次的作业随笔中添加原型设计的地址。

下阶段展望

  1. 完成alpha阶段中未完成的增加、修改员工信息,增加缴费信息等功能
  2. 完成投诉、报修回复功能
  3. 增加投诉、报修的快速筛选功能(即把未处理、提交较早的优先展示)
  4. 尝试处理重复提交的投诉、报修信息的过滤

转载于:https://www.cnblogs.com/magicNumber/p/10809450.html

  • 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