[团队项目]SCRUM项目6.0 7.0 (新)

6.0-----------------------------------------------------
sprint演示
1.坚持所有的sprint都结束于演示。
  • 团队的成果得到认可,会感觉很好。
  • 其他人可以了解你的团队在做些什么,并得到重要反馈。
  • 演示是一种社会活动,不同的团队可以在这里相互交流,讨论各自的工作。这很有意义。
  • 做演示会迫使团队真正完成一些工作,进行发布。如果没有演示,我们就会总得到些99%完成的工作。有了演示以后,也许我们完成的事情会变少,但它们是真正完成的。
2. 可能会费点时间,实际没有完成多少工作的状况下演示就会变得令人尴尬。团队在做演示的时候会结结巴巴,之后的掌声也显得勉勉强强。有人会为团队感到有点儿难过。有人感到很不爽,宝贵时间被浪费在了一场很烂的演示上。
但它是苦口良药,等到下一个sprint,这个团队就会真得试着做完一些事情!
 
3.Sprint演示提示--检查列表
  • 我们软件工程课的目的是理解开发过程、开展项目管理。所以第一要点是用你们的工作成果展示你们理解了一个sprint流程
  • 清晰阐述sprint目标,免得有些人对产品一无所知。
  • 让演示关注于业务层次,不要管技术细节。即注意力放在“我们做了什么”,而不是“我们怎么做的”。
  • 暂不需要花里胡哨的演讲,集中精力演示可以实际工作的代码。
  • 节奏要快,不要演示细碎的bug修复和微不足道的特性。
  • 可能的话,让观众自己试一下产品。
4.Sprint演示日期:2015.5.24(一个特殊的日子)
   下周二课堂上,第个组用6~8分钟时间进行第一个Sprint的演示。
 
 
7.0------------------------------------------------
Sprint回顾
让我们一次比一次做得更好。
 
1.回顾组织
  主题:“我们怎样才能在下个sprint中做的更好?”
  时间:设定为1至2个小时。
  参与者:整个团队。
  场所:能够在不受干扰的情况下讨论。
  秘书:指定某人当秘书,筹备、记录、整理。 
 
2.回顾流程
  • sprint总结:Scrum master向大家展示sprint backlog,在团队的帮助下,对sprint做总结,包括重要事件和决策等。
  • 轮流发言:每个人都有机会在不被人打断的情况下讲出自己的想法:他认为什么是好的,哪些可以做的更好,哪些需要在下个sprint中改变。
  • 生产率分析:对预估算的生产率和实际的生产率进行比较,如果差异比较大的话,分析原因。
  • 改进之处:快结束的时候,Scrum master对具体建议进行总结,得出下个sprint需要改进的地方。
 
3.回顾辅助(参考图7)
  Good:可以继续保持的做法。
  Could better:需要改变的做法。
  Improvements:有关如何改进的具体想法。
 
4.回顾结论
  即时贴上。
  圆点投票来决定下一个sprint会着重进行哪些改进。
  每个sprint只关注几个改进就够了。
 
5.回顾截止日期:2015.5.25晚10点
 
6.读书
  阅读《构建之法》第8、9、10章,发布读书博客。
 
 
7.0------------------------------------------------
Sprint回顾
让我们一次比一次做得更好。
 
1.回顾组织
  主题:“我们怎样才能在下个sprint中做的更好?”
  时间:时间一个钟
  参与者:重案组成员
  场所:B5001工作室
  秘书:黄冠锋
 
2.回顾流程
  • sprint总结:Scrum master向大家展示sprint backlog,在团队的帮助下,对sprint做总结,包括重要事件和决策等。我们团队在一次次项目研讨中能够逐渐提高个人的能力,使团队合作性更强,工作效率也越来越高了,看燃尽图实际值和理想值也越来越接近了。
  • 轮流发言:122许恒蓝 团队项目使我的写代码能力逐步提高

        129赖新耀 团队分工很明确,能够互相帮助解决问题

        130卢利钦 整个项目开发过程考验的就是人与人之间的默契,相信下一次Sprint会做得更好

        134黄冠锋 在这次团队项目开发中,我们真的学到好多东西,尽管能力水平不平衡但我们能够优势互补,在团队中发挥个人的特长,这样对我们的团队有更好的发展。

  • 生产率分析:项目生产率跟我们预期的大致一致
  • 改进之处:工作分配不够详尽,项目划分还不够明确
 
3.回顾辅助(参考图7)
  Good:可以继续保持的做法。
      经常讨论,发现问题,及时解决
  Could better:需要改变的做法。
      工作分配要更明确
  Improvements:有关如何改进的具体想法。
       有了学问,好比站在山上,可以看到很远很多东西;没有学问,如在暗沟里走路,摸索不着,那会苦煞人。
4.回顾结论
  不断改进不断优化项目的页面,逐步逐步符合大众的口味
 
 
 
 
附上项目截图:
最后附上网页网址:www.dfish.ml    欢迎大家指导指导  不喜勿喷 
我们每天通过CNZZ数据专家及时统计网站流量和用户喜好
 

重案组成员及本次的个人贡献分

姓名学号博客链接Github链接个人贡献分(20*N*比例)80
黄冠锋201406114134http://www.cnblogs.com/hgf520/https://github.com/crown99923
卢利钦201406114130http://www.cnblogs.com/luliqin/https://github.com/luliqin22
赖新耀201406114129http://www.cnblogs.com/lieson/https://github.com/Laixinyao20
许恒蓝201406114122http://www.cnblogs.com/xhlbk/https://github.com/xuhenglan15

转载于:https://www.cnblogs.com/hgf520/p/5511267.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