2019年上半年工作总结

一、上半年工作回顾

1)、内容制作平台模块(营销方案)

根据原型设计了内容制作平台内卡券、小游戏、平面素材、图文编辑器、微信投票、小视频等模块的效果图,并根据需求及时调整效果图。

总结:该模块整合了多个平台的功能放在我们自己的内容库里,是一个功能很完善的大模块,最开始做的时候,很多地方逻辑有不通的,比如小游戏,通过慢慢的整合完善,流程逻辑也逐步清晰,希望通过往后的调整补充,使这个模块成为一个功能完善,对用户友好的模块。

II)、积分系统模块

根据原型图设计了积分系统的客户端、中心平台以及积分商城的效果图,并完成页面上图标的制作及上传至iconfont,配合前端,完成部分模块的开发。并根据需求及时调整页面内容,使得更符合用户所需。

总结:整个模块下来,发现自己对整个项目全局的把握程度有所欠缺,在做页面时,整体上有时候感觉之前做的界面,要修改调整的地方有很多,对于这点的不足之处,要通过后面模块的设计,逐渐改变,让自己设计的界面,在整个平台上视觉上、用户交互上要是一体的,后续可能会对每个模块进行具体的细节调整。

III)、活动大屏展示

根据领导的需求设计了公司户外活动的大屏显示背景图,并配合前端完成页面的开发及调整。

总结:对于活动页面,自己做的太少,缺乏经验,导致多次改稿。从最开始的不知如何下手,到最后慢慢调整为领导满意的页面,这期间发现自己对于平面的设计能力很差,后期要多动手多去接触一些平面设计的页面。

IV)、公众号(手机端积分商城)

根据原型设计公众号的效果图,并完成页面部分图标的制作以及上传至iconfont,根据需求及时调整页面,配合前端完成整个模块的开发,并配合前端完成界面交互优化,输出设计规范以及界面的交互流程图。并完成细节调整上传至蓝湖,配合前端更好的完成开发工作,也可使开发和产品能及时看到最新的效果图以及逻辑展示。

总结:该项目能更好地服务于用户,使我们的系统更完善。在设计风格上,虽与系统的后台有所差距,但统一了手机端的界面显示效果。

V)、小程序

根据原型图完成小程序的效果图设计,并根据需求及时调整效果图,配合前端完成模块的开发工作以及优化交互体验,输出设计规范文档以及多种类型图标以便更好地配合开发完成工作,调整细节并上传至蓝湖,蓝湖内制作页面交互图(手机端可预览)。

总结:功能比较强大的一个小程序,承载了很多的数据分析,在图表的页面排版显示或者交互上,后期迭代中,逐步完善。设计过程中,图表方面只是做了概念设计,没有考虑前端开发的难度,以后在设计界面时,要多和前端开发沟通,尽量的使前端开发的界面效果还原度达到最高。另一方面,自己也要更多的学习前端知识,了解哪些风格样式或者动效前端可以实现,哪些不可以,能更好地实现项目的展示效果,增加项目的可玩性。

VI)、大数据平台其他模块效果图

根据需求需求完成一下模块部分页面:

  1. 员工信息
  2. 经营数据分析
  3. 定制化运营
  4. 质保单细节调整
  5. 积分金币补录后台界面

VII)、其他

  1. 参与小程序测试
  2. 参与后台系统测试
  3. 白日梦泡泡堂小游戏界面设计
  4. H5小游戏界面设计
  5. 砍价页面设计
  6. 制定系统公共图标库并上传至阿里巴巴图标库。

     

二、工作总结分析

回顾上半年的工作,在公司领导和同事的帮助提携下,我顺利完成了积分系统、小程序、营销平台公众号等模块的效果图设计,并配合公司前端,完成了部分模块的开发工作,积极配合领导以及同事,认真负责的完成工作内容。部分模块因是外包原因,不能及时跟进效果图的开发效果,导致开发出来的页面和效果图相差较大,可以很好的配合交互设计,完成页面的效果设计,并做到有疑问及时沟通,以免做无用功。学习使用蓝湖,更好的为项目服务。以后要学习更多的技能,让设计及交付流程规范化,严谨的对待每一个输出的页面,更好地提高自己的工作能力以及工作效率。


三、个人总结分析

  • 自我学习
  1. C4D基础学习(收获:简单的基础建模)
  2. 前端知识学习(收货:对于某些简单页面可用代码实现)
  3. 手绘学习(收获:简单基本的卡通绘画,暂时搁置了,但以后还需继续学习)
  • 个人优缺点
  1. 优点:
    1. 对于新鲜事物,热爱探索,尤其在自己感兴趣的方面、能拓展自己的知识面。
    2. 团结同事,认真负责。
    3. 最优秀的是当初我选择加入这个团队!
  2. 缺点:
    1. 对于一些工作缺乏想象力,不愿意去思考更多更深层次的东西,就比如我们自己的产品,没有更好地去往以后的发展考虑。
    2. 素材积累太少,或者说自己可用素材内存太小。
    3. 在设计页面时,不注重细节方面的规范,导致后面调整细节花费太多时间。
    4. 在和同事沟通上,虽然我已经努力清楚地表达我的想法,但是常常还是存在词不达意、表述不清的情况。
    5. 不自信,对自己设计的页面信心不足。
  • 调整措施
  1. 对于自己的优点,继续保持,然后找到更多的属于自己的长处,在团队发挥自己更大的价值。
  2. 对于自己的缺点:
    1. 平时看到别人的好的界面以及交互多去思考为什么会这样做,能不能运用在我们的项目上,多看一些好的产品,多试玩一些应用,多总结别人产品的优点,提高自己对产品的认知。
    2. 生活中多积累素材,增大充实自己的素材库,并转化为自己的存储,而不是电脑硬盘里的内容。
    3. 在日常设计方面,做界面时,更高的要求自己的页面设计规范,并整理好文件的管理,严格要求自己的界面设计,大到整个项目的规范统一,小到每个图层每个像素的位置摆放。做好各个模块的版本管理,以免后期花费太多时间去整理。
    4. 沟通上,我需要提高我的逻辑思维能力,学会表达自己心里所想,其次是需要多学习、多看书,练习沟通技巧。
    5. 多看一些设计相关书籍,增加设计专业的知识,保证自己所做的每个页面,每个排版以及所配的每个颜色都能讲出为什么会这样做,这样选择的理由。不断丰富设计知识,多学习,并能做到坚持自己的独立思考,用批判性思维对待他人提出的意见或建议。平时勤动手,多思考。多浏览一些主流设计网站,紧跟目前的设计流行趋势,并思考如何运用到自己的工作中去,怎么能让自己做的页面更符合用户的需求以及审美,做出让大众都喜欢的应用!

       

四、其他工作

因公司后续重构模块的的界面尚未确定,所以其他工作尚且不能具体纳入规划之中。但是对于新的模块页面设计,我也会乐于接手,全心全意做出令大家满意的作品。


五、下半年工作计划

  1. 配合项目完成整个平台的重构!
  2. 完成领导布置的临时任务。
  3. 学无止境。
  • 1
    点赞
  • 1
    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