与人共事的根本在于做一个值得信赖的人

刚工作的一两年里,我的思想观还不太正确,也没能做一个值得他人信赖的人,很多事情没有考虑清楚就说了,在他人看来就是不稳重。

记得在某家公司工作时,有次公司做促销活动, 运营在用户群里说,这是最后一天出售,但是后面一天还有去卖,结果被我们老板看到,然后老板在群里说: 不管是什么情况,我们既然已经在用户群里说了这是最后一天,明天就不能再卖了。你们个人的信誉也是公司的信誉,大家以后多注意吧,重要的事和话想好了再做再说。每一个人都必须高度重视,无论是在工作还是生活中都要做一个有信用值得别人信任的人。

想清楚了再说,说了就要做到

那怎么做才能做一个值得他人信赖的人?当有问题时,说出问题,但这还不够,知道问题的人很多,所以你得有个解决方案,如果是做的更好点的,不但要说出问题,还得自己解决问题,这才是值得他人信赖的人,不过信赖这个词,是比较宽泛的,不仅仅说的信用方面,还有可依赖方面。

某次,由于修改了某个项目上的一些代码,需要部署到测试环境,但由于只有几位后端人员有部署的权限,所以我只好找其中的一位让他帮忙部署,他部署完后,告诉了我一声,我回了个OK,就没说了,但过了一会他问我,有问题没有。心想,原本这不属于他的事情,但他却还那么认真的对待这件事,真是有心了,反而是自己,也不和对方说下结果,我想,不管是自己的问题还是别人的问题,都要有始有终,只有这样才能真正的让别人觉得你是可依赖的。

还有一次在某个项目组时,某次产品经理看我写的页面每次都会报一个错,让我过去看一下,我说应该是我这边的问题,然后产品经理说,让我测试完了再让她看,我说你测,于是她就说,这是你工作的态度吗,然后又和我说,如果让她来测试,测出了BUG,她是要记到本子上的。现在回想这件事就觉得好笑,当时怎么有勇气和产品经理说,让她帮我测试呢。好在,我从刚开始工作到现在,所遇见的都是优秀之人,他们并没有因为我当时不懂事而怪罪我,也可能是因为我当时年纪比较小,所以对我多了一些包容,但我现在明白,不管什么原因, 都应该做一个值得他人信赖的人。

回顾几年前,自己在个别方面表现的不太好,比如:产品经理让改的一些需求,自己老说做不了,可事后又做完了,这样就很容易让他们想成,其实都是可以做的。还有次中午去吃饭时,我跟产品经理说,那个点击显示的改成了移动上去显示,做好了,产品经理说已经看到了。测试听后,有些不悦的说:我让他改的就不改,你让他改的他就改。然后产品经理开玩笑说,他不弄我就捏他,你要捏他啊。

测试之所以这么说是因为有次她给我提了一个BUG,但那个BUG我当时并没有太好的解决方案,而那个BUG也不是什么严重的问题,只是体验不是太好,所以当时我就给测试说,可能那个问题解决不了。但后来我还是把问题给解决了,事后我笑着跟测试说,这以后还是不能说做不了,不然被你们觉得能做的被我说成做不了。

我认为主要有两个原因,一个是不太自信,还有就是没有准备太充分,就把结果给说了,有次产品经理给我提了一个需求,我说这个不是太好做,但是后面一天看代码,还是想出了解决方案,于是我给产品经理说,可以实现,然后产品经理说,我就说你行,老不自信。

有时我们真的应该考虑清楚了再去说,而不是断然的下结论,因为在没有考虑清楚之前,很有可能结论是不正确的,如果我们总是在没有考虑清楚前,就把结论告诉对方,那么这种情况多了之后,你在对方眼里就是不可靠的,更别说值得对方依赖了。

不止于提问题,更在于解决问题

我们团队有做one on one的习俗,one on one在英文中的意思是,一对一,这个一对一就是在某个时间里,领导会找你谈话,在这个谈话的过程中,你可以把最近开心的,不开心的,疑惑的,说出来。某次一对一时和领导聊了一下,关于如何在团队内健康成长的话题,我说:我觉得很多人包括自己,更多的依赖于当前的环境,而不是自我实现,比如说某件事并不是我来负责,也许我就不会对它太过于关注,但又觉得这样做并不好,我想如果大家都这样想,那么很多问题就得不到解决,尤其是某个问题并不由任何人负责时,问题就容易不了了之,我想健康的成长应该是谁也不必说,但是每个人都有那种为了团队更好的意愿和行动。领导回答说:我希望至少在我们小团队里,大家不是这样的,任何事情,从我做起,感染其他人我相信你也能看到这方面,我在做的努力。

当然,后来我也有做这方面的努力,比如: 每周自己都有把分享会的会议室信息摘录的习惯,在摘录的时候,会顺便把这些信息帮忙填写到每周的分享会列表上,还有就是一些新同事不知道要组织分享,因此如果上午很迟都没有在群里面发信息,组织分享会,如果我发现了,就会去提醒一下对方。

以前我更多的时候,是提问题,但现在如果那个问题是我可以解决的,我会直接去解决,我想这是一个好的方向。

做一个值得信赖的人,也意味着需要付出更多,这样,你喜欢吗,我们在没有被人关注的时候,渴望被人关注,可是这被关注了吧,需要承担的责任就越重大,需要做的事情也就越多。

某天早上产品经理说,项目里面还有一些组件没有更换成最新的,测试问我,为什么不更换成最新的,我有点无奈的说,当时我又不在项目组,我怎么知道。我进项目组的时候,也有很多其他的任务,再者也没人和我说要替换组件的事情。对于这类事情,有时还是不太能够控制住自己的情绪,感觉有点委屈,可是这委屈吧,说了也没什么用,最后还是得自己去做。

当你在团队里真的值得他人信赖时,你的一言一行,都变得格外重要。

那我们为什么要做一个值得他人信赖的人呢?有人会说,为了升职,也有人会说,为了虚荣心,但我觉得,信赖是与人共事的根本,只有别人信任你了,才能放心的让你去做事,再者,和一个值得信赖的人共事,将会是一件让人心情愉悦的事,既然如此,我们自己为什么不去做一个值得他人信赖的人呢?

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    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 1
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