分析功能完善case

通过质量属性各个点去分析可能会得到一些新的产出
1. 功能适用性,functional suitability
功能完备性,functional completeness,涵盖所有
功能正确性,functional correctness,提供准确的结果
功能恰当性,functional appropriateness,没有多余的步骤

2. 性能,performance efficiency
时间,time behavior,响应速度(消耗的时间)
消耗的资源,resource utilization,占用了多少系统的资源
容量,capacity,可以承载的负载

3. 兼容性,compatibility
共存,co-existence
互操作性,interoperability

4. 交互能力,interaction capability
appropriateness recognizability,即用户认可
learnability,可学习性,比如在多少分钟就能学会使用洗衣机整个产品的用法
operability,可操作性,即方便操作和控制
user error protection,用户错误保护,即防止用户误操作的能力
user engagement,用户参与,就是说产品能否持续吸引用户进行交互
inclusivity,包容性,不同年龄段的、文化、能力、性别、语言背景,是否都能用
user assistance,用户帮助,比如残疾人是不是也可以用?
self-descriptiveness,自我描述性,即有没有帮助文档,在线支持这些

5. 可靠性,reliability,
在特定的条件下和规定的时间内,持续运行不出错的能力
faultlessness,正常操作下不出错
availability,可用性,简单来说,想用的时候可以用
fault tolerance,容错性,软硬件故障出错的情况下还可以按照预期运行的能力
recoverability,可恢复性,中断或者故障发生之后,产品恢复到之前状态的能力

6. 信息安全,security
confidentiality,保密性,数据只能在被授权的情况下才可以被访问
integrity,完整性,不受未经授权的修改或者删除
non-repudiation,不可否认性,相当于留证据留痕迹
accountability,问责制,可最终落实责任
authenticity,真实性,反过来说就是不是假冒的
resistance,抗性,可以经得住恶意的攻击,sustain operations while under attack from a malicious actor

7. 可维护性,maintainability
modularity,模块化,最重要的是组件与组件之间的解耦
reusability,复用性
analyzability,可分析性,当变更发生时,能够有效且高效地评估影响,定位故障的能力
modifiability,可修改性,说的是改动不容易引起新bug
testability,可测试性,能够客观地设计并执行测试的能力

8. 灵活性,flexibility
adaptability,产品适应不同的软件、硬件、操作、使用环境的能力
scalability,可规模化配置的能力,多了可以加,少了可以减;比方说移动的信号发射器开去演唱会现场
installability,可安装性,灵活安装、拆卸
replaceability,可替代性,比如AB点的车机可以灵活替换

9. 功能安全,safety
operational constraint,操作限制,避免因危险操作而带来危害,比如误操作后不会产生很坏的后果
risk identification,风险识别,
fail safe,失效安全,发送故障时系统自动把自己转换到安全模式的能力,比如检测到xx异常将限速;比如交通灯故障时,默认各个方向红灯闪烁
hazard warning,危险警告,简单说就是提示:比如交通灯从绿变黄时要发出警告,或者显示剩余通行的秒数
safe integration,安全集成,即与其他组件集成后依旧安全

  • 4
    点赞
  • 8
    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