赶走工作中伤害身心健康的“反压力”(欢迎大家批评指正)

    人在不同的年龄段,有着不同的工作状态,在 家庭、事业、身体 三者中不断的条件,达到三者共赢的状态,才是成功的人!而不是一味的付出,一味的牺牲,在得到的同时又面临着失去,给自己或家人带来不必要的麻烦。

    如何调节自己的心态,如何积极快乐的面对工作,至关重要,一个人至少要工作45年,如果你天天都不开心的去工作,可想而知,你的人生已经失败了。

    为什么有的人工作很开心,有的人工作不开心!开心是因为他们找到了一份自己喜欢的工作? 那为什么有很多人找到好工作后,越干越不开心,越干心理压力越大,在 房、车、家庭 的压力中,几乎面临着心理崩溃? 是因为,你 没有找到 正压力 与 反压力。

正压力:  

    能够给予人前进的动力,督促人努力朝目标努力奋斗的正向压力。这种压力,能够使人获得健康的心理状态。

    比如,高中生学习任务重,但想着将堆积如山的书籍学习之后,将会获得丰富的知识,开阔自己的眼界,获得行动的能力,就充满了奋斗、精进的力量。

 

反压力:

    越前进,身体、心理、精神 承受的负面影响越大的压力,称为反压力,它总是能给人们带来 不易于身心健康的情态。

    工作特别忙,没时间照顾身体、家人,因工作的忙碌带给自己 身体的不适,家庭关系的不和谐,今儿影响自己 心理健康 的压力,称为 反压力。

    

我们的反压力来自于哪里?

    一个刚当爸爸的人,努力的奋斗在工作岗位上,经常加班,无暇顾及 妻儿 及 自己的身体健康,越工作,家人的反感,身体的不适越重!

    一个高中生,努力的学习,经常熬夜学习,无暇顾及 游戏、足球、朋友 ,越学习约充实,越快乐!

 

这样的两种情况,都是在朝着自己的理想、目标而奋斗,他们都没有,那么为什么带来的心理状态不同呢?

    学习,只管好好学习,家庭、生活、一切都有父母来打理,说白了除了学习,其它的事儿 有他没他一样。除了学习,其它的事情处理的好坏所带来的负面情绪并不能对自己的心理健康状态造成很大的影响。

    工作,只管努力工作,家庭、妻儿、健康 都无暇顾及,这个人将会越来越烦躁,为什么?因为 家庭、妻儿、健康 这些他不能忽略,忽略这些反而给他带来更大的精神压力及痛苦。

 

    通过上面的例子,我们可以看到,压力来自于那些不能忽略的与我们目标产生冲突的事物,如果我们不能很好的协调这些冲突对立的事物关系,将会给我们带来很大的负面情绪,甚至是麻烦。

 

    多少人,为了工作,牺牲了身体,忽略了家庭,忽略了孩童的教育。对于公司,每个人都可有可无,但对于家庭,每个人承担的角色却至关重要。调节好 工作 家庭 身体 之间的关系,是每个职场人士必须要面对的问题,如果你忽略了他,那么你只是个称职的职员,却是个失责的父母,儿女。

 

    如果,一份工作,给你带来的负面压力越来越大,那么你要尽可能的调节它,或者换份工作。

 

 

如何调节 工作 家庭 生活 的状态呢?

   很简单,尽本分。

    在公司中,主动承担工作任务,积极思考,杜绝懒散,尽职尽责的努力出色的完成自己的任务。只有本职工作做好了,闲暇时间做点儿其它的事情,领导才不会有意见。

 

如何对待加班?

    在工作的时间内,尽自己的本分,但在工作时间外,就要权衡利弊。通常情况下,加班只是一时的忙碌,工作上到了关键的时刻才会安排加班来完成一些重要的赶进度的任务,这时候要配合公司,做好本职工作。替公司分忧,尽员工职责。这样的员工没有领导不喜欢。

    但是,如果工作经常忙到要加班,减少了自己照顾家庭、父母、身体的话,那就要考虑是否要换工作了?经常忙碌到要加班,无非两种情况,一,自己的专业能力不能够胜任工作任务。二,大多数员工都在加班,公司处于刚起步状态,对员工关怀无暇顾及。

    如果是自己的原因,那么我们就要在自己 家庭、身体 允许的情况下,努力提高自己的工作技能,如果实在压力很大,可以重新找一个轻松的工作,薪资低一点,边工作边努力学习,待自己够优秀的时候,要么已经升职,要么重新找工作,这样也有足够的把握和信心。

    如果是公司的原因,那么就要看自己当前的状态是否适合当前公司的状态,通常刚刚创业起步的公司,都在拼命去完成客户的需求,连老板都在拼命,员工可想而知!但老板在拼命的时候,他却有坚强的后盾做支持,等初创期过去以后,他将迎来人生的春天。

    这个时候,如果你刚好是初入职场,想要发光发热的时候,那么你也跟老板一起拼命,等初创期过去,你也会迎来人生的一次小胜利。或者,这个时候,你的家庭、事业都进入了稳定期,需要的是在此基础上创造新的高度,子女学业有成,父母身体健康,那么你可以跟老板一起拼搏,这样的人往往能够获得人生的有一次成功,因为这个时候,有能力,有经验,有遇到了发挥能力的平台,很难不成功。

    但,如果不是初入职场,或家庭事业都进入稳定期的话,我们就不能全身心投入工作,这样的状态将给我们带来巨大的心理压力,无暇顾及自己的身体,身体每况愈下,这对家庭、父母、子女,都是不负责任的。

 

    一个好的工作,是努力工作能够获得相应的回报,还有时间照顾家人,锻炼身体,又有业余时间丰富自己的生活。在工作中不断增长能力,积累经验,积累人脉,给自己以后的成功创造条件。

 

每个人的成长过程:

第一阶段: 

    跟优秀的人学习,积累能力,努力工作。     这段时间,通常在初入职场到结婚。20-30岁

第二阶段: 

    同优秀的人合作,积累经验,积累人脉,同时照顾 家庭、身体。   从每个人结婚开始。  30-40岁

第三阶段: 

    领导别人一起做事,使下属变得更优秀,使自己的能力得到完善与发挥。   40-50岁

 

    每个初入职场的人,别急于发挥自己的能力,因为优秀的人太多,别因为自己学到一点儿东西就沾沾自喜。

    婚后的每个人,重心应该偏向于家庭,因为家庭比工作重要的多,在这段时间,运用自己已经掌握的能力,高效的完成工作,然后照顾家庭,教育子女,孝顺父母。在这个阶段中,不段的升华自己的能力、人格,积攒人脉。

    当子女成人,事业稳定,家庭和睦,慢慢的可以把精力抽出来,寻找一些优秀的人,一起合作,协作共赢。

 

正确积极的工作态度:

    不论你的人生在那个阶段,在工作的时间内,认真工作,别偷懒。初入职场的,努力积攒能力。

    在工作中,凡事以工作为先,自己的事情待工作做好后再处理。

    只要是领导关注的事情,就要特别谨慎,把它做好!然后站在领导的角度思考工作,努力与领导的思考角度看齐。

    在工作中,能力突出不重要,重要的是是否把事情做好。

    不断纠正自己的错误,要用于承担责任,而不是推卸、淹没,你推不掉的,推掉的是别人的信任。

    勇于担当,别人不敢做的,我做。 增加自己能力的同时,赢得领导的信任。

    

    永远记住,家庭、身体 比 事业更重要,要让 家庭、身体、事业  与自己的付出成正比。

  • 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 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
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(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 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