一年后,我是否算人力。。。

上午项目经理告诉我:准备一下,甲方要面试你,如果通过你就可以算人力了。
很兴奋,赶快把这一年来做过的东西整理梳理一下,还有系统中自己接触的两个模块的业务架构。正在我激动不已的时候,听见经理和甲方开发经理的交涉:是否接收我。当时的结果好像是:NO!
可以想象我的心情有多失落。

关于是否算人力
我们作为外包公司,给甲方干活,甲方按照人力进行结算。也就是说甲方每个月只给我们公司10个人的工资,至于真正有几个人在干活那就与他们无关了。而我这一年来都是在编制之外的。原因有两个:1.目前项目组的人力饱和,没有空缺 2.我在上半年的表现不足以让经理考虑为我争取作为人力的机会。

不得不说自己作为程序员以前浑浑噩噩的状态让我失去了太多。首先就是别人的信任,负责人不敢也不会把重要的需求给我做,可能我也胜任不了。其次是成长的机会,没有经历没有成长。不过在失去的同时我也得到了一些:比如说磨砺了自己的心理承受力,改善了自己理性分析事情的能力,当然还有排解别人鄙夷的能力。

现在的我在工作状态上改善很多。这一路走来很是坎坷,但一步一步很踏实。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、法分类 基于深度学习的目标检测法主要分为两大类: Two-stage法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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