离职了,写点什么吧~

一转眼,工作三年了,如今已经和老东家说再见,即将开始新的征程,于是留下这篇博客,三年工作下来经验没有多少,教训却很多,选择头尾几个项目聊一聊我的一点经验教训,权当纪念三年的美好时光。

1. 教育意义最深的项目

还记得当初姿态估计那个项目的时候,自己很不适应,采用的方法很是“倔强”,坚决不找源代码,坚决不用差分解决问题,坚持自己建模,坚持对7个参数求取解析解,直到清明放假的前一天,终于恍然大悟,狂敲代码,得到了自己想要的结果,三维模型完美地扣在了图像上,那个时候自己真的开心极了。

这是自己第一个真正意义上的项目,虽然让自己体会到了快感,但是更大的教训是,我的做法违背了公司”结果导向“的精神,公司对一个项目做的好只有两个标准:
1. 你提前完成预定指标,注意是提前。
2. 你按时完成了项目,但是项目做的比较细,超过预期指标。

公司认为一个项目的执行是优秀,需要在如上2点之中加上第3点。
3. 你在项目中提出了自己的想法,并且如期完成实现。

而我呢,当时的项目情况是这样的:
1. 我从头开始就是按照自己的想法来做这个项目,完全没有顾忌到项目的考核标准。
2. 项目结果超过预期指标。
3. 项目延期了。。。。
于是,我就悲剧了,当时的书生气还是太浓了,意气用事,完全把项目看成了学校里面的学术类科研,这个项目对我打击挺大,通过这个项目我强制更改了自己做事情的方式。

这个项目的正确做法应该是沿着如下脉络进行。
1. 大量看该方向(姿态估计)上参考文献。
2. 上网找源代码,这里要说一句,任何一个超过3年的研究方向肯定有类似的源代码,多去github,sourceforg,评测网站(如果有的话),文献作者主页上找找。
3. 快速的运行各种网上资源。
4. 挑选效果较好的,快速仔细的阅读其代码,挖掘背后的数学理论。
5. 用纯C实现。

而我当时的研究思路却是如下形式:
1.  大量看姿态估计以及最优化方向上的参考文献,对感兴趣的文献推理数学公式。
2.  自己进行数学建模。
3.  求模型解析解,注意是解析解,其实自己当时很清楚通过差分的方式可以也可以得到精确数值解,但是为图一时之快,竟未采用这类快捷途径。
4.  Matlab编程。
5.  C语言编程。

相信大家能够看得出来我当时是多么的愚蠢,希望大家不要犯我的错误。

2. 最有成就感&挫败感的项目

在做立体匹配项目的时候,由于有之前的教训,自己首先发现了stereo方向竟然有两个给力的评测网站,上面的算法效果,运行时间一目了然,于是乎自己先一个一个的评估靠谱算法源代码, 大部分通过文献作者主页进行查询,快速的调试运行源码,最终锁定目标算法。

下一步就是对源码的理解了,众所周知,很多学术文献的源代码可读性一般,想要短期内深入理解比较困难,自己采用的方式相对比较传统,先仔细阅读了算法文献,对于其中的数学公式进行了推理,在确定对文献理解无误的前提下,源代码就非常容易看懂了,无非就是用了些条件宏,用了一些复杂的结构体,依赖了一些第三方库而已。

通过对文献和源码的双重理解,下一步就是挖掘算法的不足,算法的不足永远都是相对的,要根据实际需求来确定,不要小瞧这一部分内容,往往产品经理给的反馈偏离了客户的真实需求,但做过几个项目之后会发现,其实客户对算法的需求相对比较固定,比如说我这个算法,如果只是作为一个辅助性模块,那么速度肯定是第一位的,如果不是,比如说作为测距使用,那么算法的效果肯定是第一位的,于是效果还行但速度较快的算法肯定是首选,很可惜,当时自己缺乏前瞻性的预判,没有选择SGM算法作为锁定算法,事半功倍的机会被自己给弄丢了,只能对锁定算法进行速度方向上的优化。

在算法速度提升这块,自己还是蛮有成就感的,有两个原创性的想法在里面,并在其中进行了等价性证明。但是,最后的结果没有转化为产品,还是之前的那个问题,缺乏对性能要求的预判,项目只能作为技术储备了,这给自己带来了深深的挫败感。

该项目另一个值得高兴的事情,就是在stereo这块发表了十篇博客,将自己对该领域几篇重点文献的理解分享给大家,嗷嗷开心。


3. 如何在项目中学习提高自己

不敢说自己多会学习,但毕竟工作三年有了一点自己的小经验,我的建议就是专注于项目,尽快的完成项目,将项目过程中自己不会的问题纪录下来,这些问题可能在项目的后续过程中迎刃而解,最好不要遇到一个问题,就花时间去从理论上去补充自己,这样的结果往往是赔了夫人又折兵,很不值得。


我的一个同学和我说过:一个问题半个小时自己还搞不定就要去找人帮你解决。我觉得很有道理,如果自己仔细思考过,至少已经对问题有了一个比较清晰的认识,能够评估出来这个问题通过自己能否予以解决,这个时候如果能够和同事进行交流,说不定事半功倍,问题得以解决,如果自己陷入其中不能自拔,时间也就耗去了。


不要沉浸于算法理论的高大上,而忘记了完成项目才是最大的目的,不要以为自己解决了重要的部分,其余部分就不用马上着手去完成,其实90%的情况下你还会遇到新的棘手问题,这种问题越早遇到越好。


要学会倾听和分享,其实平时和同事们的相处时间是最长的,将你的解决思路分享给同事是一个非常好的习惯,往往对一个问题理解或解决赶到得意洋洋的时候,就会失去对问题的进一步理解机会,这个时候和同事分享一下,往往同事几个不经意的问题会把你带入新的思考中,这种情况我遇到了太多次,本以为自己理解的很明白,其实同事的问题往往还是回答不上来。


4. 总结

自己在过去的三年工作期间,做过了数目可观的几个项目,得到了向很多牛人请教学习的机会,这点令我十分受益,期间挨了N个批评也是很值得的。如今和老东家说再见了,心中有很多不舍,主要是不舍得哪些勤勉踏踏实实可爱的同事们,我们这个行业是一个非常nice的行业,无数IT人事付出的心血不用多说,做出来的也都是对社会有益的东西,愿我的同事们未来的路一切顺利~~

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论 11
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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