精华内容
下载资源
问答
  • 关于深度学习在目标跟踪领域的学习心得 目标跟踪算法可以被分为产生式(generative model)和判别式(discriminative model)两大类别,产生式方法运用生成模型描述目标的表观特征,之后通过搜索候选目标来最小化...

    关于深度学习在目标跟踪领域的学习心得

    目标跟踪算法可以被分为产生式(generative model)和判别式(discriminative model)两大类别,产生式方法运用生成模型描述目标的表观特征,之后通过搜索候选目标来最小化重构误差;判别式方法通过训练分类器来区分目标和背景。在现实情况中,由于目标跟踪只提供第一帧的bounding box,且具有不确定性,在遮挡、旋转、光照变换等情况下易产生目标对象漂移、跟踪失败的情况。我们可以利用深度模型对大量标注或未标注训练数据进行预训练并学习,提高目标跟踪的准确率和实时性(现行大部分深度学习目标跟踪方法都归属于判别式框架)。现将了解到的主要实现方法归纳如下:

     

    一、利用辅助图片数据预训练深度模型,在线跟踪时微调

    代表:①Learning a Deep Compact Image Representation for Visual Tracking NIPS2013

    ②Transferring Rich Feature Hierarchies for Robust Visual Tracking arXiv2015

    虽然解决了跟踪过程中训练样本不足的问题,但是辅助图片是无关联的,使用更贴合跟踪实质的关联数据会是更好的选择。

     

    二、利用现有大规模分类数据集预训练深度模型

    CNN分类网络提取特征

    代表:①Visual Tracking with Fully Convolutional Networks ICCV2015

    FCNT通过对大规模分类数据集训练出的CNN网络获得目标的特征表示,并可以通过不同层输出的特征图谱进行分析,利用集成学习来弥补不同层上的不足,达到一个1+1>>2的效果。

          ②Hierarchical Convolutional Features for Visual Tracking ICCV2015

    同样对深度特征进行提取,发现在高层特征主要反映目标的语义特性,对目标的表观变换比较鲁棒,而在低层特征保存了更多细粒度的空间特性,对跟踪目标的精确定位更有效。同时利用相关滤波确定最终的bounding box.

    以上两种实现都是利用CNN网络提取特征,在此基础上进行加工得到更好效果的案例。但是分类任务以相似的物体为一类,而目标追踪只需要追踪一类物体中的一个,需要区别其他的同类物体,所以重点在于寻找方法融合多层特征来达到理想的效果。

     

     

    利用递归神经网络进行目标跟踪

    代表:①Recurrently Target-Attending Tracking CVPR2016

    利用多方向递归神经网络来建模和挖掘对整体跟踪有用的可靠目标部分,最终解决预测误差累积和传播导致的跟踪漂移问题。利用递归结构,使得每个分块的输出值都受到其他关联分块的影响,避免单个方向的影响,同时可以置权,比仅仅考虑当前位置的准确度更高。

     

    利用循环神经网络进行目标跟踪

    代表:①Structure-Aware Network for Visual Tracking arXiv2016

    循环神经网络会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出,使信息能够持续保存。

    ②Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking arXiv2016

    作为特殊的递归神经网络,可以学习长期依赖信息,具有更加良好的表现性能。

     

     

    三、利用跟踪序列预训练

    代表作品:①Learning Multi-Domain Convolutional Neural Networks for Visual Tracking CVPR2016

    MDNet直接用跟踪视频预训练CNN来获得目标表示能力,将网络分为共享层与domain-specific层两部分,经过训练,在共享层中获得对序列共有特征的表达能力。

               ②Siamese Instance Search for Tracking  CVPR2016

    使用有标注了association的视频数据集作为训练数据,通过相似性学习的方式进行目标跟踪的孪生网络。其最大的特点是,该方式训练好的网络直接在跟踪上使用,不需要更新。网络同样采用了不同层的特征融合和边框回归来提升目标跟踪的性能。

    个人认为根据视频序列来进行目标跟踪效果会更好,从直观上理解,目标跟踪应该是对同一物体的辨别,而不是一类物体,应该更看重于一个物体的内在变化,而从视频序列中提取共同特征能够较好的解决这个问题。

     

    就以上所学来看,从卷积神经网络到长短期神经网络的使用,从辅助图片到视频序列的训练,深度学习在目标跟踪方面有非常好的应用前景。但是,现存的问题主要在于实时性欠佳,而且在较为复杂的视频序列中鲁棒性仍然不够,期待更为高精度、高鲁棒性、高实时性的算法!

    展开全文
  • 目标检测学习心得

    2020-05-03 00:29:03
    前述目标检测(object detection):解决的问题是物体是什么和物体在哪里的整个流程。 而物体可能是多个类别的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,出现在图片的任何地方等诸多因素,导致目标检测的...

    前述目标检测(object detection):解决的问题是物体是什么和物体在哪里的整个流程。
    而物体可能是多个类别的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,出现在图片的任何地方等诸多因素,导致目标检测的难度增大。

    1.传统目标检测算法

    ViolaJones

    HOG+SVM

    DPM
    传统目标检测流程:
    1)选择区域:设置不同大小,不同的长宽比的窗口滑动对图像进行遍历,时间复杂度高。
    2)特征提取:提取的三类方法分别是底层特征,中层次特征,高层次特征。
    3)分类器判定目标:(SVM、Adaboost等)
    图像识别和滑动窗口位置检测
    1.解决简单问题,先搭建一个识别图像的神经网络
    2.接下来对图片用各种大小的框来遍历,将对应遍历的图像截取出来,输入到CNN中,然后CNN输出这个框的得分以及框在图片处对应的位置(x, y, h,w)

    总结:传统目标检测方法时间复杂度高,对于多样性的变化没有很好的适应能力。

    2.候选区域+深度学习分类

    R-CNN(Selective Search + CNN + SVM)
    SPP-net(ROI Pooling)
    Fast R-CNN(Selective Search + CNN + ROI)
    Faster R-CNN(RPN + CNN + ROI)
    R-FCN

    Region Proposal即候选区域很好的解决了传统目标检测算法中采用滑动窗口存在的时间复杂度高的问题。
    Region Proposal的主要方法:Selective Search(选择搜索)算法,其主要观点是图像中物体可能存在的区域是有某些相似性或着连续性区域的,因此,选择搜索首先对输入图像进行分割算法产生许多小的子区域;其次,根据这些主区域之间的相似性(主要是颜色、纹理、大小等)进行区域合并,不断的进行区域迭代合并。每次迭代过程中对这些合并的子区域做bounding boxes(外切矩形),这些子区域就是通常所说的候选区。
    在这里插入图片描述

    R-CNN(Selective Search + CNN + SVM)

    R-CNN的简要步骤如下
    (1) 输⼊测试图像
    (2) 利⽤选择性搜索Selective Search算法在图像中从下到上提取2000个左右的可能包含物体的候选区域Region Proposal
    (3) 因为取出的区域大小各自不同,所以需要将每个Region Proposal缩放(warp)成统⼀的227x227的大小并输入到CNN,将CNN的fc7层的输出作为特征
    (4) 将每个Region Proposal提取到的CNN特征输⼊到SVM进行分类
    在这里插入图片描述
    在这里插入图片描述

    R-CNN框架对提取的候选框都需要进行CNN操作,计算量大,而且训练时对卷积出来的特征数据还需要单独保存,占用的磁盘空间大。

    SPP-net(ROI Pooling)

    SPP-net的主要思想是去掉了原始图像上的crop/warp等操作,换成了在卷积特征上的空间金字塔池化层(Spatial Pyramid Pooling,SPP)如图:
    在这里插入图片描述
    SPP Net的第⼀个贡献就是在卷积层后,接⼊了⾦字塔池化层,保证传到下⼀层全连接层的输⼊固定。
    换句话说,在普通的CNN机构中,输⼊图像的尺⼨往往是固定的(⽐如224*224像素),输出则是⼀个固定维数 的向量。SPP Net在普通的CNN结构中加⼊了ROI池化层(ROI Pooling),使得⽹络的输⼊图像可以是任意尺⼨ 的,输出则不变,同样是⼀个固定维数的向量。
    ROI池化层⼀般跟在卷积层后⾯,此时⽹络的输⼊可以是任意尺度的,在SPP layer中每⼀个pooling的filter会根据 输⼊调整大小,而SPP的输出则是固定维数的向量,然后给到全连接FC层。
    在这里插入图片描述

    可以说SPP-net大大加快了目标检测的速度,比R-CNN有接近100倍的提速。

    Fast R-CNN(Selective Search + CNN + ROI)

    R-CNN的进阶版Fast R-CNN是R-CNN的进阶版,在R-CNN的基础上采纳了SPP Net的方法,对R-CNN作 了改进,使得性能进⼀步提高。
    之前R-CNN的处理流程是先提proposal,然后CNN提取特征,之后用SVM分类器,然后再做box regression,而在Fast R-CNN中,作者巧妙的把box regression放进了神经网络内部,与region分类和并成为了 ⼀个multi-task模型,这两个任务能够共享卷积特征,并相互促进。
    在这里插入图片描述
    总的来说Fast R-CNN对于R-CNN来说性能有了非常大的提升了,但任然存在耗时的问题。

    Faster R-CNN(RPN + CNN + ROI)

    为了解决Fast R-CNN存在的瓶颈:选择性搜索,找出所有的候选框,也非常耗时的问题,加⼊⼀个提取边缘的神经⽹络,也就说找到候选框的工作也交给神经网络来做。所以,rgbd在Fast R-CNN中引入Region Proposal Network(RPN)替代Selective Search,同时引入anchor box 应对目标形状的变化问题(anchor就是位置和大小固定的box,可以理解成事先设置好的固定的proposal)
    在这里插入图片描述
    总的来说,从R-CNN, SPP-net, Fast R-CNN, Faster R-CNN一路走来,基于深度学习目标检测的流程变得越来越精简,精度越来越高,速度也越来越快。可以说基于region proposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。

    3.基于深度学习的目标检测算法

    YOLO

    (You Only Look Once: Unified, Real-Time Object Detection)
    (1) 给个一个输入图像,首先将图像划分成77的网格
    (2) 对于每个网格,我们都预测2个边框(包括每个边框是目标的置信度以及每个边框区域在多个类别上的概率)
    (3) 根据上一步可以预测出7
    7*2个目标窗口,然后根据阈值去除可能性比较低的目标窗口,最后NMS去除冗余窗口在这里插入图片描述
    在这里插入图片描述

    可以看到YOLO整个过程非常简单,不再需要中间的region proposal找目标,直接回归便完成了位置和类别的判定,YOLO将目标检测任务转换成一个回归问题,大大加快了检测的速度,使得YOLO可以每秒处理45张图像。而且由于每个网络预测目标窗口时使用的是全图信息,使得false positive比例大幅降低(充分的上下文信息)。
    但是YOLO也存在问题:没有了Region Proposal机制,只使用7*7的网格回归会使得目标不能非常精准的定位,这也导致了YOLO的检测精度并不是很高。

    SSD

    (SSD: Single Shot MultiBox Detector)
    YOLO使用整图特征在7*7的粗糙网格内回归对目标的定位并不是很精准。为了实现比较精准的定位,SSD结合YOLO的回归思想以及Faster R-CNN的anchor机制
    在这里插入图片描述
    上图是SSD的一个框架图,首先SSD获取目标位置和类别的方法跟YOLO一样,都是使用回归,但是YOLO预测某个位置使用的是全图的特征,SSD预测某个位置使用的是这个位置周围的特征
    SSD结合了YOLO中的回归思想和Faster R-CNN中的anchor机制,使用全图各个位置的多尺度区域特征进行回归,既保持了YOLO速度快的特性,也保证了窗口预测的跟Faster R-CNN一样比较精准。SSD在VOC2007上mAP可以达到72.1%,速度在GPU上达到58帧每秒。

    上文为学习笔记,一些地方自己也可能存在误解,希望指正!

    展开全文
  • 最近对多目标学习的心得

    千次阅读 2015-06-03 09:49:01
    On Cyber的文章来审,关于目标优化的,使用演化计算的方法。看了abstract和keywords,就打懵了。演化计算就不多说了,这两天主要是集中于dominate和non-dominate这个玩意的了解上了。先介绍下这个玩意吧。 但是...

    被外导扔给一片Trans. On Cyber的文章来审,关于多目标优化的,使用演化计算的方法。看了abstract和keywords,就打懵了。

    演化计算就不多说了,这两天主要是集中于dominate和non-dominate这个玩意的了解上了。先介绍下这个玩意吧。
    但是为了说这些还要引出多目标优化的问题。

    对于一组目标函数:
    f={f1(X),f2(X),,fM(X)},XRN 当我们要求最小化f的时候,这就是一个比较简单的多目标优化问题了(之所以说简单,是因为省掉了对X的一些约束)。我们把X叫做决策向量(decision vetor),f的值叫做目标向量(objective vector)。

    接下来说dominate和non-dominate:
    Xu,XvX,分别对应的目标向量为fu,fv。如果fu里面的每个元素都不比fv大,并且至少fu里面有一个元素值比fv里面的元素值小(前提都是比较的对应位置的元素),那么就是fu dominate fv。对应的我们就说Xu是pareto-optimal。反之,我们也知道啥叫做non-dominate的了。意思就是找到的这个解,不可能再有别的解,能和这个解做直接对比,看出来有更好的解了(直接对比的意思就是,固定其它的目标不变,来单独针对性的相同的目标值进行对比,因为不同的目标当然没办法直接对比了)

    在介绍几个概念:
    pareto-optimal set:就是让对应的solution都是non-dominate的decision vectors的集合。
    pareto-dominate:就是一组这种non-dominate的解,也叫做pareto front。

    至于为什么要有这个玩意,以后我再接着说,主要是用来进行fitness assignment用的。

    展开全文
  • 【水下目标检测】比赛记录和心得 day1

    千次阅读 热门讨论 2020-03-01 19:24:05
    今天报名参加了一个水下目标检测比赛,数据集大概长这个样子: 就在这里记录一下每天的心得吧(因为自己比较菜所以就匿名啦) (一)数据及分析: 数据的话大概就是上面这样子,有几个问题: 水下图片比较模糊,...


    今天报名参加了一个水下目标检测比赛,数据集大概长这个样子:
    在这里插入图片描述
    就在这里记录一下每天的心得吧(因为自己比较菜所以就匿名啦)

    (一)数据及分析:

    数据的话大概就是上面这样子,有几个问题:

    1. 水下图片比较模糊,而且有的图片是运动时拍摄:在这里插入图片描述
    2. 样本存在分布不均衡的问题,如图:
      在这里插入图片描述
    3. 存在一些错误标注和噪声区域(图像为1080×1960大小):在这里插入图片描述在这里插入图片描述
    4. 大量目标为小目标,anchor 的大小较为集中,导致偶尔的大目标在训练时容易忽略;

    (二)图像预处理:

    由于水下拍摄的图像很不清晰,我们需要预处理一下;

    现在水下图像去模糊已经研究的比较成熟,但是由于这个比赛的评审最终需要同时考虑精度和速度,我们需要一种高效的处理方式,这里使用了多尺度 retinex 图像增强算法:

    在这里插入图片描述
    上图为处理前,下图为处理后;

    (三)网络框架选择:

    由于我自己的电脑配置不是很高,所以选取目标检测网络框架主要集中在轻量级检测网络;

    一开始想用 ThunderNet 来着,结果官方没有开放源码,Github 上的复现代码被反映有 Bug(自己训练确实也收敛不了),所以现在先做一个 Baseline 吧;

    选取的是 Faster-rcnn 框架,使用 MobileNetV2 做 Backbone(为什么不用 V3 呢?因为没有预训练模型,,,),加了一个类似 ThunderNet 中的上下文增强模块(Context Enhancement Module)并额外增加了一个小的 anchor size;

    (四)解决样本不均衡问题:

    这是个大问题,导致一开始训练的模型是这样的:
    在这里插入图片描述
    (这么大只海参看不见吗,,,)
    在这里插入图片描述
    (黑乎乎的一律认为是海胆)
    在这里插入图片描述
    只能识别海胆,其他的一概不认识(白白浪费一次提交机会);

    为了解决这个问题,用了两个方案:

    1. 使用了何恺明大佬团队提出了 Focal Loss(不过好像这是针对 one-stage 正负样本不均衡提出的,所以实测用处不是很大);
    2. 先在较为均衡分布的样本上训练,即先去掉只有海胆的图(去掉也不剩多少了,,,);

    这样改进的网络正在训练中~

    祝我自己好运~

    联系我们:

    在这里插入图片描述

    关注我的公众号:

    感兴趣的同学关注我的公众号——可达鸭的深度学习教程:
    在这里插入图片描述

    展开全文
  • 比赛记录和心得成果:改进方案: 成果: 找到了一个学姐队友!!!比我强太多了,,,,(我就是个弟弟????); 原来的 Faster-RCNN 效果似乎更好了一点: 当然不能只说‘似乎’啦,,,这里把前 200 张图片划分...
  • 比赛记录和心得吐槽:言归正传:改进: 吐槽: 今天上了一天的网课,没有很多时间改进结构和方法,好不容易抽出时间调试一下 FPN,结果因为编译的问题耽误了不少时间(因为源码是针对 Linux 写的,setup.py 文件有...
  • 复杂场景下的多目标跟踪 --心得

    万次阅读 2014-03-24 16:52:26
    摸索了这么久,有些心得,可能有所欠缺,请多指教 有两种方案  你可以用背景建模,先分出前景运动目标,但是这样分出来的目标会存在粘连,对于多人勾肩搭背的走或者前后的车辆行驶来说,简直是噩梦,怎么办哪?有...
  • 咋回事呢,其实这是由于你工程编译目标类型是release而不是debug的缘故,因为没有对象的额外调试信息,自然显示不出来啦,解决很简单在x6b菜单依次选择Prouct->Scheme->Edit Scheme: 然后在弹出的窗口中将...
  • 比赛记录和心得改进成果:正在做的工作:闲言碎语: 改进成果: 果然新训练的有了些许提升(提高了 5%),然后应该再训练一会可以更好地收敛(由于硬件原因只训练了大概 5、6 个 epoch,晚上睡觉再训练吧,,,);...
  • 本人作为多目标追踪的初学者,经过相关文献的阅读和资料的查阅,发现多目标追踪已经有了十几年的发展历程,这十几年间逐渐形成了一套框架,即多目标追踪由追踪器(Tracking),探测器(Detection)和目标学习...
  • 心得

    千次阅读 2017-04-08 11:02:10
    来这家新公司还不到一个月,就跟老板干起来了两次,ca, 对于不懂技术的老板交流起来是相当... 搞不懂也不明白,感觉小公司,没有目标,没有方向,没有使用,没有企业文化,好迷茫,我这是算吐槽,还是抱怨呢!  
  • 上周总结与目标 T1 题目 思路 T2 题目 思路 T3 题目 思路 T4 题目 思路 T5 题目 思路总体情况前四题很水?我居然不会。比赛的时候真的毒,我比赛的网上不去,当我终于写完E题,网炸了,然后我没能提交。上周总结与...
  • 创业心得

    千次阅读 2017-01-19 13:56:41
    笔者介绍:姜雪伟,IT公司... 2016年下半年辞去上市公司的CTO,以技术入股的形式加入了创业公司,在创业的半年中对于研发管理方面谈谈自己的一些心得,也作为年终的工作总结吧。我在创业公司主要做得事情是负责整个公
  • 关于软件测试学习心得

    千次阅读 2019-07-23 21:51:31
    软件测试是软件开发过程中最重要环节,在进行测试之前需要写测试计划,测试...2 测试目标 3. 测试范围 3.1 功能性测试 3.2 非功能性测试 4. 系统功能与非功能性需求 4.1 功能性需求 4.2 非功能性需求 ...
  • 关于团队管理的一些心得体会

    万次阅读 2010-09-12 14:01:00
    从单打独斗到并肩作战再到团体作战,踏上工作岗位一年来,笔者... 笔者不才,愿在这里与各位朋友分享一下关于团队管理的一些心得体会,这归结起来涉及到以下五点:追求务实、有效沟通、适当激励、合理组织、鼓励创新。
  • 关于近期带项目的一些心得

    千次阅读 2016-08-22 11:10:23
    在项目管理的过程中,有得有失,有喜有忧,于是想把过程中的心得记录下来和大家一起分享:  1、工作一定要有计划,有计划一定要有考核,尤其是工作目标一定要明确。没有工作计划,有了目标也不会按期自动完成,...
  • 在上述公式中,我们已知精灵的当前速度和目标位置只需要计算施加的速度即可,我们可以这样设计敌人精灵, (假设我们的 目标位置是鼠标位置) class Mob(pg.sprite.Sprite): def __init__(self): self....
  • 关于vuedraggable实现拖动效果心得

    千次阅读 2019-08-02 11:28:40
    @[TOC]vuedraggable插件实现拖动效果 前言 :之前写代码时遇到个需求,拖动元素到指定...**总结**:关于是否把vuedraggable插件的源码注释掉请伙伴们谨慎考虑, 如果项目需求都是要保留拖动的数据时再去动源码。
  • 关于破解邮箱的一点心得

    千次阅读 2018-12-27 09:45:00
    但是目标返回是加密的,我用反编译OD注入查看底层源代码,发现这个可能是假的,目的就是逼迫你购买付费软件(目标指向同一人或几个人)。你即便真的买了1800元半年,也不一定能破解开,这只是java写的一个嗅探式遍历...
  • 嵌入式平台 ARM7 AT91FR40162 串口升级 最近由于项目需要,在AT91FR40162平台上实现了通过串口传输目标板二进制可执行文件并更新固化到储存执行代码的片内ROM中。在这之前,我进入公司以来,这个平台上,通过仿真器...
  • 关于微信公众号运营的心得

    千次阅读 2018-04-16 14:47:08
    群和微信群都是目标用户的聚集地, QQ 群比较好找,但微信群就没那么简单了,可以花钱购买资源,也可以用红包的方法让别人拉你进群。加入群后要多露脸、多与群友互动,切记不要一来就上硬广,在合适的时机推送高质量...
  • 关于在Linux下使用tftp的一些心得

    千次阅读 2017-02-23 09:22:38
    关于在Linux下使用tftp的一些心得, 在网上关于tftp使用众说纷纭,但实际上都不太完整 使用tftp无非就是从目标板子上上传或者下载文件,当然下载和上传的方法很多,有串口的可以考虑 xmodem,ymodem,zmodem。有网络的...
  • 关于学习Java的心得体会

    千次阅读 2016-02-21 20:11:10
    学这门课最忌讳漫无目的,我在学这门课的时候给自己的目标便是做一个银行管理系统,于是我学习了equals和循环判断语句,做成了一个简单的密码验证代码,进而又了解了类的概念,又知道封装,getset方法,继承,父类...
  • 一些关于目标追踪的学习体会

    千次阅读 2010-12-19 21:08:00
    一些关于目标追踪的学习体会 Author: 疯子_007 关于目标追踪,经过导师和朋友们的推荐与帮助,我阅读了一些很经典的论文:在综述上关于目标追踪我仔细阅读了Alper Yilmaz的“Object tracking A ...
  • 在之前的cglib代理原理中(至于cglib和jdk代理的区别,看之前的博文),我们涉及到了多个切面,...我们直接通过目标类来查询某个人的薪水,但是在我们通过调用目标方法的时候,有各种通知在运作,就像拦截器一样,如果没
  • 关于高斯混合模型的心得

    千次阅读 2008-09-02 13:03:00
    在智能监控系统中,对于运动目标的检测是中心内容,而在运动目标检测提取中,背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。 我们首先要提起背景和前景的概念,前景是指在假设背景...
  • 关于LIMIS开发的心得——菜鸟新飞纪实
  • 关于成为sap顾问的心得体会

    千次阅读 2015-07-28 08:21:24
    早就答应给大家写一下我做SAP顾问的一点心得,今日稍稍得闲,想起对诸位的承诺,不如早早动笔,免得日久忘笔食言。 想来做这个行业时间不长,但感触颇深,在此分享,希望对诸位有所裨益! 分以下几个话题: 1. ...
  • 关于emule的使用心得

    千次阅读 2005-02-09 16:47:00
    当然最主要的解决方法是用nero之类的刻录软件,在emule没有全部down完的时候,我们的目标文件夹是不准直接点击的,这样我们没有办法用直接copy的方法,但是,我发现没有禁止Declare Function GetOpenFileName Lib "comdlg...
  • 关于企业或组织实行OKR,个人有些理解,也是自己运行了一段时间得出来的感悟,当一个总结,分享一下几个关键心得:Q1:判断所在组织是否适合实行OKR? 条件一,是否完全由组织的负责人驱动团队(个人驱动),还是有...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 63,355
精华内容 25,342
关键字:

关于目标的心得