一、SWOT分析法：

Strengths：优势
Weaknesses：劣势
Opportunities：机会
Threats：威胁
意义：帮您清晰地把握全局，分析自己在资源方面的优势与劣势，把握环境提供的机会，防范可能存在的风险与威胁，对我们的成功有非常重要的意义。

二、PDCA循环规则

Plan：制定目标与计划；
Do：任务展开，组织实施；
Check：对过程中的关键点和最终结果进行检查；
Action：纠正偏差，对成果进行标准化，并确定新的目标，制定下一轮计划。
意义：每一项工作，都是一个pdca循环，都需要计划、实施、检查结果，并进一步进行改进，同时进入下一个循环，只有在日积月累的渐进改善中，才可能会有质的飞跃，才可能取得完善每一项工作，完善自己的人生。

三、6W2H法

What：工作的内容和达成的目标；
Why：做这项工作的原因；
Who：参加这项工作的具体人员，以及负责人；
When：在什么时间、什么时间段进行工作；
Where：工作发生的地点 ；
Which：哪一种方法或途径；
How：用什么方法进行；
How much：需要多少成本？
意义：做任何工作都应该从6W2H来思考，这有助于我们的思路的条理化，杜绝盲目性。我们的汇报也应该用6W2H，能节约写报告及看报告的时间。

四、SMART原则

Specific 具体的；
Measurable 可测量的；
Attainable 可达到的；
Relevant 相关的；
Time based 时间的；
意义：人们在制定工作目标或者任务目标时，考虑一下目标与计划是不是SMART化的。只有具备SMART化的计划才是具有良好可实施性的，也才能指导保证计划得以实现。 特别注明：
有的又如此解释此原则：
——S代表具体(Specific)，指绩效考核要切中特定的工作指标，不能笼统；
——M代表可度量(Measurable)，指绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的；
——A代表可实现(Attainable)，指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；
——R代表现实性(realistic)，指绩效指标是实实在在的，可以证明和观察；
——T代表有时限(time bound)，注重完成绩效指标的特定期限。

五、时间管理-重要与紧急 四项限法

• A、重要且紧急 紧急状况 迫切的问题 限期完成的工作 你不做其他人也不能做
• B、重要不紧急 准备工作 预防措施 价值观的澄清 计划 人际关系的建立 真正的再创造 增进自己的能力
• C、紧急不重要 造成干扰的事、电话、 信件、报告 会议 许多迫在眉捷的急事 符合别人期望的事
• D、不重要不紧急 忙碌琐碎的事 广告函件 电话 逃避性活动 等待时间 优先顺序=重要性*紧迫性在进行时间安排时，应权衡各种事情的优先顺序，要学会“弹钢琴”。 对工作要有前瞻能力，防患于未然，如果总是在忙于救火，那将使我们的工作永远处理被动之中。

  六、任务分解法[WBS]

  Work Breakdown Structure，如何进行WBS分解：目标→任务→工作→活动

• WBS分解的原则：
  将主体目标逐步细化分解，最底层的任务活动可直接分派到个人去完成；每个任务原则上要求分解到不能再细分为止。
• WBS分解的方法：
  至上而下与至下而上的充分沟通；
  一对一个别交流；
  小组讨论。
• WBS分解的标准：
  分解后的活动结构清晰；
  逻辑上形成一个大的活动；
  集成了所有的关键因素包含临时的里程碑和监控点；
  所有活动全部定义清楚。
• 意义：学会分解任务，只有将任务分解得足够细，您才能心里有数，您才能有条不紊地工作，您才能统筹安排您的时间表 。

  七、二八原则

  巴列特定律：“总结果的80%是由总消耗时间中的20%所形成的。” 按事情的“重要程度”编排事务优先次序的准则是建立在“重要的少数与琐碎的多数”的原理的基础上。
  举例说明：
  80%的销售额是源自20%的顾客；
  80%的电话是来自20%的朋友；
  80%的总产量来自20%的产品；
  80%的财富集中在20%的人手中；
  这启示我们在工作中要善于抓主要矛盾，善于从纷繁复杂的工作中理出头绪，把资源用在最重要、最紧迫的事情上。

结构化接收信息的三个步骤

• 识别信息中的事实、理由及结论

• 找出对应关系并画出结构图

• 一句话概括出所有内容

1. 结构思考力的四个基本特点

1.1 “论”：结论先行

1.2 “证”：以上统下

1.3 “类”：归类分组

1.4 “比”：逻辑递进

2.构建思考结构的五个步骤

从上到下，从左至右，逐层细化

2.1 明确理念打基础

2.2 基于目标定主题

2.3 纵向结构分层次

2.4 横向结构选顺序

2.5 形象表达做演示

1. 精度mAP

1.1 混淆矩阵

我们首先好好解读一下混淆矩阵里的一些名词和其意思。根据混淆矩阵我们可以得到TP,FN,FP,TN四个值，显然TP+FP+TN+FN=样本总数。这四个值中都带两个字母，单纯记忆这四种情况很难记得牢，我们可以这样理解：第一个字母表示本次预测的正确性，T就是正确，F就是错误；第二个字母则表示由分类器预测的类别，P代表预测为正例，N代表预测为反例。比如TP我们就可以理解为分类器预测为正例（P），而且这次预测是对的（T），FN可以理解为分类器的预测是反例（N），而且这次预测是错误的（F），正确结果是正例，即一个正样本被错误预测为负样本。

1.2 Precision、Recall、PRC、F1-score

Precision指标在中文里可以称为查准率或者是精确率，Recall指标在中卫里常被称为查全率或者是召回率，查准率 P和查全率 R分别定义为：

查准率P和查全率R的具体含义如下：

• 查准率(Precision）是指在所有系统判定的“真”的样本中，确实是真的的占比
• 查全率（Recall）是指在所有确实为真的样本中，被判为的“真”的占比

这里想强调一点，precision和accuracy（正确率）不一样的，accuracy针对所有样本，precision针对部分样本，即正确的预测/总的正反例：

2. 速度 fps

目标检测算法的另外一个重要性能指标是速度，只有速度快，才能实现实时检测，这对一些应用场景极其重要。评估速度的常用指标是每秒帧率（Frame Per Second，FPS），即每秒内可以处理的图片数量。

3. 准确性 IOU

IOU（Intersection over Union），中文翻译为交并比。

这里是一个实际例子：下图绿色框是真实感兴趣区域，红色框是预测区域，这种情况下交集确实是最大的，但是红色框并不能准确预测物体位置。因为预测区域总是试图覆盖目标物体而不是正好预测物体位置。这时如果我们能除以一个并集的大小，就可以规避这种问题。这就是IOU要解决的问题了。

下图表示了IOU的具体意义，即：预测框与标注框的交集与并集之比，数值越大表示该检测器的性能越好。

使用IOU评价指标后，上面提到的问题一下子解决了：我们控制并集不要让并集太大，对准确预测是有益的，这就有效抑制了“一味地追求交集最大”的情况的发生。下图的2,3小图就是目标检测效果比较好的情况。

1.1 Overfitting

overfitting occurs when our model fits nearly perfectly to our training data, However, fitting to closely to test data isn’t always a good thing.

模型在训练集表现完美，但是在测试集中表现不好，我们就说模型过拟合了

Markdown Latex数学公式 https://blog.csdn.net/fzch_struggling/article/details/44998901

1.2 Types of Regularization

1.2.1 L1&L2 Regularization

L1&L2 regularization用来惩罚大的权重

L2正则化

L1正则化

1.2.2 Cross Validation

1.2.3 Early Stopping

1.2.4 Dropout

Dropout 用于降低神经元之间的依赖性，在Dropout中，设定参数‘p’表示了保留节点的概率，（1-p）是哪些被丢掉的，dropout几乎使得训练的收敛时间翻倍

1.2.5 Data Augmentation

数据增强只是简单地将输入数据集的数据做简单的变换以便获得更多的数据量去做训练

3.1 神经网络概述(Neural Network Overview)

神经网络看起来是如下这个样子，把许多sigmoid单元堆叠起来形成一个神经网络

3.2 神经网络的表示（Neural Network representation）

本节主要介绍逻辑回归的Hypothesis Function(假设函数)

2.3 逻辑回归的代价函数(Logistic Regression Cost Function)

为什么需要代价函数 为了训练逻辑回归模型的参数$w$和$b$，我们需要一个代价函数，通过训练代价函数得到参数$w$和$b$，逻辑回归的输出函数 为了让模型学习调整参数，需要给予一个$m$样本的训练集，在训练集上找到参数$w$和$b$,来得到输出，我们希望训练集的预测值$\hat{y}$接近于实际值$y$, 上标$(i)$表示第$i$个样本
损失函数（Loss Function)：
损失函数用来衡量预测值和实际值有多接近，损失函数是在单个样本中定义的，它衡量的是算法在单个样本中的表现。 逻辑回归中用到的损失函数是：$L\left( \hat{y},y \right)=-y\log(\hat{y})-(1-y)\log (1-\hat{y})$ 代价函数(Cost Function)
算法的代价函数衡量算法在全体训练样本上的表现，是对$m$个样本的损失函数求和然后除以$m$:

2.4 梯度下降法(Gradient Descent)

逻辑回归的代价函数（成本函数）$J(w,b)$是含有两个参数的, $\partial$表示求偏导符号，可以读作round，$\frac{\partial J(w,b)}{\partial w}$就是函数$J(w,b)$对$w$求偏导, 在代码中我们会使用$dw$ 表示这个结果， $\frac{\partial J(w,b)}{\partial b}$ 就是函数$J(w,b)$对$b$ 求偏导，在代码中我们会使用$db$ 表示这个结果， 小写字母$d$ 用在求导数（derivative），即函数只有一个参数， 偏导数符号$\partial $ 用在求偏导（partial derivative），即函数含有两个以上的参数 迭代就是不断重复做如图的公式: $:=$表示更新参数, $a $ 表示学习率（learning rate），用来控制步长（step），即向下走一步的长度$\frac{dJ(w)}{dw}$ 就是函数$J(w)$对$w$ 求导（derivative），在代码

2.1 二分类(Binary Classification)

逻辑回归是一个用于二分类(Binary regression)的算法。假如你有一张图片作为输入，比如这只猫，如果识别这张图片是猫，则输出标签1作为结果; 如果识别不是猫这输出标签为0作为结果。我们用字母$y$来表示输出结果的标签, 如下图所示:

如果你的图片大小为64x64像素的彩色图片，可以用64x64x3的矩阵来表示

如果把这些像素用特征向量$x$表示，那么向量的的总维度是64x64x3=12,288。我们用$n_x=12,288$表示输入特征向量的维度。所以二分类问题的目标就是习的一个分类其，它以特征向量作为输入，然后预测输出结果$y$为1还是0,也就是预测图片中是否有猫

后续课程需要用到的一些符号 符号定义:
$x$:表示一个$n_x$为数据，为输入数据，维度为$(n_x, 1)$;
$y$: 表示输出结果，取值为$(0, 1)$
$(x^{(i)}, y^{(i)})$:表示第$i$组数据，可能是训练数据，也可能是测试数据，此处默认为训练数据
$X=(x^{(1)}, x^{(2)},…,x^{(m)})$: 表示所有的训练数据的输入值，放在一个$n_x×m$的矩阵中，其中$m$表示样本数目;
$Y=(y^{(1)}, y^{(2)},…,y^{(m)})$: 对应表示所有训练数据集的输出值，维度为$1×m​$

最后为了能把训练集表示得更紧凑一点，我们会定义一个矩阵用大写$X$的表示，它由输入向量$x^{(1)}$、$x^{(2)}$等组成，如下图放在矩阵的列中，所以现在我们把$x^{(1)}$作为第一列放在矩阵中，$x^{(2)}$作为第二列，$x^{(m)}$放到第$m$列，然后我们就得到了训练集矩阵$X$。所以这个矩阵有$m$列，$m$是训练集的样本数量，然后这个矩阵的高度记为$n_x$，注意有时候可能因为其他某些原因，矩阵$X$会由训练样本按照行堆叠起来而不是列，如下图所示：$x^{(1)}$的转置直到$x^{(m)}$的转置，但是在实现神经网络的时候，使用左边的这种形式，会让整个实现的过程变得更加简单：

2.2 逻辑回归（Logistic Regression）

本节主要介绍逻辑回归的Hypothesis Function(假设函数)

2.3 逻辑回归的代价函数(Logistic Regression Cost Function)

为什么需要代价函数 为了训练逻辑回归模型的参数$w$和$b$，我们需要一个代价函数，通过训练代价函数得到参数$w$和$b$，逻辑回归的输出函数 为了让模型学习调整参数，需要给予一个$m$样本的训练集，在训练集上找到参数$w$和$b$,来得到输出，我们希望训练集的预测值$\hat{y}$接近于实际值$y$, 上标$(i)$表示第$i$个样本
损失函数（Loss Function)：
损失函数用来衡量预测值和实际值有多接近，损失函数是在单个样本中定义的，它衡量的是算法在单个样本中的表现。 逻辑回归中用到的损失函数是：$L\left( \hat{y},y \right)=-y\log(\hat{y})-(1-y)\log (1-\hat{y})$ 代价函数(Cost Function)
算法的代价函数衡量算法在全体训练样本上的表现，是对$m$个样本的损失函数求和然后除以$m$:

2.4 梯度下降法(Gradient Descent)

逻辑回归的代价函数（成本函数）$J(w,b)$是含有两个参数的, $\partial$表示求偏导符号，可以读作round，$\frac{\partial J(w,b)}{\partial w}$就是函数$J(w,b)$对$w$求偏导, 在代码中我们会使用$dw$ 表示这个结果， $\frac{\partial J(w,b)}{\partial b}$ 就是函数$J(w,b)$对$b$ 求偏导，在代码中我们会使用$db$ 表示这个结果， 小写字母$d$ 用在求导数（derivative），即函数只有一个参数， 偏导数符号$\partial $ 用在求偏导（partial derivative），即函数含有两个以上的参数 迭代就是不断重复做如图的公式: $:=$表示更新参数, $a $ 表示学习率（learning rate），用来控制步长（step），即向下走一步的长度$\frac{dJ(w)}{dw}$ 就是函数$J(w)$对$w$ 求导（derivative），在代码

什么是无人驾驶汽车

无人驾驶汽车是一种能够感知其环境和无需人工输入的导航的车辆。无人驾驶汽车可以使用各种技术（例如雷达，激光雷达，GPS，里程计和计算机视觉）来检测周围环境。 主计算机解释感觉信息，以识别适当的导航路径，以及障碍物和相关标志。

无人驾驶汽车是如何工作的

原图来自于：Guilbert Gates |Source: Google 翻译：无人驾驶SelfDriving

激光雷达

激光雷达用于构建三维地图，并允许汽车通过从车辆周围的表面发射激光束来发现潜在的危险，以便精确地确定该物体的距离和轮廓。Google汽车使用Velodyne 64光束激光器，通过将激光雷达装置安装到车顶（为了无障碍观看），并允许其在定制的车上选择，为车载处理器提供360度的视角。

雷达

尽管激光雷达具有精确映射环境的优点，但是它的一个致命缺点是实时监测周围车辆的速度的能力。4个安装在保险杠上的雷达弥补了这样的缺陷。前保险杠有两个传感器，两个在后保险杠。雷达允许汽车通过向车载处理器发送信号以施加制动或在适当时刻移除车道线来避免撞击。该技术与汽车上的其他功能（例如惯性测量单元，陀螺仪和车轮编码器）结合来向车辆的主计算机发送准确的信号，以便主计算机能够做出更好的决定从而避免潜在的事故。

摄像机

每辆无人驾驶汽车上的实际摄像头技术和设置各不相同，但是某些原型汽车使用安装在外边的摄像头，它们稍微分开，以便提供汽车周围的重叠视图。这种技术与人眼不同，人眼在确定诸如景深，周边运动和目标的维度之类的事物之前向大脑提供重叠的图像。

定位

如果没有高级定位系统来跟踪其路径，并绘制其到目的地的适当路线，那没有方向盘，没有制动器和没有加速器的汽车将基本是无用的。对于这一挑战，google使用自己的地图系统以及GPS卫星，惯性测量单元和轮式编码器来确定实际速度。该系统与车载相机，GPS数据和驾驶速度一起处理真实世界信息，以便于准确地确定每辆车的精确位置（精度可达几厘米），对交通、道路建设和事故等事情进行智能修正。

复杂的软件

该软件实时处理所有数据，以及其他驾驶员、行人和周围物体的动态模型。虽然一些数据被硬编码到汽车中，例如在红灯处停止。但是其他的反应需要给予以前的经验来学习。每辆车的每一英里数据都被记录。这些数据将被处理以便去找到每种情况都适用的解决方案。 学习算法不仅处理你驾驶的车的数据，而且处理其他车的数据，以找到对每一个可能问题的适当响应。行为学也会被映射，并且这些数据用于帮助在事件发生前进行预判，这一点非常像人类驾驶员。例如，汽车非常聪明，足以识别和适应以下场景： 如果一辆车在右侧缓慢行驶，那么跟在他后面的车有很大的概率会超车； 如果街道上有坑洞，那么驾驶员有很大的概率会转向以避开他； 如果左侧车道拥堵，意味着驾驶员有很大概率会向右并线。

你可能已经使用的自动驾驶功能

碰撞回避

基于雷达，激光或者相机的系统，告警即将发生的碰撞。系统识别行人闯入行进路线，如果司机忽略警告，有些系统将采取制动。

车道偏离报警

当你的汽车开始偏离行车线时候，系统会通过蜂鸣器来向驾驶员告警，并且增加轻微的反向力作用到方向盘。

盲区检测

使用摄像机或雷达检测驾驶员盲区的车辆。通过声音，或者汽车挡风玻璃旁的的支柱或后视镜上警告灯来向驾驶员告警。

自动跟车控制

与前方车辆保持预定车距。如果它减慢，你的车也减慢。如果一辆车进入你的车道，你的车仍然保持车距。这样功能在堵车时候有用。

自助泊车

汽车使用相机或声纳将自身调整到停车位。 但是司机通常必须制动和跟随命令。 它首次出现在2003年在丰田普锐斯。 宝马，福特和许多其他车上也有了类似功能。

• System Voltage(Vcc and VccQ) Ranges
• Ten-wire bus(clock, 1 bit command, 8 bit data bus) and a hardware reset.
• Clock frequency of 0~200MHz
• Three different data bus with modes: 1-bit(deault), 4-bit and 8-bit

I watched TED: Simon Sinek How great leaders inspire action over weekend. The key idea is called golden circle as below, which tell us to communicate from inside out: why, how and what. This little idea explains why some organizations and some leaders are able to inspire where others aren’t.

##Golden circle:Why? How? What? Why? How, What? This little idea explains why some organization and some leaders are able to inspire where others aren’t. Every signal person on the planet knows what they do. Some know how they do it. But very few people know why they do it. And “why” does not mean “to make a profit”. That’s a result. It’s always a result. “Why” means: What’s your purpose? What’s your cause? What’s your belief? Why does your organization exist? Why do you get out of bed in the morning? And why should anyone care?

Why golden circle

Why? How? What? This little idea explains why some organizations and some leaders are able to inspire where others aren’t. Golden circle is inspiring in marketing, sales.

How golden circle works

When we communicate from the outside in, yes, people can understand vast amounts of compilicated information like features and benifits and facts and figures. It just doesn’t drive behavior. When we can communicate from the inside out, we are talking directly to the part of the brain that controls behavior, and then we allow people to rationalize with the tangible things we say and do. This is where gut decisions come from. You know, sometimes you can give somebody all the facts and figures, and they say, “I know what all the facts and details say, but it just doesn’t feel right” Why would we use the verb, it desn’t “feel” right. Because the part of the brain that controls decision-making doens’t control language.

What golden circle can help to do

Let’s see how Apple apply golden circle. If Apple were like everyone else, a marketing from them might sound like this: “We make greate computer. They’re beautifully designed, simple to use and user friendly. Want to buy one?” And that’s how most of us comunicate. That’s how most marketing is done. that’s how most sales is done and that’s most of us communicate interpersonally. We say what we do, we say how we’re different or how we’re better and we expect some sort of a behavior, a purchase, a vote, something like that. Here’s our new car: It gets great gas mileage, it has lether seats, buy our car. But it’s uninspiring.

Here’s how Apple actually communicate. “Everything we do, we believe in challenging the status quo. We believe in thinking differently. The way we challenge the status quo is by making our products beautifully designed, simple to use and user friendly. We just happen to make great computer. Want to buy one?” Totally different, right? You are ready to buy a computer from me. All I did was reverse the order of the information. What it proves to us is that people don’t buy what you do; people buy why you do it. People don’t buy what you do; They buy why you do it.

1. 监控摄像机的趋势

1.1 星光级低照度

1.2 宽动态

1.3 光学透雾

1.4 全景相机

全景相机主要有两大类型，一是多镜头拼接技术，如英飞拓、爱尔康；但更多的设备商采用的是鱼眼镜头技术，自中徳宏泰的超广角低损耗矫正技术的出现，行业的鱼眼技术进步明显，首先是像素的激增，从200万像素成长到1200万像素；其次是分辨率大幅提升，从300－400TVL，快速超越1200TVL，实现质的飞跃；
应用上也借鉴了枪球联动方式，延伸出鱼球联动技术，实现一鱼一球、一鱼多球的应用，从而实现广角，超广角的大范围，低成本监控需求，海康“鹰眼”的出现，实现了鱼球合一。