Microsoft Dynamics CRM 4.0规划详解:新功能与许可证介绍

0 下载量 74 浏览量 更新于2024-06-30 收藏 364KB DOCX 举报
本资源是一份Microsoft Dynamics CRM 4.0的规划指南,提供了针对该版本系统的详细介绍和指导。该文档适用于希望部署或升级Microsoft Dynamics CRM的企业,特别是在规划阶段。主要内容涵盖了以下几个关键点: 1. **概述**: - 指导企业在实施Microsoft Dynamics CRM 4.0时,应考虑整体的战略和目标,以及如何将其整合到现有的业务流程中。 2. **版本和许可方式**: - Microsoft Dynamics CRM 4.0提供了不同版本,可能是标准版、专业版或高级版,用户需了解自己的许可需求。 - 许可方式可能包括传统的客户端访问许可证(CAL),这影响了系统的部署规模和费用。 3. **客户端访问许可证类型**: - 客户端访问许可证(CAL)类型可能包括用户访问许可证(User CALs)和设备访问许可证(Device CALs),企业需根据员工的工作模式和设备使用情况来选择。 4. **服务器新特性**: - 支持多币种功能,允许处理跨国或多元货币环境下的数据和交易。 - 提供了多种服务器角色,如数据访问服务器、应用程序服务器等,以实现不同功能的分离和优化。 - 集成了Microsoft Dynamics CRM 4.0 Connector for SQL Server Reporting Services,方便与报表服务集成。 - 文档还提到了语言包,支持多语言环境,增强了全球市场的兼容性。 5. **资源中心**: - 资源中心可能是指Microsoft Dynamics CRM的在线帮助、教程、技术支持和社区资源,为企业提供持续的支持和服务。 6. **数据管理增强功能**: - 该指南强调了在数据管理方面的新改进,可能包括数据清洗、备份策略、安全性增强以及与其他系统(如ERP)的数据集成能力。 此外,值得注意的是,文档中提到的信息可能存在更新,因为它是4.0中文4.0.1修订版,用户应确保查阅最新版本以获取最准确的指导。在实施过程中,遵循版权法和软件许可协议至关重要,未经授权的复制或分发是非法行为。同时,文档中提到的公司和产品名称均为虚构,旨在演示场景,并非实际引用。 这份规划指南为企业提供了实施Microsoft Dynamics CRM 4.0的关键信息,帮助管理员和技术团队进行系统设计、配置和规划,确保顺利集成并最大化业务价值。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(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。首先检测图像中目标的位置(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),表示边界框中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)从输入图像中提取特征,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 中进行分类,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中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,选中值最大的框 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) 从未处理的框中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中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