- 综合排序
- 最热优先
- 最新优先
- 来自专栏需求数智化管理
需求跟踪矩阵是什么？一文详解 Visual RM 用条目跟踪矩阵实现需求跟踪矩阵
一、什么是需求跟踪矩阵？需求跟踪矩阵（Requirement Track Matrix，简称 RTM），是一种以结构化表格为核心载体，贯穿需求全生命周期的管理工具。 “条目跟踪矩阵” 模式，更是将需求跟踪的颗粒度细化到内容级，解决了传统矩阵 “管理粗、关联弱” 的痛点。 二、需求跟踪矩阵有何用？ 四、需求跟踪矩阵有哪些内容？ ，夯实矩阵基础：需求条目是 “条目跟踪矩阵” 的核心，拆分时需遵循 “独立可跟踪、无歧义” 原则。
51110编辑于 2025-11-21 - 来自专栏开源优测
软件测试术语 - 需求跟踪矩阵
需求跟踪矩阵 英文：Requirements Traceability Matrix 简写： RTM 什么是RTM 需求跟踪，一个记录需求与工作产品之间的联系的过程，这些产品是用来实现和验证那些需求的。 RTM捕获了在生命周期结束时交付的单个文档中的所有需求及它们的可跟踪性。 流程图 在项目开始时创建需求跟踪矩阵，是形成项目的范围和可交付物的基础。 需求跟踪矩阵是双向的，通检查可交付物的输出来跟踪需求，并通过查看产品特定特性来跟踪特定的需求。 下面我们看下需求跟踪矩阵流程： 说明： 需求跟踪矩阵的优化改进贯穿整个软件开发生命周期 任务拆解是很重要的，尤其是合适的颗粒度显得尤为重要 主动推进跟踪是最重要的 参数 需求ID 风险 需求类型 需求描述
1.8K20发布于 2018-12-28 需求跟踪矩阵是什么？怎么创建？一文详解
一、 什么是需求跟踪矩阵 对项目经理或产品经理来说，需求清单肯定不陌生，那什么是需求跟踪矩阵呢？ 三、谁来使用需求跟踪矩阵？ 项目中的很多角色都可以使用需求跟踪矩阵，包括产品经理、项目经理、需求分析师、开发人员以及测试人员等都可以使用。 四、需求跟踪矩阵有哪些内容？ 需求跟踪矩阵通常包括业务需要、机会、目的和目标；项目目标；项目范围和WBS可交付成果；产品设计；产品研发；测试策略和测试场景；高层级需求到详细需求等。 Microsoft Project：常用于项目规划和管理，也能用于构建需求跟踪矩阵。 Visio：可用于绘制各种图表和矩阵，能清晰直观地呈现需求关系。 六、什么情况下可以使用需求跟踪矩阵？ 八、使用需求跟踪矩阵的注意事项 在使用需求跟踪矩阵时，有几点需要注意的： 确保需求的详细和准确，这是矩阵有效的基础。 明确责任划分，使得流程井然有序进行。 及时更新，保持矩阵的时效性。
4.8K01编辑于 2025-05-06- 来自专栏无人驾驶感知
【目标跟踪】奇葩需求如何处理（一）
一、前言 在工作中往往出现些奇葩需求。那个***需要跟踪，减速带、红绿灯、井盖，甚至是鸟、烟头、手指等。 今天就给大家分享下博主遇到那些奇葩需求，遇到了这些奇葩需求首先问候产品经理(斜眼笑.jpg)。 玩笑归玩笑，冷静下来还是要好好分析实际需求，想想如何解决这些实际问题。 今天给大家分享下一些在高级别无人驾驶过程中遇到的一些奇葩需求，遇到这些需求有哪些处理方法。 2.1、减速带 需求：当车体前方有减带时，我们要告知车子减速通行。 减速带在城市交通道路上是非常常见的。 目标跟踪选用 Bytetrack 或 BotSort。个人更加推荐 BotSort。 原因是：（1）红绿灯目标小对匹配要求高（2）车子轻微抖动会影响跟踪 这里放一段开源 BotSort python 代码。
34110编辑于 2024-03-15 - 来自专栏无人驾驶感知
【目标跟踪】奇葩需求如何处理（二）
一、前言 在工作中往往出现些奇葩需求。 上一篇介绍了一些奇葩需求奇葩需求如何处理（一） ，今天给大家分享一些更奇葩的需求。 二、奇葩需求 2.1、井盖 昨天突然接到一个需求，识别井盖且判断是否有井盖或无井盖。而且时间紧急，比赛突然加的需求，只给一天时间。 深度学习分割出绳子如 segformer 模型，后处理找出像素包络框， 计算最小矩形框，跟踪，赋值id。 发送凸包以及相应的距离信息。 点的输入可能会大于2000，单纯对点的跟踪耗时长且不稳定。 首先对输入的点求最小矩形框，用最小矩形框去跟踪与航迹管理（分配id）。 蓝色框是跟踪框包络点的最小凸包。获得了凸包的像素点，直接输出像素点的世界坐标，最终得到的包络框输出给规控。
37810编辑于 2024-03-22 - 来自专栏FREE SOLO
如何用波士顿矩阵分析需求
波士顿矩阵(BCG Matrix) 又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。 波士顿矩阵是由美国大型商业咨询公司–波士顿咨询集团(Boston Consulting Group)首创的一种规划企业产品组合的方法。 问题的关键在于要解决如何使企业的产品品种及其结构适合市场需求的变化，只有这样企业的生产才有意义。 波士顿矩阵 波斯顿矩阵是由波士顿咨询公司发明的一种方法，最早用于分析市场增长率和市场份额。 现在也被经常用于对需求的分析之中。 什么是波士顿矩阵，如下图： 波士顿矩阵由用户价值维度和公司价值两个维度将需求分成了四个象限： 明星需求 对用户体验有价值，对公司战略也有价值的需求。 举一个例子，一个外语在线直播教育平台，收到了如下需求： 视频回放 优惠券 调查问卷 上课提醒 选课程 根据波士顿矩阵，我们来逐个分析一下以上需求： 视频录制：用户可以在课后回放上课的视频，巩固课程学习的内容
1.2K40编辑于 2022-01-06 Visual RM 平台需求管理实操指南：从需求录入到跟踪全流程
本指南将从需求编制、审核、实施、入库到跟踪的全流程，详细拆解 Visual RM 平台的实操方法，助力企业实现需求管理的标准化与高效化。 平台支持 “需求跟踪脉络” 功能，自动构建从业务需求到开发任务的跟踪链路，确保开发工作与需求目标一致。3. 平台支持测试结果录入与缺陷跟踪，将测试缺陷与需求条目关联，确保缺陷修复后能回归验证，避免因需求理解偏差导致测试遗漏。4. 五、需求跟踪：全生命周期可视化与统计分析Visual RM 平台支持从需求发起、审核、实施到入库的全程跟踪，通过可视化工具与统计分析功能，实现需求管理的 “透明化、可度量”：1. 全程可视化跟踪：平台提供 “需求看板” 与 “需求跟踪脉络” 功能，需求看板实时显示所有需求的状态（如 “编制中”“审核中”“实施中”“已入库”），支持按部门、优先级、时间等维度筛选；需求跟踪脉络则以图形化方式展示需求从发起至入库的全流程节点
35630编辑于 2025-11-19- 来自专栏Linux成长之路
【Docker项目实战】使用Docker部署ActionView问题需求跟踪工具
Ubuntu 22.04.1 LTS 27.1.1 ActionView 2.2 本次实践介绍 1.本次实践部署环境为个人测试环境，生产环境请谨慎； 2.在Docker环境下部署ActionView问题需求跟踪工具 默认管理员账号: admin@action.view；密码: actionview 七、总结 在使用 Docker 部署 ActionView 问题需求跟踪工具的过程中，容器化技术显著简化了环境配置和依赖管理
77610编辑于 2025-01-02 Visual RM 需求追溯矩阵重新定义企业需求管理标准
一、传统需求管理的 “四大顽疾”：需求追溯矩阵的诞生背景传统需求管理模式下，需求从提出到落地的全流程漏洞频发，这些顽疾直接催生了 Visual RM 需求追溯矩阵的研发与应用：添加图片注释，不超过 140 二、Visual RM 需求追溯矩阵的核心架构：全链路精细化管理体系Visual RM 需求追溯矩阵打破传统 “文档级管理” 局限，以需求条目为最小管理单元，构建 “业务需求→系统功能→开发任务→测试案例 三、Visual RM 需求追溯矩阵的实践场景：三大核心领域价值落地Visual RM 需求追溯矩阵数十家金融机构成功落地应用（文档 1 “典型客户”），其价值在 “变更管理、合规审计、资产复用” 三大核心场景中尤为突出 四、Visual RM 需求追溯矩阵的客户价值：重塑需求管理价值链Visual RM 需求追溯矩阵的核心价值，在于将 “需求管理” 从单纯的 “过程管控工具” 升级为 “企业数字资产运营载体”，通过 “ 需求传递失真率趋近于 0，变更影响评估时效提升 80%，实现 “需求管得住、控得了、可跟踪、留得下”，彻底告别 “需求找不到、看不懂、信不过” 的困境（文档 3 “核心价值”），为项目顺利推进提供坚实保障
42920编辑于 2025-10-16- 来自专栏软件方法
看了EA官网上的需求跟踪视频，结合目前的状况，提出这个问题
是用在项目建模初期与用户沟通需求，搜集需求素材时呢？还是在通过用例及业务模型对需求进行分析后，得到需求规约，管理需求规约时使用呢？ 2、在项目开始时期，需要与用户签订技术方案，此方案中需要包含一份需求文档，这份需求文档是给客户看的。而需求分析过程中得出的需求规约是给开发人员使用，这样理解是否正确？ 谢谢！ 那个"需求建模"类似于以前的需求条目，一条条的描述需求，现在，需求已经用用例组织起来，不需要用这个。 潘加宇(3504847)16:41:28 2. ，要很严格 北京－Y.Lee(183***58)16:44:03 哦，现在的情况是，在与客户交流后，就形成了一份所谓的需求说明书，需求调研相关人员就扔给了开发人员，说这就是需求。 我也是看了EA官网上的 需求跟踪 的视频中，结合目前的状况 ，提出这个问题 的， 北京－Y.Lee(183***58)17:00:31 也这是 先需求层，再用例层，再逻辑及部署层，应该 是通过需求，得到用例
43540发布于 2021-05-11 - 来自专栏无人驾驶感知
【目标跟踪】红绿灯跟踪
本篇会初略分享红绿灯感知包括但不限于检测+跟踪+分类。重点讲解如何稳定跟踪。 跟踪结合了 byteSort 与 BotSort，效果可以说相当稳定。抛开其他的不谈，对于我们重点观察的红绿灯（正前方红绿灯）可以说是稳稳的跟踪，也算遥遥领先。 放一张通宵比赛测试的图：（右一是博主） # 三、跟踪 因为是基于 ros 做的开发，同时红绿灯这个节点又包含了三个部分（检测+跟踪+分类）。 为了使代码美观、思路清晰，所以对三个部分封装。 所以跟踪代码只开放一个接口，这里就写做 update 吧。输入是检测的结果与图片，输出是跟踪后的框与id等，这里输出是用的引用的方式。 且低置信度目标可能包含了目标的运动趋势，利用这些消息可以提升我们跟踪的准确性与鲁棒性。
92010编辑于 2024-03-30 - 来自专栏无人驾驶感知
【目标跟踪】多目标跟踪测距
这里不仅仅实现对目标检测框的跟踪，且可以实现单相机进行对目标进行测距跟踪。 想了解详细原理可以参考往期博客：【目标跟踪】多目标跟踪sort （python 代码） 。 用的是跟踪挑战开源数据。 这部分代码主要是加载检测数据，读取图片。 关于目标前后帧匹配，是利用 iou 匹配进行的，所以要基于目标检测框的匹配跟踪。 , 0, 0]]) def updata_kalman(self, Z, X_P): """ :param Z:测量值 :param X:状态矩阵 [x,vx,ax,y,vy,ay] :param P:状态协方差矩阵 :return:更新后的X,P """ X, P = X_P
89610编辑于 2024-02-05 - 来自专栏无人驾驶感知
【目标跟踪】多相机环视跟踪
一、前言 多相机目标跟踪主要是为了实现 360 度跟踪。单相机检测存在左右后的盲区视野。 在智能驾驶领域，要想靠相机实现无人驾驶，相机必须 360 度无死角全覆盖。 博主提供一种非深度学习方法，采用kalman滤波+匈牙利匹配方式实现环视跟踪。有兴趣可以参考往期【目标跟踪】系列博客。 本文干货满满，可以先点赞关注收藏，以免下次找不到。欢迎各位吴彦祖私信交流学习。 这里面不仅要对单相机目标进行跟踪，且对跨相机的目标也需要进行跟踪，还有各种匹配，初始化，开始消亡等到。想想都头皮发麻，那到底怎么做？别慌，让我娓娓道来。 同时对目标有预测的距离与测量距离 (2) 匈牙利匹配矩阵 如果属于不同相机检测的目标，则设为默认最大值;如果属于同一相机检测目标，计算iou。这个是与单相机跟踪类似。 ->匈牙利匹配 matrix.resize(firstNum, std::vector<double>(secondNum, 1)); // resize关联矩阵大小
81810编辑于 2024-02-05 - 来自专栏全栈程序员必看
模型矩阵、视图矩阵、投影矩阵
总而言之，模型视图投影矩阵=投影矩阵×视图矩阵×模型矩阵，模型矩阵将顶点从局部坐标系转化到世界坐标系中，视图矩阵将顶点从世界坐标系转化到视图坐标系下，而投影矩阵将顶点从视图坐标系转化到规范立方体中。 ；如果局部坐标系还要继续变换，只要将新的变换矩阵按照顺序左乘这个矩阵，得到的新矩阵能够表示之前所有变换效果的叠加，这个矩阵称为「模型矩阵」。 这个表示整个世界变换的矩阵又称为「视图矩阵」，因为他们经常一起工作，所以将视图矩阵乘以模型矩阵得到的矩阵称为「模型视图矩阵」。 考虑一辆行驶中的汽车的轮胎，其模型视图矩阵是局部模型矩阵（描述轮胎的旋转）左乘汽车的模型矩阵（描述汽车的行驶）再左乘视图矩阵得到的。 投影矩阵 投影矩阵将视图坐标系中的顶点转化到平面上。 最后，根据投影矩阵×视图矩阵×模型矩阵求出模型视图投影矩阵，顶点坐标乘以该矩阵就直接获得其在规范立方体中的坐标了。这个矩阵通常作为一个整体出现在着色器中。
3.2K20编辑于 2022-08-27 - 来自专栏我爱计算机视觉
跟踪综述推荐：目标跟踪40年
《中国图象图形学报》2019年第12期封面故事聚焦目标跟踪，对基于深度学习的目标跟踪算法进行系统的梳理。 阐述了目标跟踪的基本研究框架，从深度判别模型、深度生成式模型等方面介绍了适用于目标跟踪的深度学习方法。 深入分析了网络结构、功能划分和网络训练等不同类别的深度目标跟踪方法。 简要阐述了适用于深度学习目标跟踪的视频数据库和评测方法。 介绍了目标跟踪的最新具体应用情况。 分析了深度学习方法在目标跟踪中存在的训练数据不足、实时跟踪和长程跟踪等问题。 对深度学习的目标跟踪方法的未来发展进行展望。 ? ? 目标跟踪发展脉络 ? 相对而言，标注长程跟踪视频和构建大规模数据集的难度更大，如何根据长程跟踪任务的特点及其与短期跟踪任务的联系，结合迁移学习和深度学习构建合适的长期目标跟踪模型，也是未来视觉目标跟踪研究值得关注的一个重要方向
2.6K20发布于 2020-02-12 - 来自专栏全栈程序员必看
跟踪算法(一)光流法跟踪
本文目录： 一.基于特征点的目标跟踪的一般方法 二.光流法 三.opencv中的光流法函数 四.用类封装基于光流法的目标跟踪方法 五 .完整代码 六.参考文献 一.基于特征点的目标跟踪的一般方法 基于特征点的跟踪算法大致可以分为两个步骤： 1）探测当前帧的特征点； 2）通过当前帧和下一帧灰度比较 很显然，基于特征点的目标跟踪算法和1），2）两个步骤有关。 聪明的你肯定发现了：这样搜索不仅可以解决大运动目标跟踪，也可以一定程度上解决孔径问题（相同大小的窗口能覆盖大尺度图片上尽量多的角点，而这些角点无法在原始图片上被覆盖）。 四.用类封装基于光流法的目标跟踪方法 废话少说，附上代码，包括特征点提取，跟踪特征点，标记特征点等。
1.6K20编辑于 2022-09-15 - 来自专栏JVMGC
开源面向中小企业的、开源免费的、类Jira的问题需求跟踪工具
ActionView 一个类Jira的问题需求跟踪工具，前端基于reactjs＋redux、后端基于php laravel-framework。前端代码库：actionview-fe。 我们实际开发过程一直在用Jira进行任务管理和Bug跟踪，除了采购License价格不菲外，使用过程中觉得Jira还是有点重、全局方案配置到了后期越来越难维护、页面体验也不像现在流行的SPA那么好，所以有了做
1.1K20编辑于 2023-03-10 Visual RM 让需求全生命周期跟踪更精准
在企业需求管理体系中，“跟踪” 是确保需求从提出到落地全流程可控的关键环节。 一、直击需求跟踪痛点：传统模式下的 “跟踪困局” 当前企业在需求跟踪过程中，普遍面临四大核心难题，导致需求落地效率低、风险难管控：添加图片注释，不超过 140 字（可选）跟踪链路断裂 ：需求以文档为核心 （二）全流程线上跟踪：打破时空壁垒，实现需求流转 “全程留痕” 平台将需求跟踪全流程线上化，确保每一步操作都可追溯、可管控：从意向到上线的全周期跟踪：覆盖需求意向受理、价值评估、应用切分、迭代排期、评审 （三）智能化跟踪：AI 赋能，让需求跟踪更高效、更精准 借助 AI 技术，Visual RM 平台进一步提升需求跟踪的效率与准确性，减少人工干预：智能变更影响跟踪：需求变更时，AI 自动分析变更内容对下游开发任务 三、跟踪价值落地：数据见证需求跟踪效能跃升 Visual RM 平台通过精准的需求跟踪能力，为企业带来多维度价值提升，已在金融、能源、政务等行业头部客户验证成效：跟踪效率提升：需求评审效率提升 50%+
17320编辑于 2025-10-21- 来自专栏mathor
矩阵分析（十一）酉矩阵、正交矩阵
酉矩阵 若n阶复矩阵A满足 A^HA=AA^H=E 则称A是酉矩阵，记为A\in U^{n\times n} 设A\in C^{n\times n}，则A是酉矩阵的充要条件是A的n个列（或行）向量是标准正交向量组 酉矩阵的性质 A^{-1}=A^H\in U^{n \times n} \mid \det A\mid=1 A^T\in U^{n\times n} AB, BA\in U^{n\times n} 酉矩阵的特征值的模为 1 标准正交基到标准正交基的过渡矩阵是酉矩阵 酉变换 设V是n维酉空间，\mathscr{A}是V的线性变换，若\forall \alpha, \beta \in V都有 (\mathscr{A}(\alpha ), \mathscr{A}(\beta))=(\alpha,\beta) ---- 正交矩阵 若n阶实矩阵A满足 A^TA=A^A=E 则称A是正交矩阵，记为A\in E^{n\times n} 设A （或正交矩阵） ---- 满秩矩阵的QR分解 若n阶实矩阵A\in \mathbb{C}^{n\times n}满秩，且 A = [\alpha_1,...
7.2K30发布于 2020-11-24 - 来自专栏3D视觉从入门到精通
事件相机特征跟踪-模板跟踪方法
1、前言 由于事件相机不能提供完整的图像，所以最初的特征跟踪依赖传统相机的数据。 特征追踪时，积累特征模板中心附近的事件，当达到一定数量后形成数据模板，开始进行跟踪，每进入一个新的事件，便删除最老旧的事件。 然后通过数据模板与特征模板进行ICP匹配，求的变化的增量，从而实现了一次的跟踪，之后不断进行。完整的算法流程如下： ? 3.5 跟踪失败判定 当ICP迭代结束后，如果离群点较多，或迭代后平均像素距离依旧很大，则认为特征跟踪失败。 4、实验结果 跟踪特征的时间长短是一个重要指标，这篇论文的方法进行跟踪，跟踪实践能够达到1s。当特征丢失后可以利用传统图像数据再次进行补充。当然，随着时间的增加，误差也会累积的越来越大。 ?
1.3K30发布于 2020-12-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号