发布时间：
期刊名称写来源出版物，为期刊名称一直都是用来写原出版物的，而不是用来写丛书的，所以说每一期的期刊名称都是原出版物。
科学引文索引（Science Citation Index, 缩写：SCI）是由美国科学情报研究所(Institute for Scientific Information,简称ISI)于1960年编辑出版的一部期刊文献检索工具，其出版形式包括印刷版期刊和光盘版及联机数据库。1961创立并出版，它是根据现代情报学家加菲尔德(Engene Garfield)1953年提出的引文思想而创立的。收录全世界出版的数、理、化、农、林、医、生命科学、天文、地理、环境、材料、工程技术等自然科学各学科。所选用的刊物来源于94个类、40多个国家、多种文字。SCI收录期刊，主要运用科学的引文数据分析和同行评估相结合方法，综合评估期刊的学术价值，截至目前其收录了 10000余种期刊，覆盖了国际上大多有重要影响的刊物，其收录的80万条论文，集合了各学科的重要研究成果，SCI已逐渐成为国际公认的反映基础学科研究水准的代表性工具，由此，世界上大部分国家和地区的学术界将其收录的科技论文数量的多寡，看作是一个国家的基础科学研究水平及其科技实力指标之一。就SCI本身来说，其索引功能帮助了世界各地的科技人员获取最需要的文献信息，这也是创始人加菲尔德创办SCI的目的所在，即通过文献搜索的办法，方便各地的科技工作者掌握本领域或即将探索领域的研究数据，从而减轻了不必要的劳动，更好地结合现存的数据进行进一步的研究，这是人类文明进步的标志。通过其引文功能，能很快地看到某篇论文是否被他人引用过，引文次数有多少，可以了解某一学科的发展过程。另外，使用SCI还可以了解到科学技术发展的最新信息，如：有没有关于某一课题的评论，某一理论有没有被证实，某方面的工作有没有被扩展，某一方法有没有被改善，某一提法是否成立，某一概念是否具有创新性等等。因此SCI也具有反映科技论文质量和学术水平的功能。SCI索引对科技工作者查阅最新文献、跟踪国际学术前沿、科研立项以及在具体的课题研究时及时了解国际动态都有很大帮助。改革开放后，我国的学术界也是百花齐放，各类刊物都上了一个新的台阶，为了更好地与国际科研学术接轨，南京大学率先引进了SCI，并将其作为了科学评价体系，即科技工作者发表论文所在的刊物是否被SCI收录，其影响因子的高低是多少，这决定了对学者理论和研究评价的标准，出现这种现象，国内SCI检测机构纳斯科学论文编辑中心认为还是具有积极的意义，尽管存在了一定局限性，其积极意义将纠正国内学术界、科学界的裙带之风，门派之风，关系之风，SCI严谨、科学的评价结果，对我国科技工作者是一个重要的鞭策，一方面提高了广大科技工作者的视野，不再是“闭门造车”，另一方面，在与国际的接轨中展示了我国改革开放显著的科研成果。就目前具有更多争议的命题——SCI究竟是否是衡量国内大学、科研机构和科学工作者学术水平的最重要尺度之一，小编认为，依据我国的国情和刊物发展的情况，这种评价标准有必要进行下去，SCI在我国的长远发展，势必刮起一股学术正风，对我国科教事业具有举足轻重的积极意义。引文(Citation)和来源文献(Source Item)：一篇文章的参考文献称为引文，该篇文章称为来源文献。刊载来源文献的期刊或专著丛书等称为来源出版物(Source Publications)。被引作者或引文作者(Cited Author)：即参考文献的作者。引文索引：反映文献之间引用和被引用关系及规律的一种新型的索引工具。以作者姓名(被引作者或引文作者)为检索起点，查找该作者历年发表的论文曾被哪些人(施引作者或引用作者)、哪些文章(来源文献)引用过，并查出这些来源文献的题录和施引作者所在的单位引文索引的作用和意义.整体结构。SCI每年出六期，现每期有 A、B、C、D、E、F六册。引文索引(CitationIndex)SCI的引文索引由著者引文索引、团体著者引文索引、匿名引文索引、专利引文索引四部分组成。1.著者引文索引(Citation Index :Authors)该索引按引文著者姓名字顺编排，可查到某著者的文献被人引用的情况。引文索引的用途：可查到某位著者的文章被何人引用，有几篇文章被多少人多少次引用，可统计出每篇文章被引用的频率，用来评价科研人员的学术水平和某篇文章的质量。通过论文之间的引证关系，可以了解同行的研究动态和进展。通过引文索引还可做循环检索，即把所查到的引用著者当作引用著者，这样就能查到更多更新的相关文献。2.团体著者引文索引(Citation Index :Corporate Author Index)这部分是1996年第2期起增设的，以当期收录的被引文献的第一团体机构名称为检索标目，提供从已知机构名入手，检索该机构曾于何时何处发表的文章被引用的情况。3.匿名引文索引(Citation Index :Anonymous)有些文献，如编辑部文章、按语、校正、通讯、会议文献等，也可作为引文被人引用，因无著者姓名，这些被引文献集中编成匿名引文索引。它按引文出版物名称的字顺排列，同名出版物按出版年、卷先后顺序排列。4.专利引文索引(Patent Citation Index)如果引文是专利文献，则编入专利著者引文索引。该索引按专利号数字大小排列，用于查找引用某项专利的文献，了解该专利有什么新的应用和改进。同时，可了解某项专利被引用的次数，从而评价专利的价值。收录范围印刷版(SCI) 双月刊3,500种联机版(SciSearch) 周更新5,600种光盘版(带文摘)(SCICDE) 月更新3,500种(同印刷版)网络版(SCIExpanded) 周更新5,600种(同联机版)2008年12月9日，中国科学技术信息研究所公布的统计结果显示：2007年，SCI收录的中国科技论文数达94800篇，比2006年增长，占世界份额的，排在世界第三位，仅处于美国和英国之后。SCI是美国《科学引文索引》的英文简称，其全称为ScienceCitation Index，创刊于1961年，是根据现代情报学家加菲尔德(Engene Garfield) 1953年提出的引文思想创立的。就其本身而言，SCI最重要的功能是帮助科技人员获取需要的文献信息。这也是编辑该部索引的主要意图。SCI的优点是引文功能，在这里，读者能很快了解到某一作者的某篇论文是否被他人引用过，通过引文次数可以了解某一学科的发展过程。另外，使用SCI还可以了解到科学技术发展的最新信息，如：有没有关于某一课题的评论，某一理论有没有被证实，某方面的工作有没有被扩展，某一方法有没有被改善，某一提法是否成立，某一概念是否具有创新性等等。因此，SCI也具有反映科技论文质量和学术水平的功能。SCI的这些优点对科技工作者查阅最新文献、跟踪国际学术前沿、科研立项以及在具体的课题研究中及时了解国际动态都有很大帮助。上世纪80年代末，南京大学首先将SCI引入科研评价体系，从某种意义上开启了中国科研评价的定量时代。这件事与1986年国家自然科学基金委员会成立，并引入由科学共同体内专家，以民主决策方式决定科学基金分配的同行评议机制一起，表明我国对研究机构和研究人员的评价以行政手段为主，评价结果以行政级别的形式体现，并按相应行政级别享有国家投入和待遇的行政评议阶段结束了。据南京大学当时的校长曲钦岳院士介绍，这样做主要基于两个原因：一是当时处于转型期，国内学术界存在各种不正之风，缺少一个客观的评价标准;二是某些专业国内专家很少，国际上通行的同行评议不现实。引入SCI的目的，是用量化指标引导科研人员注意在国际学术期刊上发表论文，提高学校的学术竞争力。南京大学的做法在当时取得了明显成效。上世纪90年代，南京大学SCI论文数量连续多年位居全国首位。1995年10月，美国著名的《科学》杂志在其《中国科学》专刊中，介绍了南京大学的这一做法。在当时社会诚信普遍缺失、科研评价中掺杂大量人情等主观因素的现实情境下，SCI因其相对客观的评价标准及其相对超脱的国际“身份”，迅速被国内科学界当成一个可以尽量避免人为因素影响的科研评价标准，并逐步拥有了某种权威地位。可以说，近20年来，我国自然科学研究的发展历程在相当程度上也是一个SCI在国内落地生根、枝繁叶茂的过程。SSCI（社会科学引文索引）SSCI即社会科学引文索引，SCI的姊妹篇，亦由美国科学信息研究所创建，是目前世界上可以用来对不同国家和地区的社会科学论文的数量进行统计分析的大型检索工具，是世界最重要的社会科学期刊索引。“SSCI”（SocialScienceCitationIndex），中文可以理解为社会科学引文索引，与“SCI”一样同为美国科学信息研究所创建，现收录了世界上、不同国家和地区的社会科学期刊和论文，进行一定的统计分析，并划分为不同的因子区间，是当今社会科学领域重要的期刊检索与论文参考渠道。1999年SSCI全文收录1809种世界最重要的社会科学期刊，内容覆盖包括人类学、法律、经济、历史、地理、心理学等55个领域。收录文献类型包括：研究论文，书评，专题讨论，社论，人物自传，书信等。选择收录(SelectivelyCovered)期刊为1300多种。Naspapers（纳斯科学编辑）检测数据显示：截止到2011年6月9日，社会科学引文索引（SocialSciencesCitationIndex，简称SSCI）收录报道并标引了2929种社会科学期刊，同时也收录SCIE所收录的期刊当中涉及社会科学研究的论文，与SCI一样，其收录期刊每年更新一次，期刊的IF值（影响因子）也随之变化。从2001到2009年这8年中SSCI收录期刊增加了近千种，有许多学科的期刊如INFORMATION&MANAGEMENT《信息与管理》、INTERNATIONALJOURNALOFGEOGRAPHICALINFORMATIONSCIENCE《国际地理信息科学杂志》、REVIEWOFAGRICULTURALECONOMICS《农业经济学评论》、ADVANCESINNURSINGSCIENCE《护理科学进展》、ANNUALREVIEWOFENVIRONMENTANDRESOURCES《环境与资源年评》、AMERICANJOURNALOFBIOETHICS《美国生物伦理学杂志》、JOURNALOFMATHEMATICALSOCIOLOGY《数理社会学杂志》、SUBSTANCEUSE&MISUSE《药物服用与滥用》、BRAINANDLANGUAGE《大脑与语言》TRANSPORTATIONSCIENCE《运输科学》、AMERICANJOURNALOFORTHOPSYCHIATRY《美国行为精神病学杂志》、INTERNATIONALJOURNALOFSPORTPSYCHOLOGY《国际运动心理学杂志》、BIOLOGY&PHILOSOPHY《生物学与哲学》、HISTORYOFSCIENCE《科学史》、AUSTRALASIANJOURNALONAGEING《澳大利西亚衰老研究杂志》、AMERICANJOURNALOFPHYSICALANTHROPOLOGY《美国自然人类学杂志》、ISSUESINSCIENCEANDTECHNOLOGY《科学与技术问题》、COGNITIVEPSYCHOLOGY《认知心理学》、JOURNALOFSPORTMANAGEMENT《体育管理杂志》、MATHEMATICALPOPULATIONSTUDIES《数理人口研究》被SCI和SSCI共同收录。涉及人类学、考古学、地区研究、商业与金融、传播学、犯罪与监狱、人口统计学、经济学、教育学以及特殊教育、环境研究、人类工程学、种族研究、家庭研究、地理学、接待、休闲、运动与旅游、卫生政策、护理、老年医学、健康与康复、药物滥用、科学史与科学哲学、劳资与劳动、信息科学与图书馆学、国际关系、法律、法医学、语言学、管理科学、运筹学、计划与发展、政治学、精神病学、心理学、伦理学、公共管理、社会学、城市研究、运输、女性研究等。CSSCI为（中文社会科学引文索引）CSSCI为《中文社会科学引文索引》(Chinese Social ScienceCitation Information)英文名称首字母缩写，是由南京大学研制成功的、我国人文社会科学评价领域的标志性工程。科学引文索引是从文献之间相互引证的关系上，揭示科学文献之间的内在联系。通过科学引文索引数据库的检索与查询，可以揭示已知理论和知识的应用、提高、发展和修正的过程，从一个重要侧面揭示学科研究与发展的基本走向；通过科学引文索引数据库的统计与分析，可以从定量的视角评价地区、机构、学科以及学者的科学研究水平，为人文社会科学事业发展与研究提供第一手资料。1997年，南京大学率先提出研制“中文社会科学引文索引”的计划。1999年，南京大学与香港科技大学签订共同研制、开发“中文社会科学引文索引”的协议。1999年，中国教育部正式将CSSCI列为重大研究项目。2000年，中国社会科学研究评价中心在南京大学成立，专题开展“中文社会科学引文索引”的系统研制与开发。2000年，《中文社会科学引文索引》（CSSCI）面世，填补了中国长期没有客观评价社会科学研究成果质量指标的空白。2004年，南京大学中国社会科学研究评价中心咨询委员会于4月在成都召开会议，对CSSCI来源期刊的调整进行了讨论。经过一系列的工作和相关程序，对来源期刊进行了调整，调整后CSSCI来源期刊为461种。为了与国际引文数据库接轨，拓展CSSCI学科覆盖率，适应我国哲学社会科学繁荣发展的需要，根据中文社会科学引文索引指导委员会第七次会议精神，特制订CSSCI扩展版来源期刊。扩展版来源期刊遴选的标准仍坚持来源期刊的标准，同时兼顾地区和学科的平衡。扩展版期刊由四部分组成：此次落选的原来源期刊、他引影响因子与总被引次数的加权值接近来源期刊的期刊、集刊中最近已获得CN号的期刊以及考虑地区、学科合理布局的期刊。本次扩展版收录期刊的数量为CSSCI来源期刊的30%左右，共确定152种。各学科按类名汉语拼音顺序排列，每类期刊先按照上述四部分组成的顺序排列，再按各自的引文数据加权总值排列.EI检索（The Engineering Index，简称EI）创刊于1884年，是美国工程信息公司(Engineering information Inc.)出版的著名工程技术类综合性检索工具。EI每月出版1期，文摘万至万条；每期附有主题索引与作者索引；每年还另外出版年卷本和年度索引，年度索引还增加了作者单位索引。出版形式有印刷版（期刊形式）、电子版（磁带）及缩微胶片。EI选用世界上工程技术类几十个国家和地区15个语种的3500余种期刊和1000余种会议录、科技报告、标准、图书等出版物。年报道文献量16万余条。收录文献几乎涉及工程技术各个领域。例如：动力、电工、电子、自动控制、矿冶、金属工艺、机械制造、土建、水利等。它具有综合性强、资料来源广、地理覆盖面广、报道量大、报道质量高、权威性强等特点。EI（美国工程索引）美国工程索引（Engineering Index，简称EI）[1]是世界著名的检索工具，由美国工程信息公司（Engineeringinformation Inc.）编辑出版发行，该公司始建于1884年，是世界上最大的工程信息提供者之一，早期出版印刷版、缩微版等信息产品，1969年开始提供EI Compendex数据库服务。EI以收录工程技术领域的文献全面且水平高为特点。EI收录5000 多种工程类期刊论文、会议论文和科技报告。收录范围包括核技术、生物工程、运输、化学和工艺、光学、农业和食品、计算机和数据处理、应用物理、电子和通信、材料、石油、航空和汽车工程等学科领域。EI公司在1992年开始收录中国期刊。1998年Ei在清华大学图书馆建立了Ei中国镜像站。1995年以来美国工程信息公司开发了称为“EI Village”的系列产品。Engineering Village2是以EI Compendex等数据库为信息源的网上统一检索平台，该信息检索平台可检索美国工程索引、美国专利等信息资源。为了让中国用户与全球用户同步使用Engineering Village2数据库，2011年EI公司实施EngineeringVillage2中国用户的平台转换工作。平台转换后，现有成员将全部通过国际站点访问EngineeringVillage2数据库，清华镜像站点将停止使用。届时如用户仍登录原镜像站点，将会有弹出信息提醒用户使用国际站点。EI Compendex数据库从2009年1月起，所收录的期刊数据不再分核心数据和非核心数据。但是还分为期刊检索和会议检索。也就是源刊JA类型，会议CA类型。EI Village运行平台是一个数据库平台，包含两个数据库（EI和Inspec）。其中，若判断为Document type: Conferencearticle(CA)，则为会议论文。若判断为Document type: Journalarticle(JA)，则为期刊论文。EI期刊源刊基本是JA类型。EI 对稿件内容和学术水平的要求1、 具有较高的学术水平的工程论文, 包括的学科有机械工程、机电工程、船舶工程、制造技术等矿业、冶金、材料工程、金属材料、有色金属、陶瓷、塑料及聚合物工程等土木工程、建筑工程、结构工程、海洋工程、水利工程、测绘工程、地球科学等电气工程、电厂、电子工程、通讯、自动控制、计算机、计算技术、软件、航空航天技术等化学工程、石油化工、燃烧技术、生物技术、轻工纺织、食品工业、工程管理。2、国家自然科学基金资助项目、科技攻关项目、"八六三"高技术项目等。3、 论文达到国际先进水平, 成果有创新。EI不收录纯基础理论方面的论文。发布于 6 年前著作权归作者所有赞同 2喜欢 0
姓名：朱珉奎 英文名：Brain 生日：1981年1月10日 身高：173CM 体重：60KG 鞋码：290MM 腰围：29 inc 衣服号码：100 出生地：美国新泽西 个性：开朗活泼 学历： marsm school(1-4年级) Emma c. attales(5-8年级) Holy spirit high school(9- 12年级) 学校：RUTGRS UNIVERSITY 1年级 家庭：一个哥哥 血型：A 视力：左： 右 宗教：基督教 习惯：咬指甲，碰手指 兴趣：看电影，篮球，上网聊天 特长：ENGLISH RAP MAKING & RAPXINKE 喜欢的颜色：蓝色 喜欢的饮料：桃味NESYI 喜欢的食物：PASETA。蘑菇牛肉铁板饭 喜欢的餐厅：意大利式的餐厅 喜欢的服饰：HIO HOP型的 喜欢的香水：AKUADI 喜欢的单词：GOD BLESS 喜欢的人的类型：有趣的 不喜欢人的类型：沉默少语的 想见的演员：车太贤 最想采访的明星：JINUSEAN，刘承俊，GOD的 TEAWOO 做梦都想见的电影明星：正在锡 采访的时候不可缺的人物；FTTS 在演艺圈最想知道的事：演技和收益是否成正比 口头禅：EN ~~~好啊~~~ 喜欢的艺人：HOT， GOD的TEA WOO，BLACK BEAT，朴孝信 喜欢的电影： PIMILE MAN 解除压力的方法：把心里话告诉亲密的人 宝贝：家人。FANY的信和礼物。FTTS 理想的异性：小巧可爱、开朗活泼 喜欢哪种女孩：大眼睛,功课好,有幽默感的女孩子 喜欢的歌手：Michael Jackson、 JAY-Z、NAS、NSYNC 座右铭：相信上帝那么所有的好事都会来到 [编辑本段] 【FTTS曾推出专辑】1st ： 《Day By Day》 2nd ： 《约定》 3rd ： 《Sea Of Love》 4th ： 《Missing You》 5th ： 《Gravity》 Live：《1st Live Concert-Unforgettable》 一九九九年，SM Entertainment宣布，继.、神话、.等大获成功的组合之后，会力棒一队二人组合，并定名为Fly To The Sky(飞行青少年)，还以「韩国第一队二人R&B组合」作为宣传重点，结果又再奏效，韩国及中港台等地又多了一队大受欢迎的组合。＂飞行青少年Fly to the Sky″意味着飞翔于未来的梦想与希望，由Brian及Fanny两位拥有演唱实力以及迷人的外貌的大男孩所组成。 FTTS的两位成员Brian及Fany背景相当不同，Brian出生于美国，并于当地接受教育，所以他能操一口流利的英语，他自少的梦想是做歌星，所以读书时常常参加大小歌唱比赛。Brian抱着想要成为歌手的梦想，独自搭机从洛杉矶到韩国比赛，结果以压倒性的成绩获选。至於Fany则是地道韩国人，喜欢运动，予人阳光青年的感觉，亦是因为这个优点，他终於被星探发掘出来，一动一静的两位男孩子，就组成了FTTS。 一九九九年十二月，FTTS推出首张专辑，经唱片公司的悉心部署下，FTTS成绩斐然，大碟总销量超过八十万张，主打曲〈Day By Day〉中两人一唱一和，精彩的R&B旋律为他们建立了一个感觉清新而舒服的形象，再加上师兄们.拔刀相助，参与多首作品的制作，对FTTS亦帮助不少。 FTTS的第二专辑于二零零一年中推出，两位成员无论在歌路与外形上均成熟了不少，主打曲〈Confession〉继续大受欢迎。他们在中台两地等有不少歌迷，还常到当地宣传和演出，每次皆获得疯狂支持。新专辑名为《真爱无限》，曲风主要是以正统R＆B旋律为主，第一主打、同时也是Title Song的＂Day by Day″是以暗恋为主题的情歌，虽然语言难懂，但凭柔和的旋律便足 以让人感动许久，并拍摄了一动一静两支不同版本的MTV！ 此外，专辑中还有.的Kang Ta的创作曲＂In my Dream″，.所有团员也亲自参与了rap的部份；第二主打＂Fly to the Sky″中更可见两人歌舞俱佳的演出。 [编辑本段] 【Brian的个人专辑】唱片名称：《The Brian》歌手：Brian发行时间：2006年12月19日唱片类型：POP [专辑介绍]2006年上半年有两位人气最高的男人，他们的音乐比以前更加的成熟有魅力，他们是韩国最棒的双人组合，他们叫Fly to the Sky。Fly to the Sky的两名成员都是多才多艺的万能艺人，现在成员Brian带着他华丽的音乐来到了歌迷面前。这张《The Brian》的音乐制作由成功改变Fly to the Sky风格的黄世俊担任。专辑中的吉他、鼓、口琴等的乐器声有80%是录制的实际乐器演奏声。尤其口琴的演奏使歌曲更加的赋有抒情色彩。另外，像著名的作曲家曹奎满、李尚仁、全承宇、等的鼎力相助和著名作词家赵恩姬、尹思罗等的参与使整张专辑增添了不少色彩。聆听Brian的歌曲，可以感受到他的多种色彩，但这绝不是他的转型成果，而是他把过去没有带给大家的魅力一一给我们展现的结果。Koreaguy/文[专辑曲目] 01. 活在冬天的一年02. 不要走03. First Date04. 因为不爱你05. 越来越像06. 不要你做07. 绅士08. 黑色眼泪09. 眼泪里10. 渴望拥有 (feat. 尹东勋(Trespass))11. All I Know12. 渴望拥有 (Remix)
BRIAN姓名：朱民奎生日：1982年1月10日身高：176CM体重：60KG鞋码：290MM腰围：29 inc衣服号码：100出生地：美国新泽西个性：开朗活泼学历： marsm school(1-4年级) Emma c. attales(5-8年级) Holy spirit high school(9-12年级)学校：RUTGRS UNIVERSITY 1年级家庭：一个哥哥血型：A视力：左： 右宗教：基督教习惯：咬指甲，碰手指兴趣：看电影，篮球，上网聊天特长：ENGLISH RAP MAKING & RAPXINKE喜欢的颜色：蓝色喜欢的饮料：桃味NESYI喜欢的食物：PASETA。蘑菇牛肉铁板饭喜欢的餐厅：意大利式的餐厅喜欢的服饰：HIO HOP型的喜欢的香水：AKUADI喜欢的单词：GOD BLESS喜欢的人的类型：有趣的不喜欢人的类型：沉默少语的想见的演员：车太贤最想采访的明星：JINUSEAN，刘承俊，GOD的 TEAWOO做梦都想见的电影明星：正在锡采访的时候不可缺的人物；FTTS在演艺圈最想知道的事：演技和收益是否成正比口头禅：EN ~~~好啊```喜欢的艺人：HOT， GOD的TEA WOO，BLACK BEAT，朴孝信喜欢的电影： PIMILE MAN解除压力的方法：把心里话告诉亲密的人宝贝：家人。FANY的信和礼物。FTTS理想的异性：小巧可爱、开朗活泼喜欢哪种女孩：大眼睛,功课好,有幽默感的女孩子喜欢的歌手：Michael Jackson、 JAY-Z、NAS、NSYNC座右铭：相信上帝那么所有的好事都会来到BRIAN�1�9�0�2 �3�5�0�7�8�1�2�1�4�7�1�7�6�0 �5�5 : 176cm �4�7�3�6 : 60kg �6�5�2�2�6�8 : A�6�8�9�9�1�9�2�9�0�9 1999�8�3 �5�3�9�5�3�3�5�7�9�1�2�1�4�5�3�3 1�3�8 �2�9�0�9 [DAY BY DAY]�4�5�0�3 �2�2�6�1�7�1�1�8, �3�7�5�5�8�0 �4�5�5�4, �8�6�7�9�5�8�8�5 English Rap Making�1�7�0�2 �1�8�2�7�0�5�0�3�0�8 �2�2�2�5�0�9 �3�7�8�7�9�7 �6�9�8�5�1�0�7�4 �1�7�7�1�3�4�3�3�1�8�6�8 �8�1�1�5�9�9 �5�5 �3�2�7�9 �8�9�3�3 �5�9�7�9 �3�9�0�5 �5�6�1�5�6�9�7�9 �8�9 �3�1�6�7 �3�5�8�9 �2�1�3�1�3�3�3�7�0�2 �0�7�9�7 �7�6�3�5 �6�9�8�1�9�7 �2�7�2�3�1�9 �3�5�2�5�6�9�7�5 �6�8�6�3�9�9�0�1�0�4�5�5�3�7�5�7 �4�9�2�5 �3�0�2�9�3�2�2�3�6�9�8�9 �3�3�2�8 �3�3�5�1�0�5�2�7 �3�3�2�8 (�5�1�2�1�5�3)�5�3�4�5�5�1 �1�5�9�5�3�3�2�9 �7�0�2�8�4�5�5�1�7�1�0�7 �3�4�1�5 �3�7�0�5, �1�7�9�1�9�1 > �7�5�2�1 > �5�3�9�5�3�3�5�7�9�1�2�1�4�5�3�3 > �1�5�9�5�3�3�2�9
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。下面，我为大家分享关于医学影像的论文，希望对大家有所帮助!
前 言
数字图像处理技术以当前数字化发展为基础， 逐渐衍生出的一项网络处理技术， 数字图像处理技术可实现对画面更加真实的展示。 在医学中，随着数字图像处理技术的渗透，数字图像将相关的病症呈现出来， 并通过处理技术对画面上相关数据进行处理，这种医疗手段，可大幅提升相关病症的治愈率，实现更加精准治疗的疗效。 在医学中医学影像广泛用于以下几方面之中，其中包括 CT(计算机 X 线断层扫描)、PET(正电子发射断层成像)、MRI(核磁共振影像)以及 UI(超声波影像)。 数字图像处理技术在技术发展基础上，其应用的范围将会在逐渐得到扩展，应用成效将会进一步得到提升。
1 关键技术在数字图像处理中的应用
医学影像中对于数字图像的处理， 通常是将数字图像转化成为相关数据，并针对相关数据呈现的结果，对患者病症进行分析，在对数字图像处理中，存在一定的关键技术，这些关键技术直接影响着整个医疗治疗与检查。
图像获取
图像获取顾名思义将医患的相关数据进行整理， 在进行数字图像检测时，得出的相关图像，在获取相关图像后，经过计算机的转变，将图像以数据的形式进行处理，最后将处理结果呈现出来。 在计算机摄取图像中，通过光电的转换，以数字化的形式展现出来， 数字图像处理技术还可实现将分析的结果作为医疗诊断的依据，进行保存[1].
图像处理
在运用数字图像获取相关图像后，需对图像进行处理，如压缩处理、编码处理，将所有运行的数据进行整理，将有关的数据进行压缩，并将相关编码进行处理，如模型基编码处理、神经网络编码处理等。
图像识别与重建
在经过图像复原后，将图像进行变换，在进行图片分析后分割相关图像，测量图像的区域特征，最后实现图像设备与呈现，在重建图像后，进行图像配准。
2 医学影像中数字图像处理技术
数字图像处理技术的辅助治疗
当前医学图像其中包括计算机 X 线断层扫描、 正电子发射断层成像、核磁共振影像以及超声波影像，在医疗治疗中，可根据相关数据的组建，进而实现几何模式的呈现，如 3D,还原机体的各项组织中，对于细小部位可实现放大观察，可实现医生定量认识，更加细致的观察病变处，为接下来的医疗治疗提供帮助。 例如在核磁共振影像治疗中， 首先设定一定的磁场，通过无线电射频脉冲激发的'方式，对机体中氢原子核进行刺激，在运行过程中产生共振，促进机体吸收能力，帮助查找病症所在[2].
提升放射治疗的疗效
在医疗中， 运用数字图像处理技术即可实现对患病处的观察，也可实现对病患处的治疗，这种治疗方式常见于肿瘤或癌症病变的放射性治疗。 在进行治疗前， 首先定位于病患方位，在准确定位后，借助数字图像处理技术，全方位的计划治疗方案，并在此基础上对病患处进行治疗。 例如在治疗肿瘤癌症等病变之处，利用数字图像排查病变以外机体状况，降低手术风险。
加深对脑组织以其功能认识
脑组织是人体机能运转的核心， 在脑组织中存在众多复杂的结构，因此想要实现对脑组织的功能认识，必须对脑组织进行全方位的观测，深层探析其各项组织结构。 近些年随着医疗技术的提升，数字图像处理技术被运用到医学之中，数字图像处理技术可实现透过大脑皮层对脑组织进行全方位观测，最后立体的呈现出脑组织中各项机构的运作状况[3]. 例如功能性磁共振成像即 FMRI,这种成像可对机体大脑皮层的活动状况进行检测， 还可实时跟踪信号的改变， 其高清的时间分辨率，为当代医疗提供了众多帮助。
实现了数字解剖功能
数字解剖即虚拟解剖， 这种解剖行为需以高科技为依托从力学、视觉等各方面，通过虚拟人资源得建立，透析机体各项组织结构，实现对虚拟人的解剖，增加对机体的认识，真实的还原解剖学相关知识，这种手段对于医疗教学、解剖研究具有重要的影响作用。
3 结 论
综上所述， 数字图像处理技术在医学影像中具有重要的应用价值，其技术的发展为医疗技术提供了进步的平台，也为数字图像处理技术的发展提供了应用空间， 这种结合的方式既是社会发展的要求，也是时代进步的趋势。
参考文献：
[1]张瑞兰，华 晶，安巍力，刘迎九。数字图像处理在医学影像方面的应用[J].医学信息，2012,03:400~401.
[2]刘 磊，JINChen-Lie.计算机图像处理技术在医学影像学上的应用[J].中国老年学杂志，2012,24:5642~5643.
[3]李 杨，李兴山，何常豫，孟利军。数字图像处理技术在腐蚀科学中的应用研究[J].价值工程，2015,02:51~52.
随着现代化科学技术的快速发展，计算机图形图像处理技术也越来越成熟，为人们的生活、工作和学习提供了极大的便利。然而我们该如何写有关计算机图形图像处理的论文呢?下面是我给大家推荐的计算机图形图像处理相关的论文，希望大家喜欢!
《计算机图形图像处理技术分析》
摘 要：随着现代化科学技术的快速发展，计算机图形图像处理技术也越来越成熟，Photoshop、CAE、CAD等计算机图形图像处理软件被广泛的应用在各个领域，为人们的生活、工作和学习提供了极大的便利。在未来的发展过程中，要不断改进和完善计算机图形图像处理技术，推动计算机图形图像处理技术更加广泛的应用和发展。本文简要介绍了计算机图形图像处理技术，阐述了计算机图形图像处理技术的应用。
关键词：计算机;图形图像;处理技术
中图分类号：
计算机图形图像技术以计算机网络系统为平台，实现了人们主观意识中图像和真实存在的图形之间的相互结合，各种各样的计算机图形图像处理软件，为人们的主观处理和操作提供了很多的便利，随着现代化科学技术的快速发展，计算机图形图像处理技术的应用前景会更加广阔。
1 计算机图形图像处理技术概述
基本含义
计算机图形图像处理技术是指通过几何模型和数据将描述性的形象或者概念在计算机系统软件中进行存储、定稿、优化、修改和显现。计算机图形图像处理技术可以用来设计图形的色彩、做纹理和明暗的贴图处理、对图像进行建模设计和造型、消除图像隐线和隐面、对图形曲线和曲面进行拟合操作、数字化的图像存储、图像分割、分析、编码、增强、复原等操作[1]，以及对图像进行形式转换，如投影、缩放、旋转、平移等几何形式。
基本组成
计算机图形图像处理技术的基本组成主要包括计算机硬件设备和计算机图形图像处理软件。计算机硬件设备性能的好坏对于计算机图形图像处理效果有着直接的影响，计算机图形图像处理软件将终端的显示和计算机结合在一起，由于计算机图形图像处理技术自身具有设计、存储、修改等功能，可以迅速整合图片数据，不仅可以保障计算机图形图像的处理效果，也可以有效地提高计算机中央处理器和计算机图形图像处理软件的运行效果。键盘和鼠标作为终端的输入设备，可以完成对图形的修改和定位，并且利用显示器、绘图仪、打印机等显示设备和输出设备，可以完整的保存计算机图片。
基本功能
计算机图形图像处理技术主要具有五个基本功能：对话、输入、输出、存储和计算。对话功能是指利用通讯交互设备和计算机显示器实现人机交流。输入和输出功能是指计算机图形图像处理软件可以随时输入和输出相关的图形图像。存数功能是指实时监控计算机的图形图像数据进行有效的检索和维护。计算功能是指计算机图形图像处理软件对相关的图形图像进行必要的数据交换和计算分析。
计算机图形图像处理技术的运行环境
计算机图形图像处理技术的硬件配置主要包括工作站和微型机，软件配置就是建立在工作站和微型机上的运行软件。计算机图形图像处理技术的工作站软件主要有TDI和Alias两种，工作站的软件主要负责处理计算机工作站中的各种图形图像处理。微型机上的计算机图形图像处理软件主要包括3DStudio、Winimage：morph和Photoshop等，3DStudio是微型机上的一种最主要的图形图像处理软件，被广泛的应用在多个计算机系统中;Winimage：morph是一种常用的二维图形图像处理软件，可以将一个图形或者图像制作成另外一个图形或者图像;Photoshop是一个非常专业的图形图像处理软件，其支持图形图像资料的分色制版，给人们进行图形图像处理带来很多的便利。
2 计算机图形图像处理技术的应用
用户接口
人们利用计算机系统的用户接口来操作多种计算机软件，计算机图形图像处理技术和用户接口的有效结合，借助于计算机操作系统构建友好的人机交互用户图形界面，极大地提高了计算机图形图像处理的简便性和易用性。近年来，微软公司普及和推广的图像化windows系统，充分发挥了计算机图形图像处理技术和用户接口全面融合的重要作用。
动画与艺术
随着计算机科学技术的快速发展，计算机硬件设备和计算机图形学也在蓬勃发展，静态的图形图像已经很难再满足人们对高质量、优质的、动态的图形图像的巨大需求，因此近年来，计算机动画技术蓬勃发展，特别是一些美术设计人员，多是依靠计算机图形图像处理软件来进行艺术创作。计算机图形图像处理技术的快速发展，同时推动了艺术设计技术的应用和开发，例如，3DS Studio Max三维设计软件和Photoshop二维平面设计软件[2]。
可视化科学计算
近年来，我国社会主义市场经济快速发展，各个领域的信息通信越来越频繁，计算机网络技术的广泛应用和普及，使得计算机系统数据库中的信息量日益庞大，计算机数据处理和分析技术面临着严峻的考验。相关的技术操作人员利用计算机数据处理和分析软件，很难准确、快速地从计算机的数据库系统中检索出需要的信息数据，难以总结出数据信息的共性和特征。通过将计算机数据处理技术和计算机图形图像处理技术有效的结合起来，可以通过计算机图形图像技术将大量的复杂结构的信息数据进行归类，操作人员通过计算机数据处理软件可以对有共性特征和本质特征的数据信息进行快速检索，极大地提高了计算机数据处理和分析的效率。可视化的科学计算技术最早出现在美国的科学协会研讨中，目前，可视化的科学计算技术被广泛的应用在气象分析、流体力学、医学等领域中[3]，特别是在医学领域，利用可视化的科学计算技术可以实现高精度的远程控制和操作，可以应用在远程的脑部手术中，突破医学难题。在未来的发展过程中，可视化的科学计算技术将会在更多的领域发挥更加重要的作用。
工业制造和设计
目前，计算机图形图像处理技术在工业制造和设计领域应用的最为广泛，特别是二维三维CAD和CAE等计算机图形图像处理软件，不仅在工业生产的产品制造和产品设计过程中，还有土木工程领域，甚至是集成电路、网络分析和电子线路等电子电工领域都有着广泛的应用。在高精度的工业制造和设计领域中，利用计算机图形图像处理软件，可以在很短的时间内完成高精度的图形图像设计和画图，极大地提高了技术人员的工作效率，同时，标准的计算机图形图像处理程序，提高了工业制造和设计的精确度，有效地降低了设计误差。由于工业产品多是批量化的制造和生产，利用计算机图形图像处理技术，可以极大地提高企业批量化的运行效率和生产质量，降低工业产品的质量检测投入成本，为工业企业带来了更大的经济效益。
3 结束语
计算机图形图像处理技术的广泛应用和快速发展，推动了多个领域的技术革新，充分发挥人们的想象和创造力，创造出很多独特新奇的图形图像效果，丰富人们的日常生活，同时也为企业节约了很多的图形图像处理成本，提高了产品竞争力。在未来的发展过程中，计算机图形图像处理技术的应用前景会更加广阔。
参考文献：
[1]韩晓颖.浅谈计算机图形图像处理技术[J].福建电脑，2011(10)：83-84.
[2]和晓娟.计算机图形图像处理技术的探讨[J].信息与电脑(理论版)，2013(11)：164-165.
[3]王应荣，王静漪.计算机图形图像处理技术[J].天津理工学院学报，2012(03)：6-10.
作者简介：刘倩(1981-)，女，满族，硕士，讲师，研究方向：图形图像处理与多媒体技术。
作者单位：宁夏大学 数学计算机学院，银川 750001
GitHub CSDN
目前。计算机视觉中的性能最好的目标检测方法主要分为两种: one-stage 和two-stage 方法。two-stage方法分为两步，第一步为候选区域生成阶段(Proposal stage),通过如Selective Search、EdgeBoxes等方法可以生成数量相对较小候选目标检测框；第二步为分类与回归阶段，对第一阶段生成的 Candiate Proposal 进行分类和位置回归。one-stage 代表性的方法是R-CNN系列，如 R-CNN， Fast R-CNN, Faster R-CNN。 而one-stage 方法直接对图像的大量 Candiate Proposals 进行分类与回归。
这两类方法中均存在类别不平衡问题，two-stage 方法通过第一步已经将当量的候选区域降低到一个数量较小的范围，同时又在第二步通过一些启发式原则，将正负样本的比例降低到一定程度。而 one-stage 优于没有这降低候选框的步骤，因此，候选区域的数量大大超过 two-stage 方法，因此，在精度上，two-stage 仍然优于 one-stage 方法，但是在速度和模型复杂度上， one-stage 占优势。
类别不平衡会使检测器评估 的候选位置，但是通常只有少量的位置存在目标，这回导致两个问题:
因此，解决样本不平衡问题是提高目标检测精度的一个关键技术之一。
论文题目： Training Region-based Object Detectors with Online Hard Example Mining
OHEM 是通过改进 Hard Example Mining 方法，使其适应online learning算法特别是基于SGD的神经网络方法。Hard Example Mining 通过交替地用当前样本集训练模型，然后将模型固定，选择 False Positive 样本来重新组建用于下一次模型训练的样本集。但是因为训练神经网络本事就是一个耗时的操作，这样在训练中固定模型，这样会急剧降低模型的训练进程。
Hard Examples Mining通常有两种方法：
OHEM算法的大致流程是: 首先计算出每个ROI的loss， 然后按loss从高到低来排列每个 ROI， 然后为每张图片选择 个损失最高的 ROI 作为Hard Examples，其中 B 表示总的 ROI 数量， 表示batch-size 的大小，在 Fast R-CNN 中， N=2， B=128时，效果很好。
但是如果直接按照 loss 对所有的 ROI 进行选择，会有一个缺点，由于 ROI 很多，这样 很多 ROI 的位置就会相关并重叠，如果和某个高 Loss 的 ROI 重合度很高的其它 ROI很多， 这样， 这些 ROI 的 Loss 通常也会很多，这样这些样本都会被选择，但是它们可以近似认为时同一个，这样就会给其它较低 Loss 的 ROI 更少的选择余地，这样就会存在冗余。为了消除这种冗余，作者提出先使用 NMS (non-maximum suppression) 删除部分重合度很高的 ROI， 在使用上述方法进行 选择 Hard Example。
实现技巧:
论文，作者将该方法是现在 Fsat R-CNN 目标检测方法中。最简单做法是更改损失函数层，损失函数层首先计算所有 ROI 的 loss， 然后根据 loss 对 ROI 进行排序，并选择 hard RoIs， 让 那些 non-RoIs的损失变为0. 这种方法虽然很简单，但是非常不高效，因为还需要为所有的 RoIs 分配进行反向传播时需要的内存空间。
为了克服这个缺点，作者对下面的 Figure 1 进行改进， 如下面的 Figure 2.该改进时使用两份同样的 RoI network。 其中一个是只读的(readonly), 即只进行前向计算，不进行反向传播优化，所以只需要为前向传播分配内存，它的参数实时保持和另一个 RoI network（regular RoI network)保持一样。在每次迭代时，首先使用 readonly RoI network 对每个 ROI 计算起 loss，然后用上面描述的选择 hard RoIs 的方法选择 hard RoIs. 然后利用 regular RoI network来对选择的 hard RoIs 进行前向和后向计算来优化网络。
论文题目 Focal Loss for Dense Object Detection
在改论文中，作者认为样本类别的不平衡可以归结为难易样本的不平衡，从而更改交叉熵损失函数，重新对样本赋予不同的权值，之前的模型这些样本都是同等重要的，从而使模型训练更加关注 hard examples。
首先引入交叉熵的公式:
其中， ,表示真实类别， 表示我们预测的概率，为了方便，我们定义:
因此， ,该方法在 较大时，该loss是一个较小的量级， 如下图的连线所示所示，因为存在大量的易分类样本，相加后会淹没正样本的loss。
一个常见的解决类别不平衡的方式是引入一个加权因子 来表示正样本的权重， 表示负样本的权重。我们按照定义 的方法重新定义 为 , 定义如下:
虽然可以平衡 positive和negative的重要性，但是对 easy/hard 样本还是无法区分， Focal loss 通过更 Cross loss来达到区分easy/hard的目的:
上图展示了不同 取值对应的 loss，通过分析上述公式，我们发现，当 非常小时，即样本被分类错误，此时 接近1， loss几乎不受影响，当 接近于1时，即样本被分类正确，此时 接近0，此时降低了该样本的权重，比如，取 , 当时 时，该样本的 loss 会降低100倍，
在实际应用中，作者使用了该 Focal loss的变体，即加入了 平衡因子:
作者提出，对于二分类，一般模型的模型初始化会同概率的对待正负样本，由于类别不平衡，负样本的 loss 会占主导，作者提出在训练初始阶段对正样本的概率估计“prior”的概念，用 表示， 通过设置它来达到正样本的输出概率低的效果，比如为，从而使模型更加关注正样本。实际操作中，出了最后一个用于分类的卷积层，其余卷积层的参数初始化为bias ，而最后一层 , 实验中设置为 .
两个实现细节
论文题目: Gradient Harmonized Single-stage Detector
改论文提出 Focal Loss 存在两个缺点:
该论文有一句概括该篇论文的核心思想的一句话: 类别的不平衡可以归结为难易样本的不平衡，难易样本的不平衡可以归结为梯度的不平衡原话如下:
如下图所示:
左边是样本数量关于梯度的分布，中间表示各个修正后的函数的梯度（使用了log scale）对原始梯度的，右边表示所有样本集的梯度贡献的分布。
定义 是模型未经过 sigmoid 之前的输出， 则 ,得出该损失函数对 的梯度为:
定义梯度的模长(norm) 为：
训练样本的梯度密度(Gradient Density)定义如下:
其中， 是第 k 个样本的gradient norm，
这个公式可以理解为，以梯度 为中心，宽度为 的区域内的样本密度。
梯度密度协调参数:
分母是对梯度位于 范围的部分样本进行归一化，如果所有样本的梯度时均分分布，那么对于任意 都有 .(这里不是很理解为什么N，可以理解它们相等)
通过将梯度密度协调参数将 GHM 嵌入到损失函数中，则 GHM-C Loss 为:
计算公式11时，求和有一个N，再求 时会遍历所有的样本，因此该公式的时间复杂度为 .如果并行的化，每个计算单元也有N的计算量。对gradient norm进行排序的最好的算法复杂度为 ，然后用一个队列去扫描样本得到梯度密度的时间复杂度为 n 。基于排序的方法即使并行也不能较快的计算，因为N往往是 甚至 ，仍然是非常耗时的.
作者提出的近似求解的方法如下:
根据上述定义，得出近似梯度密度函数为:
利用上面的公式，由于我们可以事先求好 , 在求和时只需查找 即可，因此时间复杂度为 .
因为loss的计算是基于梯度密度函数，而梯度密度函数根据一个batch中的数据得到，一个batch的统计结果是有噪声的。与batch normalization相同，作者用Exponential moving average来解决这个问题，也就是
将模型鱼的的偏移量定义为 , 将真实的偏移量定义为 ,回归loss采用 Smooth L1 loss:
其中
则 关于 的梯度为:
从公式可以看出，当样本操作 时， 所有样本都有相同的梯度 1， 这就使依赖梯度范数来区分不同样本是不可能的， 一种简单的替代方法时直接使用 作为衡量标准，但是该值理论上无限大，导致 无法实现，
为了将 GHM 应用到回归损失上，作者修改了原始的 损失函数:
该函数和 具有类似的属性，当d的绝对值很小时，近似 L2 loss， 当d的绝对值比较大时， 近似 L1 loss， 关于d的梯度为:
这样就将梯度值限制在
定义 , 则 GHM-R Loss 为:
论文题目: Prime Sample Attention in Object Detection
PISA 方法和 Focal loss 和 GHM 有着不同， Focal loss 和 GHM 是利用 loss 来度量样本的难以程度，而本篇论文作者从 mAP 出法来度量样本的难易程度。
作者提出提出改论文的方法考虑了两个方面:
Prime Samples 是指那些对检测性能有着巨大影响的样本。作者研究表明样本的重要程度依赖于它和ground truth 的 IoU值，因此作者提出了一种 IOU-HLR 排序。
在目标检测中时如何定义正样本（True Positive)的呢？
剩余的标注为负样本。
mAP 的原理揭露了对目标检测器更重要的 两个准则 :
基于上述分析，作者提出了一种称为 IoU-HLR 的排序方法，它既反映了局部的IoU关系(每个ground truth目标周围)，也反映了全局的IoU关系(覆盖整个图像或小批图像)。值得注意的是，不同于回归前的边界框坐标，IoU-HLR是根据样本的最终定位位置来计算的，因为mAP是根据回归后的样本位置来计算的。
该排序方法的大致流程如下图所示，其原理如下:
IoU-HLR遵循上述两个准则。首先，它通过局部排序（即上面的步骤2）将每个单独的 GT 的 对应的样本中 IoU 较高的样本放在前面，其次通过重采样和排序(步骤3， 4)将不同 GT 的 对应的样本中， 将 IoU 较高的放在了前面。
作者提出Prime Sample Attention，一种简单且有效的采样策略，该采样策略将更多的注意力集中到 Prime examples 上， PISA 由两部分组成: Importance- based Sample Reweighting(ISR)和Classification Aware Regression Loss(为CARL).
PISA 的训练过程是基于 prime samples 而不是同等对待所有样本。
作者提出一种基于 soft sampling 的方法: Importance-based Sample Reweighting (ISR), 他给不同样本根据重要性赋予不同的权重。首先它将Iou-HLR排序转化为线性映射的真实值。 IoU-HLR在每个类中分别进行计算。对于类 , 假设总共有 个样本， 通过 IoU-HLR 表示为 . 其中 ,使用一个线性转换函数将 转换为 , 表示第 类中的第 个样本的重要程度:
采用指数函数的形式来京一部将样本重要性 转换为 loss 的权值 , 表示对重要样本给予多大的优先权的程度因子， 决定最小样本权值的偏差(感觉就是一个决定最小的权值大小的一个变量)。
根据上面得到的权重值，重写交叉熵:
其中 n 和 m 分别表示真样本和负样本的数量， 和 分别表示预测分数和分类目标，需要注意的是，如果只是简单的添加 loss 权值将会改变 loss 的值，并改变正负样本的比例，因此为了保持正样本的总的 loss 值不变， 作者将 归一化为 (这里不是很理解，欢迎大家解惑)
已经介绍如何染个分类器知道 prime samples， 那么如何让回归其也知道 prime sample，作者提出了 Classification-Aware Regression Loss（CARL) 来联合优化分类器和回归其两个分支。CARL可以提升主要样本的分数，同时抑制其他样本的分数。回归质量决定了样本的重要性，我们期望分类器对重要样本输出更高的分数。两个分支的优化应该是相互关联的，而不是相互独立的。
作者的方法是让回归器知道分类器的分数，这样梯度就可以从回归器传播到分期其分支。公式如下:
表示相应类别的预测分数， 表示输出的回归偏移量。利用一个指数函数将 转化为 ，随后根据所有样本的平均值对它进行缩放。为了保持损失规模不变，对具有分类感知的 进行归一化。 是常用的smooth L1 loss。
关于 的梯度与原回归损失 成正比。 p_i \mathcal{L}(d_i, \hat d_i) \mathcal{L}(d_i, \hat d_i)$ 反映了样本i的定位质量，因此可以认为是一个IoU的估计，进一步可以看作是一个IoU-HLR的估计。可以近似认为，排序靠前的样本有较低的回归损失，于是分类得分的梯度较小。对于CARL来说，分类分支受到回归损失的监督。 不重要样本的得分被极大的抑制掉，而对重要样本的关注得到加强。
待续。。。
上面的方法大致可以分为两种：
Focal Loss认为正负样本的不平衡，本质上是因为难易样本的不平衡，于是通过修改交叉熵，使得训练过程更加关注那些困难样本，而GHM在Focal Loss的基础上继续研究，发现难易样本的不平衡本质上是因为梯度范数分布的不平衡，和Focal Loss的最大区别是GHM认为最困难的那些样本应当认为是异常样本，让检测器强行去拟合异常样本对训练过程是没有帮助的。PISA则是跳出了Focal Loss的思路，认为采样策略应当从mAP这个指标出发，通过IoU Hierarchical Local Rank (IoU-HLR)，对样本进行排序并权值重标定，从而使得recall和precision都能够提升。
论文: EfficientDet: Scalable and Efficient Object Detection
目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战:
FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地直接相加，然而由于不同的特征是不同的分辨率，对融合输出特征的共享应该是不相等的。为了解决这一问题，论文提出简单但高效加权的bi-directional feature pyramid network(BiFPN)，该方法使用可学习的权重来学习不同特征的重要性，同时反复地进行top-down和bottom-up的多尺度融合
论文认为除了缩放主干网络和输入图片的分辨率，特征网络(feature network)和box/class预测网络的缩放对准确率和性能也是很重要的。作者借鉴EfficientNet，提出针对检测网络的混合缩放方法(compound scaling method)，同时对主干网络，特征网络和box/class预测网络的分辨率/深度/宽度进行缩放
最后，论文将EfficientNet作为主干，结合BiFPN和混合缩放，提出新的检测系列EfficientDet，精度高且轻量，COCO上的结果如图1，论文的贡献有以下3点：
定义多尺寸特征 ，论文的目标是找到变化函数 来高效融合不同的特征，输出新特征 。具体地，图2a展示了top-down FPN网络结构，一般FPN只有一层，这里应该为了对比写了repeat形式。FPN获取3-7层的输入 ， 代表一个分辨率为 的特征层
top-down FPN操作如上所示， 为上采用或下采样来对齐分辨率， 通常是特征处理的卷积操作
top-down FPN受限于单向的信息流，为了解决这一问题，PANet(图2b)增加了额外的bottom-up路径的融合网络，NAS_FPN(图2c)使用神经架构搜索来获取更好的跨尺度特征网络的拓扑结构，但需要大量资源进行搜索。其中准确率最高的是PANet，但是其需要太多的参数和计算量，为了提高性能，论文对跨尺寸连接做了几点改进：
大多的特征融合方法都将输入特征平等对待，而论文观察到不同分辨率的输入对融合输出的特征的贡献应该是不同的。为了解决这一问题，论文提出在融合时对输入特征添加额外的权重预测，主要有以下方法：
， 是可学习的权重，可以是标量(per-feature)，也可以是向量(per-channel)，或者是多维tensor(per-pixel)。论文发现标量形式已经足够提高准确率，且不增加计算量，但是由于标量是无限制的，容易造成训练不稳定，因此，要对其进行归一化限制
，利用softmax来归一化所有的权重，但softmax操作会导致GPU性能的下降，后面会详细说明
，Relu保证 ， 保证数值稳定。这样，归一化的权重也落在 ，由于没有softmax操作，效率更高，大约加速30%
BiFPN集合了双向跨尺寸的连接和快速归一化融合，level 6的融合操作如上， 为top-down路径的中间特征， 是bottom-up路径的输出特征，其它层的特征也是类似的构造方法。为了进一步提高效率，论文特征融合时采用depthwise spearable convolution，并在每个卷积后面添加batch normalization和activation
EfficientDet的结构如图3所示，基于one-stage检测器的范式，将ImageNet-pretrained的EfficientNet作为主干，BiFPN将主干的3-7层特征作为输入，然后重复进行top-down和bottom-up的双向特征融合，所有层共享class和box网络
之前检测算法的缩放都是针对单一维度的，从EfficientNet得到启发，论文提出检测网络的新混合缩放方法，该方法使用混合因子 来同时缩放主干网络的宽度和深度、BiFPN网络、class/box网络和分辨率。由于缩放的维度过多，EfficientNet使用的网格搜索效率太慢，论文改用heuristic-based的缩放方法来同时缩放网络的所有维度
EfficientDet重复使用EfficientNet的宽度和深度因子，EfficinetNet-B0至EfficientNet-B6
论文以指数形式来缩放BiFPN宽度 (#channels)，而以线性形式增加深度 (#layers)，因为深度需要限制在较小的数字
box/class预测网络的宽度固定与BiFPN的宽度一致，而用公式2线性增加深度(#layers)
因为BiFPN使用3-7层的特征，因此输入图片的分辨率必需能被 整除，所以使用公式3线性增加分辨率
结合公式1-3和不同的 ，论文提出EfficientDet-D0到EfficientDet-D6，具体参数如Table 1，EfficientDet-D7没有使用 ，而是在D6的基础上增大输入分辨率
模型训练使用momentum=和weight decay=4e-5的SGD优化器，在初始的5%warm up阶段，学习率线性从0增加到，之后使用余弦衰减规律(cosine decay rule)下降，每个卷积后面都添加Batch normalization，batch norm decay=，epsilon=1e-4，梯度使用指数滑动平均，decay=，采用 和 的focal loss，bbox的长宽比为 ，32块GPU，batch size=128，D0-D4采用RetinaNet的预处理方法，D5-D7采用NAS-FPN的增强方法
Table 2展示了EfficientDet与其它算法的对比结果，EfficientDet准确率更高且性能更好。在低准确率区域，Efficient-D0跟YOLOv3的相同准确率但是只用了1/28的计算量。而与RetianaNet和Mask-RCNN对比，相同的准确率只使用了1/8参数和1/25的计算量。在高准确率区域，EfficientDet-D7达到了，比NAS-FPN少使用4x参数量和计算量，而anchor也仅使用3x3，非9x9
论文在实际的机器上对模型的推理速度进行了对比，结果如图4所示，EfficientDet在GPU和CPU上分别有和加速
论文对主干网络和BiFPN的具体贡献进行了实验对比，结果表明主干网络和BiFPN都是很重要的。这里要注意的是，第一个模型应该是RetinaNet-R50(640)，第二和第三个模型应该是896输入，所以准确率的提升有一部分是这个原因。另外使用BiFPN后模型精简了很多，主要得益于channel的降低，FPN的channel都是256和512的，而BiFPN只使用160维，这里应该没有repeat
Table 4展示了Figure 2中同一网络使用不同跨尺寸连接的准确率和复杂度，BiFPN在准确率和复杂度上都是相当不错的
Table 5展示了不同model size下两种加权方法的对比，在精度损失不大的情况下，论文提出的fast normalized fusion能提升26%-31%的速度
figure 5展示了两种方法在训练时的权重变化过程，fast normalizaed fusion的变化过程与softmax方法十分相似。另外，可以看到权重的变化十分快速，这证明不同的特征的确贡献是不同的，
论文对比了混合缩放方法与其它方法，尽管开始的时候相差不多，但是随着模型的增大，混合精度的作用越来越明显
论文提出BiFPN这一轻量级的跨尺寸FPN以及定制的检测版混合缩放方法，基于这些优化，推出了EfficientDet系列算法，既保持高精度也保持了高性能，EfficientDet-D7达到了SOTA。整体而言，论文的idea基于之前的EfficientNet，创新点可能没有之前那么惊艳，但是从实验来看，论文推出的新检测框架十分实用，期待作者的开源
论文: Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
论文认为，目前的目标检测算法可以按预设框的多少分为两种：
上述两种方法都会预测大量的结果，需要进行NMS后处理，而在训练的时候会存在many-to-one的问题，并且anchor的设置对性能的影响很大。 于是，很多研究开始探讨稀疏(sparse)检测，比如近期的DETR算法。该算法不需要预设anchor，并且预测的结果可直接输出，不需要后处理。但论文认为DETR并不是真正的稀疏检测，因为DETR在各位置提取特征时，需要与全图的上下文进行交互，而真正的稀疏检测应该满足sparse boxes和sparse features，即较少的初始框设定以及框之间不需要过多的特征互动。 为此，论文提出了Sparse R-CNN，如图1c所示，仅需设定少量anchor即可进行检测，而且能够进行set prediction，免去NMS等后处理，其核心主要包含以下几点：
Sparse R-CNN的推理流程如图3所示，输入图片、可学习的proposal boxes以及可学习的proposal features，根据proposal boxes提取对应的RoIAlign特征，dynamic head将proposal features转换为卷积核参数，对RoIAlign特征进一步提取特征，再进行后续的分类和回归。整体的思想和Fast RCNN很像，将selective search替换为proposal boxes，再增加其它更强的模块。
论文采用FPN-ResNet作为主干网络，输出多层特征，每层特征的维度都是256。采用更复杂的主干网络可以获得更好的性能，但论文与Faster R-CNN对齐，采用标准的实现。
Sparse R-CNN的核心是采用数目固定的小批量可学习proposal boxes( )作为region proposal，而非RPN。每个box为4-d参数，在0～1范围内，值为归一化的中心点坐标、宽度和高度。这些参数在训练过程中通过反向传播进行更新，包含了训练集目标位置的统计信息，可用于推理时的初步目标位置猜测。
尽管4维的proposal box能够直观地表示目标的定位，但缺少了目标的信息，比如目标的姿态和形状，所以论文引入proposal feature( )进行补充。proposal features是高维的可学习向量，与proposal boxes一一对应，用于丰富目标的RoIAlign特征。
Dynamic instance interactive head的结构如图4所示，每个proposal box都有一个专属的预测head。给定 个proposal boxes和 个proposal features，先通过RoIAlign提取每个box的 维特征，Dynamic instance interactive head将其对应的 维proposal feature转换为卷积参数，使用这个卷积参数对RoIAlign特征进行提取，得到目标的 维特征，最后经过简单的3层感知机进行分类与回归。 Dynamic instance interactive head也可以使用类似Cascade R-CNN那样的级联模式进一步的提升性能，将输出的新回归框和 维特征作为下一次迭代的proposal box和proposal feature即可。
Sparse R-CNN的训练采用set prediction的形式，将固定数量的预测结果与GT之间进行二分图最优的匹配，然后计算损失值，完整的损失函数为：
各模块对比实验。
性能与收敛性。
在COCO上进行对比。
Sparse R-CNN贯彻了稀疏的思想，只提供少量初始框，可进行Set prediction，颠覆了当前密集预测的检测思路，整体框架十分简洁，跟Fast RCNN有点像，十分值得大家阅读。
工具／原料：联想启天m428、windows7旗舰版、百度浏览器。
1、打开中国知网主页（cnki），点击进入“高级检索功能”。
2、导航栏中选择“期刊选项”，观察下方功能区，按照箭头指示，将“核心期刊”选项选中，以下以“物流”为关键词进行演示。
3、在“刊名”这一列会将期刊名称显示，均为核心期刊。
4、可以点击期刊名称，按照箭头标识出可以看此期刊是否为核心期刊。
以上就是我总结的最新的知网论文查重规则，文献对比库的更新新增使得论文查重规则变得更加严谨，很多之前没收录的论文也别收录了。从收录时间上看，如果是同届的论文，知网是还没来及收录，是可以用来参考的，只要论文导师审核没发现就没问题。
论文查重各高校基本都选择的是最权威的知网查重系统。对于论文原创度的合格标准，各个学校之间也不尽相同，有些学校定的标准线稍微宽松一些，重复率在30%或20%以下就算合格；而有些学校则比较严格，规定要在10%甚至5%以下才算合格。1.在知网查重报告中，标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。2.知网查重，是以“连续13个字重复”作为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。3.论文中引用的参考文献部分也是会计算相似度的。4.在知网的对比文库中，外文资料相对较少。5.知网的对比文库里不包括书籍，教材等。但有一个问题要注意，当你“参考”这些书籍教材中的一些经典内容时，很可能别人已经“参考”过了，如果出现这样子的情况，那就会被检测到相似。6.知网检测系统对论文的分节是以“章”作为判断分节的。封面、摘要、绪论、第一章、第二章、等等这样一系列的都会各自分成一个片段来检测，每一个片段都计算出一个相似度，再通过这样每章的相似度来计算出整篇论文的总重复率。7.当知网查重系统识别到你论文中有某句话涉嫌抄袭的时候，它就会对这句话的前面后面部分都重点进行模糊识别，这个时候判断标准就变得更严格，仅仅加一些副词或虚词(比如“的”、“然后”、“但是”、“所以”此类词语）是能够识别出来的。8.在知网查重进行中，检测系统只能识别文字部分，论文中的图片、word域代码、mathtype编辑的公式、是不检测的，因为检测系统尚无法识别这些复杂的内容格式。你可以通过[全选]——[复制]——[选择性粘贴]——[只保留文字]这样步骤的操作来查看具体的查重部分。另外，在编辑公式时，建议使用用mathtype，不要用word自带的公式编辑器。9.知网官方检测系统不对个人开放，学生自己是无法自行到知网去检测论文的，只能通过第三方检测平台进行，除了知网之外，国内应用比较广泛的论文查重系统还有“万方数据”、“维普数据”、“paperkeey查重”等，这几个。总的来说，万方是最松的。10.知网查重严格而且费用颇高，所以在论文提交到学校之前，一定要自己先初查下，可以用paperkeey查重（)初查每千字，可以在线一边查一边改。同步实时看到修改后的查重比例结果。论文修改一次以后，不要以为就肯定能过了，因为知网系统会根据论文内容的不同自动调整着重检测的段落，所以有时候知网第一次查重的时候是正常的，一模一样的句子，第二次检测的时候会判断为“抄袭”。这也是没有办法的，只能多查多改。
PaperBye论文查重软件标准版完全免费，每日不限篇数和字数。
不但有免费查重，还有论文纠错，自动降重，一键排版，实时查重一边修改一边查重功能。
另外用旗舰版数据结合自建库功能可以查出所有抄袭内容。参考这个查重结果降重修改，基本抄袭的内容都会查出来，这样就不惧任何查重软件，一劳永逸。
具体查重方法步骤如下：
第一步：把写论文时参考过文献准备成文档，为自己建立数据库做准备；
第二步：点击左边菜单“自建库”进入自建库管理中把文档上传到paperbye自建库中；
第三步:提交论文查重，使用自建库功能时，勾选自建库功能。
这个就成功使用自建库功能了，用paperbye旗舰版数据结合自建库功能，查完后，就不惧任何查重系统的查重了，抄袭的内容都会被查出来，这样进行降重就一步到位了。
PaperFree免费论文查重软件通过海量数据库对提交论文进行对比分析，准确地查到论文中的潜在抄袭和不当引用，实现了对学术不端行为的检测服务；
PaperFree在线改重功能实现了一边修改论文，一边论文查重，改哪里检测那里；按实际修改句子收费，不改的内容不收费；
PaperFree为用户人性化完美实现了“免费论文检测—在线实时改重—全面再次论文检测—顺利通过论文检测“的整个全过程。
从开题到最后发表一篇论文需要很多时间和精力。如果你想顺利通过大学或杂志的查重，你必须提前进行论文检测，但自检的查重费用需要自费。为了节约检测费用，我们会找一些免费查重软件进行自检，那么免费论文查重检测软件都有哪些？ 一、免费论文查重软件。 1.学校内部查重系统: 学校一般会提供内部的论文查重系统，并且提供1-2次免费查重机会，学校内部查重系统查重率是最准确，也是最权威的。内部查重系统是不对外开放的，我们校外很难找到查重入口。 论文查重软件:学校提供的几次免费查重机会往往是不够的。这时我们可以选择Paperfree查重软件，新用户可以获取免费试用机会，而用户亦可透过参与活动，免费使用转发字数。 3.其免费查重系统软件：大学生在撰写毕业论文时，学校和导师会推荐免费查重软件。不同学校推荐的软件不同，我们以学校通知为准。 二、免费论文查重软件怎么选择。 虽然目前市面上有自己很多企业提供免论文查重检测系统软件，我们在选择的时候要注意其安全性。因此，在选择免费论文查重软件时，最好不要使用不安全的软件，不仅查重结果没有参考性，而且你的论文可能会因为小损失而泄露。通过询问学长学姐或自己的导师，我们可以选择一个真正可靠的免费论文查重检测系统软件。
可以看自己的论文相似度的软件包括：papercrazy、蚁小二、维普检测、万方检测、中国知网等。
1、中国知网
知网是国家知识基础设施的概念，是以实现全社会知识资源传播共享与增值利用为目标的信息化建设项目。中国知网CNKI由清华大学、清华同方发起，始建于1999年6月，是国内公认的最全的论文收录平台，查重结果的权威性首屈一指。
作为主流查重工具，中国知网的“学术不端文献检测系统”从网站首页右下角进入，支持大学生、研究生论文检测，科研成果检测，图书专著检测，具备Amlc查重系统。
2、万方
万方数据库由万方数据公司开发，是一个涵盖期刊、会议纪要、论文、学术成果、学术会议论文的大型网络数据库，也是和中国知网齐名的专业学术数据库。其《万方期刊》集纳了70多个类目共7600种的科技类期刊全文；
《中国学术会议论文全文数据库》是国内唯一的学术会议文献全文数据库；《中国企业、公司及产品数据库》的信息全年100%更新，提供多种形式的载体和版本。
3、维普
论文查重软件网页版，国内权威的论文查重平台之一，于2000年建立，现已成为国际著名的中文专业信息服务网站。维普现可提供论文检测、报告下载、报告验真、机构用户检测、毕业论文管理、作业管理等服务，它采用海量论文动态语义跨域识别加指纹对比基数，能稳定、准确地检测到文章中存在的抄袭和不当引用现象，致力于维护学术诚信，杜绝学术不端。
4、PaperPass
PaperPass诞生于2007年，是最著名的中文文献相似度比对系统之一，现已发展成为一个权威、可信赖的中文原创性检查和预防剽窃的在线网站。
其对比库由超过9000万的学术期刊和学位论文，以及数个互联网网页数据库组成，检测范围涵盖所有中文类别，如经济学、法学、文学、医学、军事学等。系统采用了自主研发的动态指纹越级扫描检测技术，检测速度快、精度高，市场反映良好。
5、PaperYY
免费论文查重软件，由武汉亿次源信息技术有限公司推出，是市面上为数不多以互联网思维运营的免费查重平台，也是全网唯一拥有三端（电脑端/移动端/微信小程序端）的免费查重软件。PaperYY不仅提供查重服务，还能提供专业的全套论文解决方案，是首款能解决问题的专业论文服务系统，每年800万左右毕业生中有约500万使用PaperYY系统解决论文问题。