发布时间：
具有时效性。统计年鉴和经济统计年鉴，同时不同方面也有相关的年鉴或者公报，看你自己的需要吧。如果是本科，一般最好是五年以内的研究的期刊或者论文，因为这是这个领域里面最新的资讯，作为你论文的佐证是最好的，实在没有办法的话用10年以内的也是可以的，当然了，如果有很早以前的，但是又是必须的也可以加上，但是我建议不要用是最好的。正常我们来说学术造假肯定是不对的，能尽量找到数据就要尽量找数据，不过实在找不到，适当修改也可以，但是要有合理性。谁也不敢说找到的数据就是对的。
是的，本科论文抽检只查上一年的。
2021年1月1日起，本科毕业论文每年抽检一次，抽检对象为上一学年度授予学士学位的论文，抽检比例10%左右。
硕博论文也同样抽检，抽检范围为上一学年度授予博士、硕士学位的论文，博士学位论文的抽检比例为10%左右。
抽检结果的处罚：
连续2年“存在问题毕业论文”篇数较多的高校，全省通报，减少招生计划，并进行约谈，限期整改。连续3年抽检存在问题较多的本科专业，依据有关规定暂停招生，或由省级学位委员会撤销其学士学位授权点。
对涉嫌存在抄袭、剽窃、伪造、篡改、买卖、代写等学术不端行为的毕业论文，高校应按照相关程序进行调查核实，对查实的应依法撤销已授予学位，并注销学位证书。
算。近五年指过去过去五年指今年与之前的四年。例如2012从是从20017年-2011年开始计算。时间是文献检索的重要点，文献信息检索或情报检索，是指将文献信息按一定的方式组织和储存起来。
论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
【嵌牛导读】目标检测在现实中的应用很广泛，我们需要检测数字图像中的物体位置以及类别，它需要我们构建一个模型，模型的输入一张图片，模型的输出需要圈出图片中所有物体的位置以及物体所属的类别。在深度学习浪潮到来之前，目标检测精度的进步十分缓慢，靠传统依靠手工特征的方法来提高精度已是相当困难的事。而ImageNet分类大赛出现的卷积神经网络（CNN）——AlexNet所展现的强大性能，吸引着学者们将CNN迁移到了其他的任务，这也包括着目标检测任务，近年来，出现了很多目标检测算法。 【嵌牛鼻子】计算机视觉 【嵌牛提问】如何理解目标检测算法——OverFeat 【嵌牛正文】 一、深度学习的典型目标检测算法 深度学习目标检测算法主要分为 双阶段检测算法 和 单阶段检测算法 ，如图1所示。双阶段目标检测算法先对图像提取候选框，然后基于候选区域做二次修正得到检测结果，检测精度较高，但检测速度较慢;单阶段目标验测算法直接对图像进行计算生成检测结果，检测速度快,但检测精度低。 1、双阶段目标检测算法 双阶段目标检测方法主要通过选择性搜索（Selective Search）或者Edge Boxes等算法对输入图像选取可能包含检测目标的候选区域（Region Proposal），再对候选区域进行分类和位置回归以得到检测结果。 1.1 OverFeat 算法 《OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks》 Sermanet 等改进AlexNet 提出 OverFeat 算法。该算法结合AlexNet通过多尺度滑动窗口实现特征提取功能，并且共享特征提取层，应用于图像分类、定位和目标检测等任务。 关键技术： 1、FCN（ 全卷积神经网络 ） 对于一个各层参数结构都设计好的网络模型，要求输入图片的尺寸是固定的（例如，Alexnet要求输入图片的尺寸为227px*227px）。如果输入一张500*500的图片，希望模型仍然可以一直前向传导，即一个已经设计完毕的网络，可以输入任意大小的图片，这就是FCN。 FCN的思想在于： 1、从卷积层到全连接层，看成是对一整张图片的卷积层运算。 2、从全连接层到全连接层，看成是采用1*1大小的卷积核，进行卷积层运算。如上图所示，绿色部分代表卷积核大小。假设一个CNN模型，其输入图片大小是14*14，通过第一层卷积后得到10*10大小的图片，然后接着通过池化得到了5*5大小的图片。像但是对于像素值为5*5的图片到像素值为1*1的图片的过程中： （1）传统的CNN：如果从以前的角度进行理解的话，那么这个过程就是全连接层，我们会把这个5*5大小的图片，展平成为一维向量进行计算。 （2）FCN：FCN并不是把5*5的图片展平成一维向量再进行计算，而是直接采用5*5的卷积核，对一整张图片进行卷积运算。 二者本质上是相同的，只是角度不同，FCN把这个过程当成了对一整张特征图进行卷积，同样，后面的全连接层也是把它当做是以1*1大小的卷积核进行卷积运算。 当输入一张任意大小的图片，就需要利用以上所述的网络，例如输入一张像素为16*16的图片：根据上图，该网络最后的输出是一张2*2的图片。可见采用FCN网络可以输入任意大小的图片。同时需要注意的是网络最后输出的图片大小不在是一个1*1大小的图片，而是一个与输入图片大小息息相关的一张图片。 Overfeat就是把采用FCN的思想把全连接层看成了卷积层，在网络测试阶段可以输入任意大小的图片。 2、offset max-pooling 简单起见，不用二维的图像作为例子，而是采用一维作为示例： 如上图所示，在X轴上有20个神经元，并且选择池化size=3的非重叠池化，那么根据之前所学的方法应该是：对上面的20个神经元，从1位置开始进行分组，每3个连续的神经元为一组，然后计算每组的最大值(最大池化)，19、20号神经元将被丢弃，如下图所示： 或者可以在20号神经元后面，添加一个数值为0的神经元编号21，与19、20成为一组，这样可以分成7组:[1,2,3]，[4,5,6]……, [16,17,18],[19,20,21]，最后计算每组的最大值。 如果只分6组，除了以1作为初始位置进行连续组合之外，也可以从位置2或者3开始进行组合。也就是说其实有3种池化组合方法： A、△=0分组:[1,2,3]，[4,5,6]……,[16,17,18]； B、△=1分组:[2,3,4]，[5,6,7]……,[17,18,19]； C、△=2分组:[3,4,5]，[6,7,8]……,[18,19,20]； 对应图片如下： 以往的CNN中，一般只用△=0的情况，得到池化结果后，就送入了下一层。但是该文献的方法是，把上面的△=0、△=1、△=2的三种组合方式的池化结果，分别送入网络的下一层。这样的话，网络在最后输出的时候，就会出现3种预测结果了。 前面所述是一维的情况，如果是2维图片的话，那么(△x,△y)就会有9种取值情况(3*3)；如果我们在做图片分类的时候，在网络的某一个池化层加入了这种offset 池化方法，然后把这9种池化结果，分别送入后面的网络层，最后的图片分类输出结果就可以得到9个预测结果(每个类别都可以得到9种概率值，然后我们对每个类别的9种概率，取其最大值，做为此类别的预测概率值)。 算法原理： 文献中的算法，就是把这两种思想结合起来，形成了文献最后测试阶段的算法。 1、论文的网络架构与训练阶段 (1)网络架构 对于网络的结构，文献给出了两个版本——快速版、精确版，一个精度比较高但速度慢；另外一个精度虽然低但是速度快。下面是高精度版本的网络结构表相关参数： 表格参数说明： 网络输入：图片大小为221px*221px； 网络结构方面基本上和AlexNet相同，使用了ReLU激活，最大池化。不同之处在于：(a)作者没有使用局部响应归一化层；(b)然后也没有采用重叠池化的方法；(c)在第一层卷积层，stride作者是选择了2，这个与AlexNet不同（AlexNet选择的跨步是4，在网络中，如果stride选择比较大得话，虽然可以减少网络层数，提高速度，但是却会降低精度）。 需要注意的是把f7这一层，看成是卷积核大小为5*5的卷积层，总之就是需要把网络看成前面所述的FCN模型，去除了全连接层的概念，因为在测试阶段可不是仅仅输入221*221这样大小的图片，在测试阶段要输入各种大小的图片，具体请看后面测试阶段的讲解。 (2)网络训练 训练输入：对于每张原图片为256*256，然后进行随机裁剪为221*221的大小作为CNN输入，进行训练。 优化求解参数设置：训练的min-batchs选择128，权重初始化选择高斯分布的随机初始化： 然后采用随机梯度下降法，进行优化更新，动量项参数大小选择0.6，L2权重衰减系数大小选择10-5次方。学习率初始化值为0.05，根据迭代次数的增加，每隔几十次的迭代后，就把学习率的大小减小一半。 然后就是DropOut，这个只有在最后的两个全连接层，才采用dropout，dropout比率选择0.5。 2、网络测试阶段 在Alexnet的文献中，预测方法是输入一张图片256*256，然后进行multi-view裁剪，也就是从图片的四个角进行裁剪，还有就是一图片的中心进行裁剪，这样可以裁剪到5张224*224的图片。然后把原图片水平翻转一下，再用同样的方式进行裁剪，又可以裁剪到5张图片。把这10张图片作为输入，分别进行预测分类，在后在softmax的最后一层，求取个各类的总概率，求取平均值。 然而Alexnet这种预测方法存在两个问题： 一方面这样的裁剪方式，把图片的很多区域都给忽略了，这样的裁剪方式，刚好把图片物体的一部分给裁剪掉了； 另一方面，裁剪窗口重叠存在很多冗余的计算，像上面要分别把10张图片送入网络，可见测试阶段的计算量还是较大的。 Overfeat算法： 训练完上面所说的网络之后，在测试阶段不再是用一张221*221大小的图片了作为网络的输入，而是用了6张大小都不相同的图片，也就是所谓的多尺度输入预测，如下表格所示： 当网络前向传导到layer 5的时候，就利用了前面所述的FCN、offset pooling这两种思想的相结合。现以输入一张图片为例(6张图片的计算方法都相同)，讲解layer 5后面的整体过程，具体流程示意图如下： 步骤一： 对于某个尺度的图片，经过前五层的卷积后得到特征图。上图中特征图的分辨率是20x23，256个通道。 步骤二： 对于该特征图，重复多次使用非重叠的池化，每次池化的偏置不同，有行偏置和列偏置。上图中偏置池化3次，偏置分别为为(0,1,2)。这就是offset pooling，也被称为fine stride。offset pooling得到的特征图的维度为6x7x3x3xD，其中6x7是特征图的分辨率，3x3是偏置池化的次数，D是通道数。上图中是以1维显示的。 步骤三： 池化后得到的特征图将被送入分类器。 步骤四： 分类器的输入是的5x5xD，输出是C(类别数)维向量。但是offset pooling后得到的特征图并不是5x5xD，比如上图中的特征图大小为6x7xD，因此分类器以滑动窗口的方式应用在特征图上，每个滑动窗口经过分类器输出一个C维向量。比如上图中输入的6x7xD的特征图最终得到2x3xC的输出，其中2x3是滑动窗口的个数。 步骤五： 而2x3xC只是一组偏置池化的输出，总的输出为2x3x3x3xC，将输出的张量reshape，得到6x9xC输出张量。最终输出分类张量为3d张量，即两个分辨率维度 x C维。 然后需要在后面把它们拉成一维向量，这样在一个尺度上，可以得到一个C*N个预测值矩阵，每一列就表示图片属于某一类别的概率值，并且求取每一列的最大值，作为本尺度的每个类别的概率值。 最后一共用了6种不同尺度(文献使用了12张，另外6张是水平翻转的图片)进行做预测，然后把这六种尺度结果再做一个平均，作为最最后的结果。 从上面过程可以看到整个网络分成两部分：layer 1~5这五层称之为特征提取层；layer 6~output称之为分类层。 六、定位任务 用于定位任务的时候，就把分类层(上面的layer 6~output)给重新设计一下，把分类改成回归问题，然后在各种不同尺度上训练预测物体的bounding box。
物流管理论拉拉
[1]李宝珠,王颖. 基于ANP的企业物流外包服务评价研究[J]. 中国农机化,2010,(2). [2]彭本红,罗明,周叶. 物流外包中的最优契约分析[J]. 软科学,2007,(1). [3]刘福华,陶杰,黄秀娟. 企业物流外包的风险与防范[J]. 物流科技,2005,(7). [4]黄玉华. 基于资源基础理论的物流外包决策研究[D]. 兰州理工大学: 兰州理工大学,2009. [5]黄赪. 金恒利公司物流外包服务水平提升策略研究[D]. 华南理工大学: 华南理工大学,2010. [6]徐娟,刘志学. 基于实物期权的物流外包成本风险[J]. 系统工程,2007,(12). [7]熊吉陵,雷霆. 中小企业物流外包的动因及策略简析[J]. 中国市场,2008,(2). [8]李桂艳. 物流外包风险的防范策略[J]. 经济与管理,2008,(5). [9]杨淼,邵鲁宁. 浅析物流外包[J]. 上海管理科学,2004,(3). [10]涂筱兰. 生态坊化妆品有限公司物流外包研究[D]. 华中科技大学: 华中科技大学,2004. [11]陈文粤. 成都可口可乐饮料有限公司物流外包研究[D]. 西南交通大学: 西南交通大学,2007. [12]戴一兵. 广州地铁运营物资采购物流外包研究[D]. 华南理工大学: 华南理工大学,2009. [13]宗涛. 外包关系对制造企业物流外包绩效的影响[D]. 西安理工大学: 西安理工大学,2009. [14]田宠. 家具企业物流外包的策略研究[D]. 南京林业大学: 南京林业大学,2010. [15]张洁. 基于WNN的企业物流外包风险预测研究[D]. 河北工程大学: 河北工程大学,2009. [16]刘健. 基于委托代理理论的物流外包激励机制研究[D]. 清华大学: 清华大学,2009. [17]姚卓顺,鲁雅萍. 基于企业物流外包的第三方物流选择[J]. 科技和产业,2010,(8). [18]田宇. 从物流外包到物流联盟:契约机制体系与模型[J]. 国际贸易问题,2007,(2). [19]罗勇,卿海锋. 物流外包和自营物流的比较分析——以新一佳超市有限公司为例[J]. 物流技术,2007,(5). [20]赵卫华. 物流外包——烟草商业物流的方向[J]. 贵州工业大学学报(社会科学版),2008,(5). [21]袁志锋. 企业物流外包与物流企业博弈探析[J]. 中国市场,2008,(10). [22]洪怡恬,李晓青. 企业物流外包风险预警指标体系的构建及外包风险分析与评价[J]. 物流技术,2008,(9). [23]顾睿. 生产企业物流外包中甄选最佳第三方物流供应商模型研究[D]. 武汉科技大学: 武汉科技大学,2008. [24]曾叶. 物流外包及物流绩效评价研究[D]. 浙江工业大学: 浙江工业大学,2006. [25]陈志. 制造业物流成本核算及物流外包决策研究[D]. 大连海事大学: 大连海事大学,2007. [26]马鹏,刘斌,徐国强,李秋香. 企业物流业务外包的双向选择模型[J]. 华北水利水电学院学报,2006,(1). [27]招莉莉. 供应链管理环境下的港口企业物流服务外包[D]. 中南大学: 中南大学,2009. [28]记者 阮栩. 物流外包好看不好吃？[N]. 信息时报,2003-01-23(C04). [29]程凯媛. 企业物流业务外包中存在的问题及解决方法[J]. 物流科技,2009,(2). [30]田宇,阎琦. 物流外包关系中物流服务需求方信任的影响因素研究[J]. 国际贸易问题,2007,(5). [31]胡从旭. 基于价值链的企业物流业务外包问题探讨[J]. 物流科技,2008,(11). [32]刘联辉,王坚强. 企业物流外包风险分析及其防范[J]. 湖南工程学院学报(社会科学版),2005,(4). [33]王淑云. 物流外包的效益及外包区域分析[J]. 公路交通科技,2004,(8). [34]记者 鲁松实习生 时琪. 淮矿物流大市场“第三方物流外包”成功运作[N]. 淮南日报,2008-08-10(001). [35]杨树果. 物流外包决策的模糊综合评价[J]. 黑龙江八一农垦大学学报,2010,(4). [36]俞仲秋. 当代物流外包中企业战略关系矩阵的探索与研究[J]. 物流科技,2011,(4). [37]俞仲秋. 当代物流外包中有效沟通系统模型研究[J]. 物流技术,2011,(3). [38]杨涛,孙军伟. 物流外包风险管理研究现状述评[J]. 价值工程,2011,(13). [39]虞上尚,刘丹. 基于承包商视角的物流外包风险分析与对策研究[J]. 物流技术,2011,(7). [40]王宇楠. 基于企业生命周期的物流外包策略研究[J]. 辽宁工业大学学报(自然科学版),2011,(2). [41]周立军. 企业物流外包风险分析与控制研究[J]. 物流技术,2010,(21). [42]郑平,何雪君. 物流外包业务的风险矩阵模型[J]. 上海海事大学学报,2011,(1). [43]李朝敏. 浙江省制造企业物流外包程度影响因素及对策研究[J]. 嘉兴学院学报,2011,(2). [44]陈兰芳,吴刚. 基于委托-代理理论的逆向物流外包模式研究[J]. 数学的实践与认识,2010,(7). [45]公彦德,李帮义. 三级CLSC物流外包与废品回收的临界条件整合研究[J]. 管理工程学报,2010,(2). [46]周湘峰. 生产企业物流外包决策行为分析[J]. 华东经济管理,2010,(5). [47]刘艳锐,孙福田,索瑞霞,孙玉凤. 基于效益最优的企业物流外包决策的量化研究[J]. 数学的实践与认识,2010,(10). [48]怀劲梅,颜慧. 基于供应链环境的物流外包风险研究[J]. 物流工程与管理,2010,(6). [49]余泳泽,马欣. 物流外包中专用性资产投资不足的治理模式研究[J]. 物流技术,2010,(12). [50]包祖琦,杨斌. 非对称信息下企业的物流外包服务商数量选择模型[J]. 物流技术,2010,(12).
物流管理论文精选参考文献
物流管理论文参考文献一：
[1]Hotelling H. Stability in competition[J]. Economic Journal, 1929,39（ 1 ）：41 -57
[2]钟娜娜.竞争选址与非竞争选址比较研究[J].管理观察：2012（477）：191-196.
[3]Hakimi.L.,Onlocating new facilities in a competitive environment. European Journal of Operational Research 1983（12）： 29-35.
[4]张同全.具有距离限制的最大竞争能力选址问题[J]?云南民族大学学报2011,20（5）：438-440.
[5]于宏涛，高立群，李丽霞.基于多消费群体的竞争选址模型与求解算法[J].计算机应用研究2013,30（7）：2024-2028.
[6]杨丰梅，华国伟，黎建强.一个竞争选址问题的新模型及其求解算法[J].系统工程理论与实践.2006（7）：18-24.
[7]李江华，王金亭.具有二次多选择服务的M/G/1可修重试排队系统[J].北京交通大学学报.2007,31（6）：93-95.
[8]程凤，霍佳震.水平穿越发在带有不耐烦顾客的呼叫中心中的建模及应用[J].系统工程理论与实践.2013,33（5）：1247-1254.
[9]彭懿，杨向群，吴锦标.带负顾客和不耐烦顾客的离散时间Geo/G/1重试排队[J].系统工程理论与实践.2011,31（12）：2373-2379.
[10]李娜，贾博，江志斌，谢梦德.考虑顾客体验的排队系统研究[J]工业工程与管.2012,17（3）：36-46.
[11]张曦，杨超，胡丹丹.考虑市场扩张和吞并的新设施竞争选址模型[J].工业工程与管理.2009（2）：43-47.
[12]尹小玲，邓永禄，刘国柱.具有第二次多选择服务的M[x]/G/1排队系统[J].应用数学与计算数学学报.2003,17⑴：41-53.
物流管理论文参考文献二：
[1]鲍卫东：《上市物流企业成长因素分析》[J],《物流参术[装备版]》，2013年第6卷第4期，82-85页.
[2]李晨、王璐：《我国上市航运企业经营效率影响因素分析：泰于Tobit模型》[J],《经营管理》，2014年第28卷第1期，21-24页.
[3]李大元：《企业动态能力及其功效：环境不确定性的.影响》[J],《南开管理评论》，2009年第17卷第6期，60-68页.
[4]李晓蓉：《西方不同流派学者论企业多元化经营》[J],《外国经济与管理》，2003年第25卷第12期，7-11页.
[5]梁剑、丁洁：《宏观经济发展对上市公司.企耸经营绩效影响的实证分析》[J],《经济体制改革》，2011年第29卷第6期，16-19页.
[6]邓新明：《我国民营企业政治关联、多元化战略与公司绩效》》[J],《南开管理评论》，2011年第11卷第4期，4-15页.
[7]傅俊元、丁慧平：《物流企业成长能力的逻辑演进研究》[J],《物流技术》，2008年第27卷第1期，28-30页
[8]刘丹、印曼：《我国物流业上市公司成长性评价》[J],《技术经济》，2012年第31卷第11期，104-109页.
物流管理论文参考文献三：
[1]中国连锁经营协会.《2013年中国零售连锁企业统计年鉴》[M].2013
[2]中国连锁经营协会.《屮国连锁零售企业经营状况分析报告》[R].2013
[3]汝宜红，宋伯慧.《配送管理》[M].机械工业出版社.2010.04
[4]罗纳德科斯.《企业的性质》[M].经济出版社.2007
[5]曾中文.配送中心的库存控制系统研究[J].商场现代化，2007（10）499.15-18
[6]周涛，程钧谟，乔忠.多品种配送的库存优化模型研究[J].系统工程.2003,9,19-23
[7]黄丽珍，李旭，王其藩.超市配送中心订货策略优化研宄[J].同济大学学报.2006（2）278-279
[8]Koulamas. Single-item and multi-item inventory system with deterministic, continuous,time-dependent demand [J]. Computer and Industrial Engineering, 1993.24（1）：57-68.
[9]Ben-Daya. Inventory models involving lead time as a decision variable [J]. Operational Research Society, 1994.45（4）：579-582.
[10]Rao. Properties of the periodic review （R,T） inventory control policy for stationary, stochastic demand[J]. Manufacturing and Service Operations Management,2003.5（1）：37-53.
[11]Silver, Robb. Some insights regarding the optimal reorder period in periodic review inventory systems [J]. International Journal of Production Economics,2008,112（1）： 354-366
交给我来做吧
论文呢主要是检测这个时间，地点，人物，事件，还有一个故事的产生，到这个故事的结束，所发生的故事都要举一说明。
包含论文正文、原创说明、摘要、图标及公式说明、参考文献、附录、实验研究成果，以及各种引用文献图片和表格。论文查重时，查重系统会先对其进行分层处理，之后按照连续出现13个字符类似就会判为重
面对论文查重这件事，很多人都会很关心，尤其是即将毕业的大学生，总是很好奇怎么进行论文查重。这时候选择哪个查重网站就很重要了。当然，我们也需要了解一些查重的常识。那么论文查重只对正文进行检测吗，其他内容会参与查重吗？ 1、根据高校规定决定哪些内容需要查重 按照一般人的理解，论文只查正文是很正常的，但是有些学校规定，论文的所有内容都要进行检测，包括论文的题目、目录、摘要、前言、论文正文、结果、致谢、参考文献、附录等。因为整篇论文字数相当多，很多人为了省钱，选择只查正文。但是小编建议根据高校的规定来决定查重的内容。因为其他内容也会影响到论文的重复率！ 2、论文查重应该重点关注哪些内容 很多人已经知道不仅仅是查正文，那么哪些部分可以省略呢？如果你在进行初稿查重时，可以选择只检测正文、摘要、致谢等部分，因为这些内容如果重复对论文的影响还是比较大的，所以，如果这些内容有问题可以及时进行修改，像目录、参考文献等内容，可以根据学校要求选择是否提交。
每个单位机构的要求不一样，比如说有些单位机构会要求全文检测，而有些单位机构只要求正文部分检测。但是不论规定是怎样的，大家在检测的时候都应该把涉及隐私部分删除备份，其余部分提交检测。目录、摘要、正文和参考文献等都可以上传检测，现在的查重检测系统，很多内容都会自动识别不计入查重率，大家是不用担心这个问题，但是有些查重系统对格式有要求的话就还是尽量全篇提交，防止识别不出来。论文查重都有数据库来源，基本网络上能找到的资料查重系统的数据库都有收录，所以同学们尽量在实体书籍资料借鉴资料。论文查重的内容主要是论文摘要、正文和结尾等文字部分，论文中的目录、参考文献和图片等部分是可以自动识别到不会查重的，但是格式要正确，否则查重系统也会进行查重。同学一般会比较关注参考文献是否会查重，可以肯定的是，参考文献是不参与查重的，但是引用符号这些格式一定要按照规定的标准，否则查重系统识别不出，会影响到查重结果。所以说，论文查重范围的内容还是挺多的，撰写论文一定要认真负责，参考他人的理论原创出自己的论文，严格按照格式撰写。
论文查重和修改对于面临毕业的大学生是十分重要的，所以毕业生们对于进行论文查重系统的选择是十分关键的，因此也要了解一些关于论文查重的常识。
一般情况下论文查重系统检测的主要就是论文正文部分，不过学校一般都是将整篇论文上传至论文查重系统的，也就是包括题目、目录、摘要、前言、正文、结论、致谢和附录部分等内容。如果是检测论文初稿，将论文全部内容全部提交检测会花费不少字数，因此有些同学就会将部分不太重要的内容剔除掉，主要是上传论文正文进行检测，那么论文查重系统这时检测的就只有正文部分。
当然论文不只是检测正文而已，像论文题目、摘要、关键词、致谢和附录部分都也是会需要检测的。那么哪些部分是可以省略不进行查重的呢?进行论文初稿检测时，可以使用paperpp论文查重系统，然后将论文目录、参考文献和声明等进行删除，这样便可以节省一些查重的字数，从而节省查重费用或者免费查重字数。在将论文提交到学校之前可以自己先进行自查，如果重复率过高，就先根据检测报告对论文内容进行调整，这样才不会影响自己的毕业。
进行论文查重时有的学校只检测正文，但有的学校却需要检测论文的所有内容的，如果学校没有规定的话，建议把论文全篇进行查重检测。毕业论文一般包括标题、目录、摘要、前言、论文正文、研究成果、致谢、参考文献、附录，因此千万不要为了省钱，只上传摘要、正文、参考文献，而把目录和致谢词去掉。