发布时间：
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 ：
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。
信息融合学报是中文核心。(ScienceCitationIndex，SCI)是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。SCI(科学引文索引)、EI(工程索引)、ISTP(科技会议录索引)是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。中文核心期刊期刊是北京大学图书馆推出的。
信息融合学报是中文核心。(ScienceCitationIndex，SCI)是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。SCI(科学引文索引)、EI(工程索引)、ISTP(科技会议录索引)是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。中文核心期刊期刊是北京大学图书馆推出的。
电子与信息学报是统计源期刊和CSCD核心期刊，期刊创刊于1979年，出刊周期为月刊，是由中国科学院主管，中国科学院电子学研究所和国家自然科学基金委员会信息科学部主办的学术性期刊。电子与信息学报主要栏目有信号与信息处理、雷达技术、通信技术、电子对抗、电磁场理论与微波技术、模式识别、数据融合以及电子与信息科学相关的交叉学科。电子与信息学报已被上海图书馆馆藏、维普收录(中)、万方收录(中)、知网收录(中)、文摘与引文数据库、EI工程索引(美)、剑桥科学文摘国家图书馆馆藏、北大核心期刊(中国人文社会科学核心期刊)、CSCD中国科学引文数据库来源期刊(含扩展版)、统计源核心期刊(中国科技论文核心期刊)、JST 日本科学技术振兴机构数据库(日)。
《江苏科技报·E学中国》是江苏科技报联合教育系统有关单位共同出版的一份科技教育与信息化学习的专业报刊。
该报以聚集学习智慧，倡导智慧学习为理念，专注于科学知识普及、学科教育与信息技术的融合发展，同时全面引入现代信息技术，用二维码实现关联知识和主题视频的扩展阅读与平台互动，突破了传统纸媒的篇幅和单向传播限制，进一步推动了中小学生学习能力的提升和核心素养的发展。
《E学中国报》是深受学生喜爱的报纸。《E教中国》、《E学中国》是中国教育技术协会会刊；拥有细分管理版、小班、中班、大班版4本《幼教365》杂志，在国内学前教育领域具有广泛的影响；拥有国内＊早的今日教育远程教育网站；拥有独立开发的“乐学奖学金”学习系统。
1、所谓信息技术与课程整合，并不是简单地应用课件进行演示的辅助教学，而应该是现代信息技术手段与课程的“融合”。在日常课程中应用信息技术进行教学，就像使用黑板和粉笔一样的自然。在这里，信息技术不再只是演示媒体或工具，而应该作为一种基本素养无处不在。 国内的教育信息化建设经过多年努力所取得的成果是有目共睹的，但离“有效融合”目前还存在一定的差距。 误区之一：观念认识不够，教师忽略了教学的主体分析，即学习者才是教学过程的直接受体，这就是在现有的信息技术环境下教师进行教学时常发生的，对人的重视不够，不能在学习者特征分析的基础上来设计教学、选择教学媒体。最终书本知识被原汁原味地演绎成所谓的多媒体课件。 误区之二：教学实践中没有有效融合“技术”。技术是一把“双刃剑”，将信息技术与课堂教学相融合就必定存在技术异化的问题，处理不好将影响课堂教学的整体发展。在课堂教学中，教师由于受自身教育观、技术观及实践能力的限制，对信息技术使用方法不当，滥用、误用现象随处可见。 2、“有效融合”的策略 一、树立“以人为本”的教学观 保证学生的认知主体地位，教育是培养人的活动，教育中的技术要服从、服务于人的发展这一宗旨，是技术的教育价值之所在。二、合理利用信息技术开展课堂教学 信息技术对教育模式、教育方法的改革产生了革命性影响，实现信息技术与课堂教学的有效融合是实现课堂教育信息化的必经途径与奋斗目标。 ①.利用信息技术手段，开展小组合作式学习。合作学习强调学生以小组或团队为单位共同完成某项任务，在这过程中人人参与，人人起作用，人人充当重要角色，互相学习，优势互补。是组员智慧的碰撞，掀起了师生的头脑风暴。可以利用网络课程资源或者博客、论坛等把一个大课堂转化成几个小课堂，从一个教师发展为能者为师，人人参与教学，个个投入学习，表现出自觉、积极、主动的特征。利用计算机网络及多媒体等相关技术，开展小组分工，完成教学任务，以达到对教学内容比较深刻理解与掌握的过程。 ②.利用信息技术手段，开展体验式教学。体验式教学是指根据学生的认知特点和规律，通过创造实际的或重复经历的情境和机会，呈现或再现、还原教学内容，使学生在亲历的过程中理解并建构知识发展能力、产生情感、生成意义的教学观和教学形式。 实验教学是中学生物教学的重要组成部分，但在实践教学过程中，受条件限制，实验不能开全开足，很多实验学生不能一一动手操作。例如在学习青蛙的内部器官时，教师提供虚拟青蛙实验，学生通过计算机学习，应用信息技术虚拟青蛙实验，保护了生态环境。同时，比真实实验更简便规范，观察全面。对学生动手操作指导及时准确。帮助学生熟悉各种结构的名称、结构和位置。大大增强了学生的接受水平，提高了学习的热情和主动性，有利于个性化学习。 ③.利用信息技术手段，开展探究式教学。探究式教学是教师或师生共同设定一个问题情境，提出一个研究主题，或确立一个活动任务，学生利用已有的学习经验，自由地查阅资料、交流心得和认识，增强体验，并在此基础上进行探究与创新。探究式教学以学生的发展为本，以学生自主探究和合作探究为前提，注重学生获得知识和技能的过程，培养学生发现问题、分析问题、解决问题的能力。具体步骤为：创设情境，诱导探究；提供资源，自主探究；讨论交流，深入探究；创作实践，升华探究。
随着时代的发展，多媒体信息技术和互联网平台被广泛的应用于高中各学科的教学中，在新课程标准下，高中的音乐教学应该充分的利用信息技术和互联网平台，通过网络获取与音乐课堂教学有关的音视频、动画、音乐教学软件等网络素材，而后对音乐教学音频视频剪辑、制作演示动画以及编辑整理成PPT演示文稿，通过信息技术加工整合处理后的素材，应用于音乐课的教学中，有利于实现形象、生动的音乐教学情景的创设；有利于丰富教学内容，提高教学效率和教学容量；有利于优化教学过程，激发了学生的学习热情，提高学生学习音乐课的兴趣和愿望；有利于突破音乐教学中的教学难点问题，取得良好的教学效果，培养更好的音乐人才。1、与信息技术整合，提高了学生的审美能力，极大地丰富了教学资源，有助于教学内容的拓展，扩大学生的知识视野。2、与信息技术整合，可以充分培养学生的自主学习能力和合作精神。3、多媒体资源共享在音乐学科教学中的优势，有助于激发学生的创造精神，提高创造能力。4、从音乐文化的角度利用网络资源学习音乐，有助于挖掘学生的审美潜力，提高学生的审美鉴赏能力。5、数字化教学恰当运用在音乐欣赏课堂中，打破了时间、空间的限制，拓宽了接受音乐信息的通道，给予学生更大的音乐学习自主权和选择权。综上所述，信息技术与音乐学科整合，无疑将是信息时代中占主导地位的课程学习方式，必将成为二十一世纪学校教育教学的主要方法，符合音乐教育改革的发展。但把信息技术与音乐学科整合，切不可喧宾夺主，本末倒置，教师要时刻切记，信息技术与音乐学科整合，是为音乐教学服务的，而不能把学生的兴趣引导信息技术上来，而离音乐越来越远了。因此，在当前我国积极推进和探索信息技术和音乐学科整合，对改革音乐学科教学，转变教育观念，提高音乐教学效果，具有重要的现实意义和影响。
深度融合是指将信息技术有机地融合在各学科教学过程中，使信息、技术与学科课程结构、课程内容、课程资源以及课程实施等融合为一体。以下是我为大家精心准备的信息技术与学科课堂教学深度融合的探讨论文，欢迎阅读!信息技术与学科课堂教学深度融合的探讨全文篇1 《浅谈信息技术与学科课堂教学深度融合》 摘 要：课堂教学是学校教学工作的主阵地，信息技术与学科课堂教学的深度融合，是信息技术与 教育 教学全面深度融合的核心和关键所在，对于推进教育信息化的进程，提高学校的教学质量具有十分重要的现实意义。从信息技术与学科课堂教学深度融合的现状、对策及融合案例三个方面进行探讨。 关键词：信息技术;学科;深度融合 教育信息化本质是用信息技术改变教学，课堂教学是学校教学工作的主阵地，信息技术与学科课堂教学的深度融合，是信息技术与教育教学全面深度融合的核心和关键所在，对于推进教育信息化的进程，提高学校的教育教学质量和育人水平具有十分重要的现实意义。 一、信息技术与学科课堂教学深度融合的现状 1.教师对信息技术与学科课堂教学深度融合内涵认识存在偏差 信息技术与学科课堂教学深度融合就是要大力推进信息技术在教学过程中的普遍应用，促进信息技术与学科课程的融合，逐步实现教学内容的呈现方式，学生的学习方式、教师的教学方式和师生互动方式的变革，充分发挥信息技术的优势，为学生的学习和发展提供丰富多彩的教育环境和有力的学习工具。有些教师认为在课堂上运用了多媒体课件教学就是融合了，在理解上有偏差，不全面。 2.教师对信息技术与学科课堂教学深度融合的开展存在懒惰、畏惧的心理 信息技术与学科课堂教学深度融合开展首先需要学科教师不断探索和研究如何进行有机融合。有些教师不想动，在思想上存在着懒惰的心理;其次在课堂教学实施过程中，需要现代化信息技术手段的支撑，教龄偏大的教师对新技术的使用缺乏信心，不愿使用。 3.教师对信息技术与学科课堂教学深度融合需掌握的技术操作有待提高 信息技术是进行融合的工具，技术不到位，融合就不能有效顺利地进行，对于非信息技术专业的教师而言，提高自身的信息素养也是面临的一个实际问题。 二、促进信息技术与学科课堂教学深度融合的对策 1.学校领导的重视和支持 学校的教育信息化是一把手工程，学校领导的重视与否直接决定学校教育信息化水平，决定信息技术与学科课堂教学深度融合程度。学校要根据应用的需要推动信息化设备的配备，这是进行信息技术与课堂教学深度融合重要支持性物理环境，其次要给予行政上的支持。对于在课堂上开展信息技术教学融合方面研究的教师和提供技术支持信息技术教师给予政策上的支持。 2.信息技术与教师专业化发展相结合 (1)更新教学理念 教师要从思想上更新教学理念，转变观念，通过理论学习讲座、亲身实践体验认识到信息技术与学科课堂教学深度融合改变了教师教的方式和学生学的方式，激发学生的兴趣，有利于学生对知识的掌握，从而增强教师运用信息技术开展与课堂教学融合的研究和实践的信心。 (2)加强对教师信息技术的培训 学校要定期组织教师进行信息技术培训。一是培训教师熟练掌握通用教学软件(如，PPT和Word等)的使用，在此基础上用好常用的学科软件;二是提高计算机的操作技能，把计算机作为备课、上课和组织学生的工具;三是对电教设备使用培训，让教师了解设备的性能、用途与使用 方法 ，以便在教学中更好地应用。 (3)鼓励教师钻研，促进信息技术与学科课堂教学融合的课题研究 课题研究对推进信息技术与学科教学融合工作有很大的促进作用，学校要鼓励教师在这些方面的专题研究，要着重探讨融合的方式、方法，探索出一条科学高效的途径。 三、信息技术与学科课堂教学融合案例 1.主题学习网站 主题学习网站是依据新课标的教学要求，结合学科教材内容建立主题网站，并通过该网站进行资源的上传和下载，实现教学资源的共享。主题学习网站为师生提供了一个学习的平台，通过这个平台，教师与学生实现教与学的有效互动，创新了课堂的 教学方法 ，激发了学生学习的兴趣，引导学生开展自主、合作、探究的学习活动。 2.班级网络学习空间 基于“中小学教育信息化的核心在课堂教学”和“班级授课制”长期存在的事实，建立班级网络学习空间，它依托于省的信息化公共服务平台，以班级为单位构建而成，教师可以在网络班级空间开展教学。 3.基于“云计算”环境的翻转课堂学习 基于“云计算”环境的翻转课堂构建了“学生白天在课堂完成知识吸收与掌握的知识内化过程，晚上回家学习新知识”的新型的课堂教学结构，它不仅创新了教学方式，而且翻转了传统教学结构、教学模式，建立起完全以“学生为中心”的教学方式，创设了学生自主学习的环境。 课堂教学是学校教学的主阵地，只有抓好学校教学工作，才能把握学校教学工作的重点。以课堂教学为突破口，深入探讨信息技术与学科课堂教学的深度融合，具有极其重要的现实意义。 信息技术与学科教学论文篇2 《信息技术与中学化学学科教学的整合》 【摘 要】 随着现代教育技术的发展、信息社会的到来，计算机应用与教育领域，给化学课堂教学注入了新的活力。信息技术改变了传统的教与学的方式，为学生的自主、合作、探究学习搭建了新的平台。在教学中人们通常用文字、声音和图形来表现教学内容，通过与学生的交互、使学生学到知识和技能，达到预期的教学目标，探索并逐步推广信息技术条件下的新的教学和学习模式。 【关键词】 多媒体课件辅助教学;化静态为动态;变抽象为直观;信息技术与化学学科教学进行整合 以综合处理文字、图形、图像、动画、声音以及视频等各种信息为一体的多媒体技术，以表达形式更为丰富，从不同的感观、不同的侧面加深加深了人们对事物的认识，以多媒体电脑和 网络技术 为依托的，呈现、传递、加工、处理信息的技术，使多媒体课件辅助教学成为一种现代化教学手段，它把信息技术教育融合在学科的教学和学习中，通过构建真实的的问题情境，利用多媒体环境培养学生的学习策略和探究能力以及优化教学效果。所以巧妙合理的使用现代信息技术，整合课件素材，是信息技术应用于化学学科教学发展的趋势。 完全按照常规单一的教学模式，对学生的来说缺乏吸引力，多媒体手段就弥补了传统教学中的不足，用生动、活泼、形象、直观、动态的方式多 渠道 、全方位、立体化的传递教育信息，刺激学生感官，传播教学信息。它可以充分吸引学生的注意力，活跃课堂气氛，优化教学过程。能积极发挥学生在教学中的主体作用。以化学学科的教学来说，初中化学一些理论如质量守恒定律、氧化还原反应、分子结构等等是比较抽象的，有效利用多媒体手段可以变抽象为具体，变静态为动态，将微观过程进行宏观模拟，将瞬间变化定格分析，化枯燥为生动，比完全靠挂图、模型、教师的比划、学生的想象要有效的多，易于突破课堂教学的难点。所以如何有效地将信息技术与化学学科教学进行整合，有选择性地利用好我们现在所拥有的网络资源、光盘资源，使课堂教学效果达到最佳状态，成为化学教师所面临的一项重要任务，也是一项很值得研究的课题。现将本人在教学中的一些探究、摸索 总结 整理如下： 首先，需要说明的是使用化学多媒体课件在课堂上不是代替教师，而是辅助教师进行教学。化学课堂教学不是每堂课都适宜用多媒体手段，弥补传统课堂教学中的不足以及教学内容相对之后的缺陷，才是使用多媒体课件的根本目的。在化学教学中能使用多媒体课件的内容，个人觉得主要有以下几类： 一、微观粒子的运动 微观粒子的运动、变化对初中学生来说是比较难以理解的。比如分子、原子、离子、电子的运动变化是用肉眼甚至显微镜所看不到的，通常用挂图和模型，而微粒运动变化的过程却无法充分展示;我们在讲氧化还原反应时，把微粒得到(失去)电子，化合价降低(升高)，体现氧化性(还原性)，这些内容光靠教师讲解，学生很难理解，如果我们利用我们手边现有的教材配套的教学光盘中提供的多媒体影像素材或者通过互联网查找相关的多媒体素材，则很容易通过在电脑上的模拟演示，让学生就能很形象直观地看到这些内容的动感过程，其教学效果比老师的口头讲解显而易见要强的多。而教师也省去了口舌之苦。 二、微粒在化学变化中的行为 化学是研究物质的组成、结构、性质和变化规律的科学，化学概念及原理大多较为抽象。物质的微观结构既看不见，又摸不着，且化学变化又是在原子的基础上重新组合的结果。因此单靠语言和文字的描述，学生较难理解。通过电脑软件或课件进行动画模拟，能形象生动地表现分子、原子等微观粒子的运动特征，变抽象为形象，让学生直观形象地认识微观世界，更容易了解化学变化的实质，理解化学原理。如在讲解质量守恒定律中解释化学反应时，用flash动画模拟白磷分子和氧气分子分别拆分为原子，然后再重新组合为五氧化二磷分子的过程。学生便很容易想象化学反应中分子和原子的行为，同时也加深了对“原子是化学变化中的最小微粒”和“在化学变化中分子可以再分而原子却不能再分”的理解，为学生在后续的章节中学习质量守恒定律奠定了基础。 三、难以实现的化学实验的模拟 农村学校由于化学实验室硬件条件的限制，并考虑到实验经费的不足和实验课程时间、安全等因素，很多实验难以作为演示实验或学生实验走进课堂，这时可采用多媒体课件模拟演示。 1、装置复杂、药品稀缺贵重的实验 实验室验证空气成分需用曲颈甑，绝大多数学校的实验室已不存在，这类实验可以用模拟实验来代替。 2、操作技术要求高的实验。比如温室效应实验、酸雨形成实验、饱和溶液配制实验等等。 3、错误实验操作后果的危害的实验 如吹灭酒精灯、排水法收集氧气先撤酒精灯再抽导气管、氢气还原氧化铜时先加热后通氧气、点燃可燃性气体前不检验气体纯度、稀释浓硫酸将水往装有浓硫酸的烧杯里倾倒等实验操作后果。由于有些实验老师只讲不应该这么做，而不敢让学生进行这类错误操作。但把这些危害后果通过多媒体动画课件展示给学生，学生将直观地得到感受，在以后的实验中避免错误操作。 4、反应速度过慢的实验。受到时间因素和课堂节奏的制约，一些反应速度过慢的实验，如电解水生成氢气和氧气的实验;铁的生锈实验等模拟实验可摆脱这种时间上的限制而进入课堂。 四、应用投影观察演示实验的现象，提高实验的可视性 众所周知化学演示实验是教师在课堂中的演示，投影也是在课堂教学中常用到的工具。在课堂上教师操作的演示实验除了前几排学生外，后面的学生较难看到变化的现象。投影机能把一些现象放大，帮助学生观察。如讲到氢气的制取原理和实验室制取二氧化碳时用玻璃器皿盛稀硫酸和锌或稀硫酸和大理石的反应，利用投影观察其反应放出气泡的过程，都给学生留下了深刻的印象，达到了预期的目的。 以电脑为载体的多媒体技术只是教学的辅助手段，不是主体，使用它只是为教学服务，这一工具运用得当与否，效果完全不一样。为了使这一工具更好地服务教学，真正有助于传授知识技能，有助于学生学习能力的培养，我们在教学实践中还要不断地对我们所采用的多媒体教学课件进行更深层次的探究，对运用过程中存在的问题做出认真分析，做到有的放矢地去解决教学中遇到的问题。 信息技术与学科教学论文篇3 《浅谈现代信息技术与数学学科教学整合》 摘 要：多媒体辅助教学作为一种新型的教学手段，能激发学生的学习兴趣，优化课堂结构，提高教学质量，它能使静止的数学问题动态化，复杂的数学问题简单化，抽象的概念具体化，枯燥的数学知识趣味化，深奥的理论形象化，学习的过程生活化，有助于学生创造性思维的培养。随着多媒体科技应用日益普及，它也给数学教育带来了前所未有的冲击。多媒体科技给教学带来种种便利的同时，也会带来一些负面的影响，我们应该如何面对?本文对教学中使用多媒体存在的优点、问题及矫正 措施 进行了一些论述。 关键词：现代信息技术;多媒体;数学学科;辅助教学 在当今这个信息技术迅猛发展的时代，信息技术已经改变了人类学习与生存发展的环境，同时也改变了几个世纪数学教学、数学学习的方式。由于它对人类发展的重要性，迫使人们不断思索数学与现实的切合度;更是因为信息技术与数学技术的千丝万缕的联系，使人们认识到它在数学课程结构中的重要性。信息技术必将改变人们对数学的内容、形式、应用、人文价值以及评价的认识与看法，因此，信息技术发展与数学学科课程发展中的互动客观存在的。 所谓信息技术与数学学科教学的整合，就是通过将信息技术与数学课程的教与学融为一体，将信息技术作为一种工具，揭示数学思维的过程，更有效地帮助学生建立数学模型，学习研究事物的科学方法，使数学成为终身学习的奠基石。 一、通过信息技术与数学学科教学整合，培养学生的学习兴趣，激发学生的学习动机 爱因斯坦说过，兴趣是最好的老师。学习兴趣与学习动机是学生学习的动力源泉，如果解决了动力不足或动力缺乏问题，那么学生的学习障碍就几乎解决了一半。信息技术与数学学科教学整合在解决这个难题上发挥了很大的优势。在数学教学中，不仅有数、式的变换，更重要的是一些“形”的变换。利用多媒体技术flash软件画出函数图像，展示几何模型，进行图像的平移、翻转、伸缩变换，把复杂的数学问题具体化、简单化，同时把数学中的对称美、和谐美和曲线美展示给学生，让学生领略到数学学习中的无限魅力，激发学生探究学习的情趣。 二、通过信息技术与数学学科教学整合，培养学生的思维能力 德国数学教育家栋科教授认为：“思维着的教学活动决定着学习的质量。”学习如果过分依赖学习者的 经验 或感性世界，即纯粹的经验堆积，而不是通过认识活动对经验进行加工，那么学习将会出现危机。因此必须重视人的思维教育。在教学过程中，解决这种直接经验与间接经验、实际与理论间的矛盾，利用信息技术是一种行之有效的手段。尤其是多媒体计算机，可以把文字、图形、声音、动画、视频图像等信息集于一体。教学中使用多媒体技术能使学生获得极为丰富的、生动形象的感性知识，引导学生在思考中善于发现问题、提出问题、解决问题，培养他们的创造精神。 三、通过信息技术与数学学科教学整合，培养学生的创新能力、可持续发展能力 创新是一个民族的灵魂，是国家兴旺发达的不竭动力。现代教学认为，创新培养的最好场合和手段应该而且可以是日常教学活动。信息技术课是一种最能体现信息潮流的课程，目前也十分贴近学生的生活，在学生基本掌握计算机的性能之后，便可适当布置一些创造性作业，让有条件的学生在自己的家用电脑上独立作业，会产生令人意想不到的效果。在 圣诞节 、 教师节 、 春节 等，学生通过家用电脑发送卡片，这些卡片中，有的可以充满着幽默风趣的话，有的还可以制造出简单的动画，这些知识，我们平时都没教，但学生通过自学或家长的指导都制造出来了。这样，学生的 爱好 、特长得到了充分发展，兴趣得到巩固。 四、通过信息技术与数学学科教学整合，培养学生的信息素养 信息素养，是素质教育的核心要素，其中，信息处理能力是重要的一种能力。基于网络的数学课程教学，所选择的学习素材附带一定的情境或背景，学生通过网络收集提取有关素材，对相关素材进行分析、研究和比对，通过实验、观察、类比、联想、交流和讨论，最后归纳、综合，实现意义建构。教师的角色和行为方式发生了重大变化，教师不再是主要的信息源，而是教学活动中的导航者，设计者和帮助者;学生成为教学活动的主体，是知识的探索者;自主学习成为学生学习的主要方法。学生在学习过程中学会学习、学会组织、学会协作、学会思考和交流。 五、通过信息技术与数学学科教学整合，培养学生个别化、协作学习的能力 合作学习是《数学课程标准》提倡的三大学习方式之一，作为教师在教学过程中要关注学生的自主探索、合作学习，努力引导学生自己发现解决问题的方法。学会合作与交流是知识经济时代社会发展的需要，人与人之间越来越需要沟通与互助，在课堂教学中培养学生学会合作与交流是实施素质教育的重要课题。因此，在教学中经常给学生提供合作与交流的机会。在学生“自主探索”的基础上，利用多媒体使资源共享，组织引导学生合作和讨论，让学生在共同探讨中学习别人的方法和想法，表达自己对问题的看法。在讨论中交流，在合作学习中完善、提炼和概括知识，使学生学会从不同角度认识数学，学会在合作学习与交流中取长补短，集思广益。 总之，多媒体教学手段的运用，极大地拓展了数学教学的空间，丰富了数学课堂的教学手段和教学资源，给教学带来了生动活泼的新局面。但是，无论计算机技术如何完善，它都不可能完全替代传统的数学教学方式。这就要求我们数学教师不仅要有扎实的数学知识和基本功，还必须熟悉和掌握多媒体教学，将多媒体技术和传统教学法有机地结合，在课堂上找准使用多媒体的最佳时机，把握好“度”和“量”，充分发挥多媒体的功能，从而进一步优化数学课堂教学，为全面推进数学素质教育发挥强有力的作用。 参考文献： 1.张奠宙.数学教育的全球化、开放化和信息化.数学教学，1998(5). 2.王其云.媒体与学习.中国电化教育，. 3.方钧鹤.对运用多媒体技术优化教学的几点看法.中国电化教育，. 4.李华.中小学教育媒体的选择与应用探讨.中国电化教育，. 5.刘云生.信息网络时代与教育最优化.2002. 猜你喜欢： 1. 浅谈信息技术教学论文 2. 信息技术与语文教学深度融合浅析论文 3. 浅谈信息技术与学科课程的整合论文 4. 信息技术与小学数学教学的有效整合探讨论文
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 ：
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
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（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}= 。
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，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；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）。