发布时间：
姓名：牛晓银；学号：20181213993；学院：计算机科学与技术 转自： 【嵌牛导读】：目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。 【嵌牛鼻子】：目标检测、检测模型、计算机视觉 【嵌牛提问】：你知道或者用过哪些目标检测算法？ 【嵌牛正文】： （一）目标检测经典工作回顾 本文结构 两阶段模型因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，我们选取R-CNN系列工作作为这一类型的代表。 R-CNN: R-CNN系列的开山之作 论文链接： Rich feature hierarchies for accurate object detection and semantic segmentation 本文的两大贡献：1）CNN可用于基于区域的定位和分割物体；2）监督训练样本数紧缺时，在额外的数据上预训练的模型经过fine-tuning可以取得很好的效果。第一个贡献影响了之后几乎所有2-stage方法，而第二个贡献中用分类任务（Imagenet）中训练好的模型作为基网络，在检测问题上fine-tuning的做法也在之后的工作中一直沿用。 传统的计算机视觉方法常用精心设计的手工特征(如SIFT, HOG)描述图像，而深度学习的方法则倡导习得特征，从图像分类任务的经验来看，CNN网络自动习得的特征取得的效果已经超出了手工设计的特征。本篇在局部区域应用卷积网络，以发挥卷积网络学习高质量特征的能力。 R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络（AlexNet），得到每个区域内物体的类别。 另外，文章中的两个做法值得注意。 一是数据的准备。输入CNN前，我们需要根据Ground Truth对提出的Region Proposal进行标记，这里使用的指标是IoU（Intersection over Union，交并比）。IoU计算了两个区域之交的面积跟它们之并的比，描述了两个区域的重合程度。 文章中特别提到，IoU阈值的选择对结果影响显著，这里要谈两个threshold，一个用来识别正样本（如跟ground truth的IoU大于0.5），另一个用来标记负样本（即背景类，如IoU小于0.1），而介于两者之间的则为难例（Hard Negatives），若标为正类，则包含了过多的背景信息，反之又包含了要检测物体的特征，因而这些Proposal便被忽略掉。 另一点是位置坐标的回归（Bounding-Box Regression），这一过程是Region Proposal向Ground Truth调整，实现时加入了log/exp变换来使损失保持在合理的量级上，可以看做一种标准化（Normalization)操作。 小结 R-CNN的想法直接明了，即将检测任务转化为区域上的分类任务，是深度学习方法在检测任务上的试水。模型本身存在的问题也很多，如需要训练三个不同的模型（proposal, classification, regression）、重复计算过多导致的性能问题等。尽管如此，这篇论文的很多做法仍然广泛地影响着检测任务上的深度模型革命，后续的很多工作也都是针对改进这一工作而展开，此篇可以称得上"The First Paper"。 Fast R-CNN: 共享卷积运算 论文链接： Fast R-CNN 文章指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。 上图是Fast R-CNN的架构。图片经过feature extractor得到feature map, 同时在原图上运行Selective Search算法并将RoI（Region of Interset，实为坐标组，可与Region Proposal混用）映射到到feature map上，再对每个RoI进行RoI Pooling操作便得到等长的feature vector，将这些得到的feature vector进行正负样本的整理（保持一定的正负样本比例），分batch传入并行的R-CNN子网络，同时进行分类和回归，并将两者的损失统一起来。 RoI Pooling 是对输入R-CNN子网络的数据进行准备的关键操作。我们得到的区域常常有不同的大小，在映射到feature map上之后，会得到不同大小的特征张量。RoI Pooling先将RoI等分成目标个数的网格，再在每个网格上进行max pooling，就得到等长的RoI feature vector。 文章最后的讨论也有一定的借鉴意义： multi-loss traing相比单独训练classification确有提升 multi-scale相比single-scale精度略有提升，但带来的时间开销更大。一定程度上说明CNN结构可以内在地学习尺度不变性 在更多的数据(VOC)上训练后，精度是有进一步提升的 Softmax分类器比"one vs rest"型的SVM表现略好，引入了类间的竞争 更多的Proposal并不一定带来精度的提升 小结 Fast R-CNN的这一结构正是检测任务主流2-stage方法所采用的元结构的雏形。文章将Proposal, Feature Extractor, Object Classification&Localization统一在一个整体的结构中，并通过共享卷积计算提高特征利用效率，是最有贡献的地方。 Faster R-CNN: 两阶段模型的深度化 论文链接： Faster R-CNN: Towards Real Time Object Detection with Region Proposal Networks Faster R-CNN是2-stage方法的奠基性工作，提出的RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。粗略的讲，Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU上以5fps的速度运行，而在精度方面达到SOTA（State of the Art，当前最佳）。 本文的主要贡献是提出Regional Proposal Networks，替代之前的SS算法。RPN网络将Proposal这一任务建模为二分类（是否为物体）的问题。 第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box（如上图右边部分），取定IoU的阈值，按Ground Truth标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。 由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。 小结 Faster R-CNN的成功之处在于用RPN网络完成了检测任务的"深度化"。使用滑动窗口生成anchor box的思想也在后来的工作中越来越多地被采用（YOLO v2等）。这项工作奠定了"RPN+RCNN"的两阶段方法元结构，影响了大部分后续工作。 单阶段（1-stage）检测模型 单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。 YOLO 论文链接： You Only Look Once: Unified, Real-Time Object Detection YOLO是单阶段方法的开山之作。它将检测任务表述成一个统一的、端到端的回归问题，并且以只处理一次图片同时得到位置和分类而得名。 YOLO的主要优点： 快。 全局处理使得背景错误相对少，相比基于局部（区域）的方法， 如Fast RCNN。 泛化性能好，在艺术作品上做检测时，YOLO表现比Fast R-CNN好。 YOLO的工作流程如下： 1.准备数据：将图片缩放，划分为等分的网格，每个网格按跟Ground Truth的IoU分配到所要预测的样本。 2.卷积网络：由GoogLeNet更改而来，每个网格对每个类别预测一个条件概率值，并在网格基础上生成B个box，每个box预测五个回归值，四个表征位置，第五个表征这个box含有物体（注意不是某一类物体）的概率和位置的准确程度（由IoU表示）。测试时，分数如下计算： 等式左边第一项由网格预测，后两项由每个box预测，以条件概率的方式得到每个box含有不同类别物体的分数。 因而，卷积网络共输出的预测值个数为S×S×(B×5+C)，其中S为网格数，B为每个网格生成box个数，C为类别数。 3.后处理：使用NMS（Non-Maximum Suppression，非极大抑制）过滤得到最后的预测框 损失函数的设计 损失函数被分为三部分：坐标误差、物体误差、类别误差。为了平衡类别不均衡和大小物体等带来的影响，损失函数中添加了权重并将长宽取根号。 小结 YOLO提出了单阶段的新思路，相比两阶段方法，其速度优势明显，实时的特性令人印象深刻。但YOLO本身也存在一些问题，如划分网格较为粗糙，每个网格生成的box个数等限制了对小尺度物体和相近物体的检测。 SSD: Single Shot Multibox Detector 论文链接： SSD: Single Shot Multibox Detector SSD相比YOLO有以下突出的特点： 多尺度的feature map：基于VGG的不同卷积段，输出feature map到回归器中。这一点试图提升小物体的检测精度。 更多的anchor box，每个网格点生成不同大小和长宽比例的box，并将类别预测概率基于box预测（YOLO是在网格上），得到的输出值个数为(C+4)×k×m×n，其中C为类别数，k为box个数，m×n为feature map的大小。 小结 SSD是单阶段模型早期的集大成者，达到跟接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速度。后续的单阶段模型工作大多基于SSD改进展开。 检测模型基本特点 最后，我们对检测模型的基本特征做一个简单的归纳。 检测模型整体上由基础网络（Backbone Network）和检测头部（Detection Head）构成。前者作为特征提取器，给出图像不同大小、不同抽象层次的表示；后者则依据这些表示和监督信息学习类别和位置关联。检测头部负责的类别预测和位置回归两个任务常常是并行进行的，构成多任务的损失进行联合训练。 相比单阶段，两阶段检测模型通常含有一个串行的头部结构，即完成前背景分类和回归后，把中间结果作为RCNN头部的输入再进行一次多分类和位置回归。这种设计带来了一些优点： 对检测任务的解构，先进行前背景的分类，再进行物体的分类，这种解构使得监督信息在不同阶段对网络参数的学习进行指导 RPN网络为RCNN网络提供良好的先验，并有机会整理样本的比例，减轻RCNN网络的学习负担 这种设计的缺点也很明显：中间结果常常带来空间开销，而串行的方式也使得推断速度无法跟单阶段相比；级联的位置回归则会导致RCNN部分的重复计算（如两个RoI有重叠）。 另一方面，单阶段模型只有一次类别预测和位置回归，卷积运算的共享程度更高，拥有更快的速度和更小的内存占用。读者将会在接下来的文章中看到，两种类型的模型也在互相吸收彼此的优点，这也使得两者的界限更为模糊。
激光定位 GPS定位 合成孔镜雷达 电话定位 辐射源定位 干扰源定位
1.红外响应峰值目标定位方法.2.卫星遥感影像定位方法,3.猫眼效应激光侦察技术. 4.双孔径天线沿航迹向干涉SAR进行动目标检测、测速及定位的新方法．该方法在分析杂波对消必要性的基础上，给出了进行地杂波对消、动目标检测、径向速度分量估计及定位的原理和实现方法．在恒虚警处理后，通过比较杂波对消后的残差图像与原始图像中运动目标和静止目标对消幅度的差异，检测出运动目标．同时，可以利用残差图象中杂波的对消特性进行运动目标径向速度的估算以及目标的定位．这种检测方法具有良好的杂波对消性能，能够完成被地面背景杂波掩盖的运动目标的检测、测速及定位．计算机仿真结果验证了其有效性麻烦采纳，谢谢!
这样的论文很难找，给你本书《当代战争论》，军事高科技方面的估计也不会有什么会被公开的，顶多是信息站平台和常规战略武器，真正高科技那就是机密咯。看看海湾战争和两次伊战的书，现在的高技术武器，还没有脱离这几次战争，或者看看巴以战争的报道，都有新式的，几乎都是美国研制的武器。
论文一般由题名、作者、摘要、关键词、正文、参考文献和附录等部分组成，其中部分组成（例如附录）可有可无。论文各组成的排序为：题名、作者、摘要、关键词、英文题名、英文摘要、英文关键词、正文、参考文献、附录和致谢。
论文正文
要点
(1)引言：引言又称前言、序言和导言，用在论文的开头。引言一般要概括地写出作者意图，说明选题的目的和意义，并指出论文写作的范围。引言要短小精悍、紧扣主题。
(2)论文正文：正文是论文的主体，正文应包括论点、论据、论证过程和结论。主体部分包括以下内容：
a.提出问题-论点；
.分析问题-论据和论证；
c.解决问题-论证方法与步骤；
d.结论。
为了做到层次分明、脉络清晰，常常将正文部分分成几个大的段落。这些段落即所谓逻辑段，一个逻辑段可包含几个小逻辑段，一个小逻辑段可包含一个或几个自然段，使正文形成若干层次。论文的层次不宜过多，一般不超过五级。
要求
以毕业论文为例，现说明论文正文版面格式：
①正文部分与“关键词”行间空两行；
②汉语正文文字采用小四号宋体；正文英语正文文字采用Times New Roman12号，标题汉语采用四号黑体，标题英语采用Times New Roman14号，每段首起空两格，1.25倍行距；
③段落间层次要分明，题号使用要规范。理工类专业毕业设计，可以结合实际情况确定具体的序号与层次要求；
④文字要求：文字通顺，语言流畅，无错别字，无违反政治上的原则问题与言论，要采用计算机打印文稿；
⑤图表要求：所有图表、线路图、流程图、程序框图、示意图等不准用徒手图，必须按国家规定的工作要求采用计算机或手工绘图，图表中的文字汉语用小五号宋体；英语采用Times New Roman10. 5号；图表编号要连续，如图1、图2等，表1、表2等；图的编号放在图的下方，表的编号放在表的上方，表的左右两边不能有边；
⑥字数要求：一般不少于1500（按老师要求）；
⑦学年论文引用的观点、数据等要注明出处，一律采用尾注。
写作思路及要点：首先写对军事理论课本里内容的阐述，再谈自己的感悟。
正文：
军事发展对当代的国家来说至关重要，在当前复杂的国际形势下军事发展成为巩固国防的重要手段。从建国到现在中国军事飞速发展，尤其是在改革开放以后中国军事更是飞速发展，军事力量跃居世界前列。
国防涉及国家的安危，是国家的大事。中国式社会主义国家，其国防的性质集中体现为自主性、防御性和人民性。建立巩固的国防是中国现代化建设的战略任务，是维护国家安全统一和全面建设小康社会的重要保障。
国防本质是国家一系列国家防务活动。中国近代百年的屈辱史告诉我们国防对国家领土，居民，政府和主权的重要性，军事发展是加强国防的主要手段经济发展也是必要手段，为军事发展提供物质和人才的条件。
军事的发展在于国防科技的发展，国防科技与军事和国防是一个国家至关重要的几个方面，军事上的需要促成了国防科技领域的形成与发展；国防科技的发展为军事提供所需要的物质技术手段，在此同时还会促使军事领域不断发生变革，甚至导致出现军事革命；
军事上的变革和战争提出了新的需要又会给国防科技发展以新的推动力。国防科技与军事之间相互关系的这种机制或逻辑是一种客观存在的规律。
今天，我们作为新时代的青年人已经把繁荣中国的大旗扛在肩上，把祖国的重托扛在肩上，把未来的希望扛在肩上，我们坚挺的脊梁足以让革命先辈欣慰安然!我们大学生，学习军事理论课的目的，就是学习国防军队知识，增强爱国主义情感，时刻对国内外的敌对势力保持警惕。
在大学的四年，我想这门特殊的课程为我的生命上了一层绿色，不仅是绿色的军装，也是一颗感恩的心，它提醒着我不仅要努力学习知识，更应关注天下大事，更应心系祖国安危；
让我感谢那些能让我平静的坐在教室学习的保卫国家安全的战士，让我感谢那些为维护国家安全作出贡献的人，我也应感谢为世界的和平作出贡献的人。
论文撰写步骤：
一、论文的标题部分
标题就是题目或题名，标题需要以最恰当、最简明的词语反映论文中重要的特定内容逻辑组合，论文题目非常重要，必须用心斟酌选定。
二、论文的摘要
论文一般应有摘要，它是论文内容不加注释和评论的简短陈述。摘要应该包含以下内容：
1、从事这一研究的目的和重要性
2、研究的主要内容
3、完成了哪些工作
4、获得的基本结论和研究成果，突出论文的新见解
5、结构或结果的意义
三、论文关键词
关键词属于主题词中的一类，主题词除关键词外，还包含有单元词、标题词和叙词。关键词是标识文献的主题内容，单未经规范处理的主题词。
四、引言
又称为前言，属于正片论文的引论部分。写作内容包括：
1、研究的理由
2、研究目的
3、背景
4、前人的工作和知识空白
5、作用和意义
五、正文部分
论文的主题，占据论文大部分篇幅。论文所体现的创造性成果或新的研究结果，都将在这一部分得到充分的反映，要求这部分内容一定要充实，论据充分可靠，论证有利，主题明确。
六、参考文献
参考文献是文章在研究过程和论文撰写是所参考过的有关文献的目录，参考文献的完整标注是对原作者的尊重。不只在格式上有具体要求，在数量、种类、年份等方面又有相关要求。
陶瓷墙地砖国家标准规定了干压陶瓷砖的定义、技术要求、试验方法、检验规则及标志、产品使用说明书、包装、运输、贮存和订货。瓷质砖执行gb/t4100‐2006（吸水率e≤0.5%）；陶质砖执行gb/t4100‐2006（吸水率e>10%）。凡是通过认证的企业，在各项管理系统整合上已达到了国际标准，表明企业能持续稳定地向顾客提供预期和满意的合格产品。站在消费者的角度，公司以顾客为中心，能满足顾客需求，达到顾客满意，不诱导消费者。
你所购买的陶瓷是陶瓷砖还是卫浴用品？具体的检测标准是不一样的。如陶瓷砖是按照： GB/T 4100-2015 陶瓷砖
1、要查看瓷砖的坯体颜色是否纯正。这一招很简单,主要观察瓷砖的背面颜色是否均匀、一致。质量较好的瓷砖,坯体颜色统一、匀称。 要观察瓷砖横切面的颗粒是否细腻。消费者要注意,这里所说的横切面不是指瓷砖四周的裁切面,而是指瓷砖断片的断裂处。 2、看瓷砖色泽：仔细观察瓷砖表面的色泽。一般来说，色泽均匀，表面光洁的都比较好。此外要观察表面的平整度，以及瓷砖周边是否规则，从同一包装箱中抽出几片，对比有无色差、变形、缺棱少角等缺陷。此法不能用于检测表面凹凸不平的仿古砖。瓷砖摸釉面：看釉面有无针孔，斑点。主要是看瓷砖表面是否有黑点、气泡、针孔、裂纹、有无划痕、色斑，缺边、缺角。玻化砖还要注意是否有漏抛、漏磨等缺陷。 3、要听。轻敲瓷砖，注意听声音是否清脆。如声音清亮、悦耳为上品，如声音沉闷，为次品。要试水。消费者可以在瓷砖背面倒上一些水，注意观察瓷砖吸水的快慢。几分钟之后，再看正面水留下的印子是否明显。水散开后浸润得慢的瓷砖密度大，而且水留印子不明显，视为上品。
SN／T 1570.2－2005
毕业论文是对本专业学生集中进行科学研究训练而要求学生在毕业前总结性独独立作业、撰写的论文。为了让学校的论文风气得到净化，也可以让大家都严于律己，认真的对待论文这项学习任务，毕业论文都是需要进行查重的，但对于很多学生来说，想要达到学校要求的重复率标准也是一件很困难的事情。特别是本科阶段的同学们，那本科毕业论文的查重标准是怎样的？查重率超过多少影响毕业？一、本科毕业论文的查重规则是怎样的？1、本科毕业论文的查重规则其实很简单，主要是将大家的论文上传到查重系统之后，系统会根据论文的具体内容和字数来进行分割，分割成不同的部分进行检测，然后进入到系统文献库中进行比对。2、系统检测时，论文中相同部分就会被标红，尤为需要特别注意的是，要是段落内容与其他的文献内容意思接近达到了80%以上，也是会被大量标红的。二、本科毕业论文的查重标准由于现在全国的高校非常之多，所以对于本科毕业论文的查重率也就没有一个准确的要求来概括，不同的高校对于本科毕业论文查重率的要求标准是各不一样的，从各高校出版的本科毕业论文考试标准的公告中可以看出，基本上有一个共同点，即重复率明确规定，总数不得超过30％。三、本科毕业论文查重率超过多少影响毕业？如果查重后论文的重复率在10%以内，这类论文是可以直接通过的；如果重复率在10%至20%，这类论文当然可以通过；若是论文重复率在20%至30%，就需要进行修改和再次检测；若是重复率在30%以上，一般这种类型的论文就会被认定为抄袭，是不能参加毕业答辩，当然也就不能毕业了。以上就是本文关于“本科毕业论文的查重标准是怎样的？查重率超过多少影响毕业？”问题的解答了，其实每个学校对于重复率都是有标准的。这些标准看似难以实现，但如果真的是自己创作并且后期进行修改的话，理论上每一个学生都是可以达到标准的。
一般高校都以知网的查重作为依据的，查重率不可以高于15%,有些会更严
本科毕业论文基本上是大学生第一次写学术文章。本科毕业论文的查重可以提供论文质量水平，防止学术不端行为，也是毕业的门槛。接下来，让我们paperfree小编来看看本科毕业论文的检测要求。 一、本科毕业论文查重率要求是什么？ 1.本科论文重复率30％可申请答辩； 2.15％可申请院优秀论文； 3.10％可申请校级优秀论文； 4.查重率＞25％有不超过5天的修改机会，修改后检测不及格。 二、本科毕业论文查重标准是什么？ 1.到目前为止，对于论文查重标准，只能对论文中文本部分进行查重，有些图片和公式是无法查重的。为了减少查重率，你可以把一些重复数据转换成图像和公式。 2.百分比不能说明文章的抄袭严重程度，只能进行说明文章的字数是重复的。百分比越大，重复率就越高。但是，论文的抄袭需要由我们学校要求的标准来决定。 3.系统检测连续13个字符，因此如果句子被大量复制，漂浮的红度非常高。有些人会改变句子或整个句子中某些词的语态，这可能会降低重复的标准，但仍然存在一些重复的计算标准。最好的方法是根据之前的论文总结一篇新文章。 4.本科毕业论文业论文中摘录经典文献中的句子，我们要进行参考文献标注，这样是可以避免计算到全文查重率中的。
1.首先，百度进入天天论文查重网2.填写【论文标题】，【论文作者】，把需要检测的论文内容复制到【论文内容】里面的文本框里面，然后点击下一步；3.输入订单号，订单号查找的办法是：我的淘宝——已买到的宝贝；4.检测报告下载，一般是10分钟左右即可下载报告，高峰期会有所廷迟；
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 ：
之前也是为论文苦恼了半天，网上的范文和能搜到的资料，大都不全面，一般能有个正文就不错了，而且抄袭的东西肯定不行的，关键是没有数据和分析部分，我好不容易搞出来一篇，结果还过不了审。 还好后来找到文方网，直接让专业人士帮忙，效率很高，核心的部分帮我搞定了，也给了很多参考文献资料。哎，专业的事还是要找专业的人来做啊，建议有问题参考下文方网吧 下面是之前文方网王老师发给我的题目，分享给大家： 基于深度学习的无人机地面小目标算法研究 基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究 模拟射击训练弹着点检测定位技术研究 基于深度卷积神经网络的空中目标识别算法的研究 基于可见光图像的飞行器多目标识别及位置估计 无人驾驶车辆手势指令识别研究与实现 车载毫米波雷达目标检测技术研究 基于多传感融合的四足机器人建图方法 中老年人群跌倒风险评估的数据采集系统 基于深度学习的视觉SLAM闭环检测方法研究 真实图片比较视觉搜索任务的年龄效应及对策研究 室内复杂场景下的视觉SLAM系统构建与研究 基于双目内窥镜的软组织图像三维重建 学习资源画面色彩表征影响学习注意的研究 毫米波雷达与机器视觉双模探测关键技术的研究 语义地图及其关键技术研究 多重影响因素下的语音识别系统研究 基于卷积神经网络的自主空中加油识别测量技术研究 基于视觉语义的深度估计、实例分割与重建 重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究 低成本视觉下的三维物体识别与位姿估计 面向非规则目标的3D视觉引导抓取方法及系统研究 基于物体识别地理配准的跨视频行人检测定位技术研究 基于结构光的非刚体目标快速三维重建关键技术研究 基于机器视觉的动物交互行为与认知状态分析系统 关于单目视觉实时定位与建图中的优化算法研究 动态场景下无人机SLAM在智慧城市中的关键技术研究 面向视觉SLAM的联合特征匹配和跟踪算法研究 基于深度学习的显著物体检测 基于平面波的三维超声成像方法与灵长类动物脑成像应用研究 基于物体检测和地理匹配的室内融合定位技术研究 基于多模态信息融合的人体动作识别方法研究 基于视觉惯性里程计的SLAM系统研究 基于语义信息的图像/点云配准与三维重建 基于种子点选取的点云分割算法研究 基于深度学习的场景文字检测与识别方法研究 基于运动上下文信息学习的室内视频烟雾预警算法研究 基于深度学习的垃圾分类系统设计与实现 面向手机部件的目标区域检测算法的设计与实现 电路板自动光照检测系统的设计与实现 基于机器视觉的工件识别与定位系统的设计与实现 基于深度学习的物件识别定位系统的设计与实现 基于视觉四旋翼无人机编队系统设计及实现 基于视觉惯导融合的四旋翼自主导航系统设计与实现 面向城市智能汽车的认知地图车道层生成系统 基于深度学习的智能化无人机视觉系统的设计与仿真 基于知识库的视觉问答技术研究 基于深度学习的火灾视频实时智能检测研究 结构化道路车道线检测方法研究 基于机器视觉的带式输送机动态煤量计量研究 基于深度学习的小目标检测算法研究 基于三维激光与视觉信息融合的地点检索算法研究 动态环境下仿人机器人视觉定位与运动规划方法研究 瓷砖铺贴机器人瓷砖空间定位系统研究 城市街景影像中行人车辆检测实现 基于无线信号的身份识别技术研究 基于移动机器人的目标检测方法研究 基于深度学习的机器人三维环境对象感知 基于特征表示的扩展目标跟踪技术研究 基于深度学习的目标检测方法研究 基于深度学习的复杂背景下目标检测与跟踪 动态扩展目标的高精度特征定位跟踪技术研究 掩模缺陷检测仪的图像处理系统设计 复杂场景下相关滤波跟踪算法研究 基于多层级联网络的多光谱图像显著性检测研究 基于深度结构特征表示学习的视觉跟踪研究 基于深度网络的显著目标检测方法研究 基于深度学习的电气设备检测方法研究 复杂交通场景下的视频目标检测 基于多图学习的多模态图像显著性检测算法研究 基于面部视频的非接触式心率检测研究 单幅图像协同显著性检测方法研究 轻量级人脸关键点检测算法研究 基于决策树和最佳特征选择的神经网络钓鱼网站检测研究 基于深度学习的场景文本检测方法研究 RGB-D图像显著及协同显著区域检测算法研究 多模态融合的RGB-D图像显著目标检测研究 基于协同排序模型的RGBT显著性检测研究 基于最小障碍距离的视觉跟踪研究 基于协同图学习的RGB-T图像显著性检测研究 基于图学习与标签传播优化模型的图像协同显著性目标检测 姿态和遮挡鲁棒的人脸关键点检测算法研究 基于多模态和多任务学习的显著目标检测方法研究 基于深度学习的交通场景视觉显著性区域目标检测 基于生物视觉机制的视频显著目标检测算法研究 基于场景结构的视觉显著性计算方法研究 精神分裂症患者初级视觉网络的磁共振研究 基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工 脑机接口游戏神经可塑性研究 基于YOLOV3算法的FL-YOLO多目标检测系统 基于深度与宽度神经网络显著性检测方法研究 基于深度学习的零件识别系统设计与研究 基于对抗神经网络的图像超分辨算法研究 基于深度学习复杂场景下停车管理视觉算法的研究与实现 镍电解状态视觉检测与分析方法研究 跨界训练对提升舞者静态平衡能力的理论与方法研究 施工现场人员类型识别方法的研究与实现 基于深度学习的自然场景文字检测方法研究 基于嵌入式的交通标志识别器的设计 基于视觉感知特性与图像特征的图像质量评价
能不能给我发一份呢？