发布时间：
学术堂整理了几个计算机论文期刊,并做了相关介绍,供大家参考:一、《计算机光盘软件与应用》发表900元一个版面,个版面起发,一个版面2000字符《计算机光盘软件与应用》杂志是由中国科学院主管、中国大恒电子音像出版社主办的国内外公开发行的综合性国家级学术期刊.本刊致力于创办以创新、准确、实用为特色,突出综述性、科学性、实用性,及时报道国内外计算机技术在科研、教学、应用方面的研究成果和发展动态,为国内计算机同行提供学术交流的平台. 国际标准刊号:ISSN 1007-9599 国内统一刊号:CN 11-3907/TP 邮发代号:18-160二、《电子技术与软件工程》1000元一个版面,一个版面2500字符2012年11月由《电子游戏软件》变更而来,《电子技术与软件工程》杂志,是由中国科学技术协会、中国电子学会主办的国内外公开发行的国家级期刊.国内刊号:CN10-1108/TP;国际刊号:ISSN2095-5650;综合性的科技类学术刊物.三、《移动信息》发表900元一个版面,2500字符《移动信息》杂志是重庆云锦广告传媒旗下的一本以通讯、数码产品为主的大众型导购刊物,面向全国发行.历经七年的发展《移动信息》已经成为相当成熟的媒体,秉持专业精神的《移动信息》追求的是信息的大量化以及编辑的最优选择性,面向的读者群为18岁~28岁的新锐消费群体.整体风格以人文的方式感知社会的进步,技术的创新,专业、时尚的栏目设置和栏目内容,使《移动信息》成为"中国极具导购性的数码人文杂志",并成为年轻消费人群的必备手册.四、《硅谷》发表900元一个版面,一个版面2800字符.1,5个版面起发《硅谷》杂志是由中国科学技术协会主管,中国科技新闻学会主办,经国家新闻出版总署批准,国内外公开发行的国家级科技类学术刊物,已被《中国学术期刊网(光盘版)》、《万方数据数字化期刊群》、《中文科技期刊数据库》《龙源国际期刊》等网络媒体收录,属中国核心期刊(遴选)数据库来源期刊.五、《软件》发表900元一个版面,2个版面起发.4000字符《软件学报》是一本刊登计算机软件各领域原创性研究成果的期刊,所刊登的论文均经过严格的同行专家评议.《软件学报》主要面向全球华人计算机软件学者,致力于创办与世界计算机科学和软件技术发展同步的以中文为主的"中文国际软件学术期刊",为全球华人同行提供学术交流平台.六、《电脑编程技巧与维护》900元一个版面,2个版面起发.《电脑编程技巧与维护》自1994年创刊以来,我们始终坚持"实用第一、质量第一、读者第一"的原则,与时俱进,不断创新的办刊理念,以振兴民族软件工业为己任,努力为广大电脑编程爱好者、专业计算机系统维护人员和软件开发人员提供第一手的技术资料和编程维护技术.在栏目内容上,选题覆盖面广、涉及技术领域多、信息量大,给程序员提供开阔视野;在技术水平上,我刊始终把握计算机技术发展的大方向,提供详尽的准确的技术指导,同时在长期的工作中与国际型大公司建立了良好合作关系,为读者提供全球最新最全的文章;在实用性上,稿源来自软件产业一线的工作者和有实践工作经验的广大程序员.在业内获得一致好评,受到广大编程和维护人员肯定.在本刊发表的文章具有较强的权威性,所发表的论文、文章可做调职、职称评定、升学、就业、评奖学金的主要依据.七、《电子制作》发表900元一个版面,一个版面2700字符《电子制作》杂志是经中国新闻出版总署批准,北京市工商局备案,国内外公开发行的国家级科技类优秀期刊.八、《中国新通信》发表1000元一个版面,2200字符,个版面起发1.国家级正规期刊,国家新闻出版总署备案可查.(国家新闻出版部署查不到的都是假刊).2.电子方面的文章可以发.3.评职称是否认可要根据当地规定,如果规定发表在省级或国家级以上正规期刊就可以,肯定认可.如果要求必须发核心那就不认了,因为《中国新通信》是国家级.以下是期刊详细信息:《中国新通信》(国家级)主管:工业和信息化部主办:电子工业出版社ISSN:1673-4866CN:11-5402/TN邮发代号: 2-76周期: 半月出版地:北京市
要发表论文，可以参考下面几步1.首先搞清楚为什么发论文, 一般都是为了保研,学位, 评奖，评职称加分等等, 然后就要了解对应事项对论文方向和所发的杂志(有的会给出一个目录)的要求, 以免发非所要做无用功2.确定的论文方向, 自己应该要有充分的了解, 可以多看看知网上相关文章, 也可以找老师指导一下, 尽量能写出比较独到的逻辑完整的观点, 还要有充分的论据和比较丰富的论证方法3.确定目标杂志, 可以先大致圈定几个意向进行详细了解, 包括杂志的周期(有些杂志出刊太慢排队太久等不起), 杂志对作者的偏好(有些较好的杂志只接受一定级别的作者, 本科生不在考虑范围), 投稿审稿或版面费用(一般越好的杂志可能不收费但上稿难度很大), 有可能的话可以在官网或杂志上找到编辑部联系方式, 直接咨询, 不要轻易相信网络上的中介4.投稿要注意符合杂志社的投稿格式规范, 要检查好文字不要出现低级错误, 那样会严重影响编辑对稿件的印象, 投稿投到官方的邮箱, 然后可以打个电话提醒一下编辑查收, 需要付费的一般是杂志出了用稿通知后才付费, 如果是上来就要钱说包发的十有八九是更多发表详情找我
期刊有很多，但是要看你是发表什么专业方向的论文，期刊杂志还有栏目分类，如果实在搞不清楚的话那就去找早发表网发表论文吧，那里会告诉你你论文适合投什么样的期刊。
据学术堂的了解,论文发表期刊主要分为省级期刊、国家级期刊、核心期刊:1、省级期刊省级期刊:即由各省、自治区、直辖市及其所属部、委办、厅、局主办的期刊以及由各本,专科院校主办的学报(刊).2、国家级期刊国家级:一般来说"国家级"期刊,即由党中央、国务院及所属各部门,或中国科学院、中国社会科学院、各民主党派和全国性人民团体主办的期刊及国家一级专业学会主办的会刊.另外,刊物上明确标有"全国性期刊"、"核心期刊"字样的刊物也可视为国家级刊物.3、核心期刊核心期刊:简单地说,核心期刊是学术界通过一整套科学的方法,对于期刊质量进行跟踪评价,并以情报学理论为基础,将期刊进行分类定级,把最为重要的一级称之为核心期刊.通常所说的中文核心期刊,是指被北大图书馆每四年出版一次的《全国中文核心期刊要目总览》中列出的期刊.
一：怎样看论文检测报告？1、不论是通过什么论文查重系统来进行检测，还是在论文查重后来查看检测报告，并显示下载报告的相关项目或者按钮，直接点击检测报告查看内容，点击下载报告的项目，点击检测报告PDF本地可以保存。2、以知网查重的论文检测报告来举例，检测报告的第一页将作为检测结果的概况，在这一概况中，会显示整体的复制率和章节的重复率，一眼就能看出，心里是否应该首先修改自己的论文全部一般大学对整体的重复率有要求。如果检测结果的全文重复率高于学校的重复率要求，那么是必须要进行修改的，并且一些大学还要求章节重复率，更加严格。3、然后可以看到详细的论文检测报告，这份报告第一个有编号，这可以用知网独有的检测报告编号进行验证，看报告是否在正规的知网查重系统中有。主要现在市场上有很多假的知网查重系统，打着知网查重系统的牌，通过论文来进行检测，以此来取检测费用。这个编号有利于避免伪造，检测使用的对比库的范围和具体的显示文字重复的情况。红色表示的是被判定为抄袭的文字，黄色表示的是被判定为引用文的文字，也可以看到比较页面。论文中剽窃的红字部分可以与库中被抄袭的原文进行比较。一般左边是论文部分，右边是库的原文部分，抄袭部分都用红色表示。论文查重这些细节问题需要特别注意！二：怎样根据论文检测报告来修改论文？对重复的文字，重复的意思是，文字本身不是文字的意思，而是因为汉语的博大精深的含义，可以使用不同的文字来表达，因此对于重复的文字，可以用完全不同的表达方式进行修改。并且，可以用可使用的修改手段改变句型，或者改变单词，或者添加句子之间的关联词。
主要就是看以下几点：1、总文字复制比，也就是检测出来的重复率。2、全文标明引文，重复都已经被标红。3、全文对照报告单，相似内容来源都准确标出。红色文字表示文字复制部分;黄色文字表示引用部分，根据指示进行修改就可以了。
在中国知网论文查重入口进行论文查重之后，知网会给每一位在该平台查重的需求方提供一份该有知网官网标示的查重报告，这份报告具有权威性和专业性，因此它可以作为学术不端行为的验证标准。知网查重提供的报告和其它平台提供的查重报告有什么差别吗？有什么不一样的地方吗？中国知网论文查重平台出具的论文检测报告是知网专属的报告，它的格式还有展示方式肯定和其它查重平台提供的是不同的。就以知网和paperfree为例，知网的查重报告上的细致分解和paperfree虽然看上去大同小异，但两个平台的查重报告结构是不同的，是各有所长的。不过，因为论文查重是要收取费用的，所以还有不少的平台在冒充知网官网给一些毕业生进行论文的重复率检测，然后把假的知网的检测报告提供给对方，因此，毕业生应该要注意好自己选择时的网站是不是真的是知网的唯一检测渠道的，不能随便看到有知网两个字，就把论文提交上去检测。知网检测权威渠道里有个CNKI的字母标示，这个标示很重要，如果一个大学毕业生登录的网站不带这四个字母，那基本可以认定是假冒的知网查重平台，一旦查重需求方登录了假冒的查重平台进行查重，那么查重出来的结果可能会和知网官网渠道有着天壤之别，重复率检测标准也会有很大的误差。所有为了自己论文的安全性，一定要在一个靠谱的知网平台进行检测，才能得到一个靠谱的知网查重报告。
论文查重报告是指通过论文查重系统检测出的论文，论文查重报告主要包括了论文查重率、论文对比、对比来源、作者姓名等基本信息。通常，相似度在80%~100%会用红色字体显示出来，相似度50%~80%的用黄色字体显示，而绿色字体表示没有找到相似的语句，一般红色部分建议修改，黄色部分酌情修改。
其次，毕业论文查重报告是在提交了论文，并且检测完成之后论文查重报告才会有。在paperfree、papertime提交检测论文，检测完成就会生成报告，点击导航栏“查看报告”，然后找到刚刚查重的论文后面的查看报告就可以了。
在查重报告的开头，可以看到作者、提交检测时间、论文标题等信息，下面一点可以看见论文的总体相似度、详细报告、综合评估、查看原文、使用帮助、打印pdf等，在往下是正文部分，用对应的颜色标注了，可以一目了然的看到，哪些部分相似度极高，哪些地方相似度适中，哪些地方没有找到相似语句，同时paperfree、papertime还提供了“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，可以提高论文降重的效率，节省修改论文时间。
中文期刊的数量是非常庞大的，尽管学术论文期刊数量相对比较小，但是因为基数大，所以整体数量还是非常可观的，所以不管是什么样的作者，因为什么目的发表论文，什么专业和方向，都是可以找到很多相对应的期刊。至于能发表学术论文的期刊，大体上分可以有以下几种：
一 普刊
普刊就是除了核心期刊以外的刊物。普刊里面有国家级期刊，也有省级期刊，大家可能会觉得国家级期刊一定比省级期刊好，这其实是不一定的，这里的级别只是杂志社的主办单位，并不一定代表国家级就一定高于省级，很多省级期刊也是很优秀的，还不一定好发。
1 国家级期刊
国家级期刊，即由党中央、国务院及所属各部门，或中国科学院、中国社会科学院、各民主党派和全国性人民团体主办的期刊及国家一级专业学会主办的会刊。另外，刊物上明确标有“全国性期刊”、“核心期刊”字样的刊物也可视为国家级刊物。但是，以上仅是说一般情况，还有许多地方上的、有较高学术价值、影响较大的刊物也是属于国家级刊物。
1.知网、维普、万方、龙源均可查的评职称期刊有：①、期刊名：学周刊;主管主办单位：河北省教育厅主管，河北师范大学主办;刊号：国内刊号：CN 13-1379/G4、国际刊号：ISSN 1673-9132;职称论文发表期刊等级：省级旬刊。②、期刊名：中国校外教育;主管主办单位：中华全国妇女联合会主管、中国儿童中心主办;刊号：国内刊号：CN11-3173/G4、国际刊号：ISSN 1004-8502、国内邮发代号：80-351、国际邮发代号：M4078;职称论文发表期刊等级：国家级旬刊。评职称期刊③、期刊名：考试周刊;主管主办单位：吉林省期刊协会主管、长春出版社主办;刊号：国际刊号：ISSN 1673-8918、国内刊号：CN22-1381/G4、邮发代号：12-53;职称论文发表期刊等级：省级旬刊。④、期刊名：现代职业教育;主管主办单位：山西省教育厅主管、山西教育教辅传媒集团主办;刊号：国际刊号：ISSN2096-0603 国内刊号：CN14-1381/G4 邮发代号：22-382;职称论文发表期刊等级：省级、G4高校职教专刊、这个期刊不收中小学稿件 旬刊。⑤、期刊名：课外语文;主管主办单位：辽宁出版集团主管，辽宁人民出版社主办;刊号：国内刊号：CN21-1479/G、国际刊号：ISSN1672-0490;职称论文发表期刊等级：省级半月刊。2.只有知网、维普、万方均可查的评职称期刊有：①、期刊名：建筑技术开发;主管主办单位：北京建工集团主管、主办;刊号：国内刊号：CN11-2178/TU、国际刊号：ISSN1001-523X、邮发代号：82-230;职称论文发表期刊等级：国家级半月刊。②、期刊名：云南化工;主管主办单位：云南省化工研究院、云天化集团有限责任公司、云南煤化工集团有限公司、云南省化学化工学会联合主办;刊号：国内刊号：CN 53-1087/TQ、国际刊号：ISSN 1004-275X、邮发代号：64-96：M4078;职称论文发表期刊等级：省级月刊。职称论文发表期刊③、期刊名：当代化工研究;主管主办单位：中国企业改革与发展研究会主管主办;刊号：国内刊号：CN23-1579/G8、国际刊号：ISSN1002-6177、邮发代号：80-329;职称论文发表期刊等级：国家级月刊。④、期刊名：江西建材;主管主办单位：江西省建材集团公司主管、江西省建筑材料工业科学研究设计院主办;刊号：国内刊号：CN36-1104/TU、国际刊号：ISSN1006-2890;职称论文发表期刊等级：省级半月刊。⑤、期刊名：工程经济;主管主办单位：中国建设银行主管、中国建设工程造价管理协会建行委员会主办;刊号：国内刊号：CN11-3104/F、国际刊号：ISSN1672-2442、邮发代号：2-905;职称论文发表期刊等级：国家级月刊。说完了中级职称需要几篇论文以后，咱们该说说职称论文发表期刊都有哪些了，一般目前国内要求的都是发表的论文必须往上可以查到，熊职称就给大家分分类：1.省级职称论文发表期刊有：①、期刊名：知识经济;主管主办单位：重庆市科协主管主办;刊号：国内刊号：CN 50-1058/F、国际刊号：ISSN 1007-3825;评职称期刊等级：省级半月刊。②、期刊名：现代工业经济和信息化;主管主办单位：山西省经济和信息化委员会主管，山西省经贸决策咨询中心、山西经济和信息化出版传媒中心主办;刊号：国内刊号：CN 14-1362/N 国际刊号：ISSN2095-0748;评职称期刊等级：省级半月刊。职称论文发表期刊分类③、期刊名：新商务周刊;主管主办单位：海峡出版发行集团有限责任公司主管;海峡书局出版社有限公司主办：国际刊号：国内刊号：CN35-1316/F、国际刊号：ISSN2095-4395、邮发代号：34-84;评职称期刊等级：省级半月刊。2.国家级职称论文发表期刊有：①、期刊名：财经界;主管主办单位：北京建工集团主管、主办;刊号：国内刊号：CN11-2178/TU、国际刊号：ISSN1001-523X、邮发代号：82-230;评职称期刊等级：国家级半月刊。②、期刊名：中国集体经济;主管主办单位：中华全国手工业合作总社和中国工业合作经济学会主办;刊号：国内刊号:CN11-3946/F、国际刊号：ISSN1008-1283;评职称期刊等级：国家级旬刊。③、期刊名：工程技术;主管主办单位：科技部西南信息中心主管、重庆维普资讯有限公司主办;刊号：国内刊号：CN50-9210/TB、国际刊号：ISSN1671-5586;评职称期刊等级：国家级电子刊月刊。④、期刊名：建筑学研究前沿;主管主办单位：中华人民共和国教育部主管、中华人民共和国建设部协办、高等教育出版社、东南大学主办;刊号：国际刊号：ISSN 0529-1079、国内刊号：CN 10-1024/TU、邮发代号：79-266;评职称期刊等级：国家级半月刊。
发表论文的期刊有省级期刊、国家级期刊、核心期刊！
有省级期刊，国家级期刊，核心期刊。省级期刊是由各省、自治区、直辖市的各部门、委办、厅、局、所，省级社会团体和机构以及各高等院校主办，在新闻出版部门有登记备案，国内外公开发行的学术期刊。私：六零16四八26四国家级期刊，即由党中央、国务院及所属各部门，或中国科学院、中国社会科学院、各民主党派和全国性人民团体主办的期刊及国家一级专业学会主办的会刊。
如下：
《黑河学院学报》、《北京印刷学院学报》、《德州学院学报》、《绥化学院学报》、《周口师范学院学报》、《新余学院学报》、《信阳师范学院学报》、《长春工程学院学报》、《哈尔滨学院学报》、《大庆师范学院学报》、《长春大学学报》、《湖北经济学院学报》。
注意
学报的级别与学校的级别有关，大学本科的学报一般是本科学报，专科学校则是专科学报，被评为核心期刊的学报是核心学报。本科院校的学报一般达到省级标准，具体的情况取决于学校的实力。
例如武汉大学学报是核心期刊，湖北师范学院学报文科部分是核心期刊，理工部分是普通期刊，即国家期刊。
1、《当代医学》:国家级综合性普刊、知网收录、国内刊号：11-4449/R、主办单位：中国医师协会、刊期：2023年年底、旬刊。
2、《中国继续医学教育》：国家级综合性普刊、知网收录、国内刊号：1674-9308，主办单位：中国水利电力医学科学技术学会、刊期：2023年年初、旬刊。
3、《中国医学创新》：国家级综合性普刊、知网收录、国内刊号：11-5784/R、主办单位：中国保健协会、刊期：2022年年底、旬刊。
4、《中国现代医生》：国家级综合性普刊、知网收录、国内刊号:CN11-5603/R，主办单位：中国医学科学院、刊期：2022年中旬、旬刊。
5、《临床合理用药杂志》：省级综合性医药卫生类普刊、知网收录、国内刊号：13-1389/R、主办单位：河北省科学技术协会、刊期：2022年年底、旬刊。
6、《广州医药》：省级综合性普刊、知网收录、国内刊号：44-1199/R、主办单位：广州市
1、核心刊现在发表论文都很难，僧多粥少;2、核心刊审稿严格，对论文质量和作者单位级别，个人职称学历，以及基金等要求；3、发表周期很长，北大核心和南大核心现在大都是1年或者是一年半以后的刊期了，所以如果必须要发核心刊请尽快做准备。4、如果对自己文章不自信的话可以找论文一点通，录用率比较高，省时省力。
一般OA的是比较好发的，汉斯出版社有普刊也有核心的，就我知道而言，版面费不怎么高，学生还可6折优惠，见刊什么的还快~
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。
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）。
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。