发布时间：
向党的100周年献礼（90） 【9】夕阳岁月，笔耕的记忆（10）- 4 【每日一题】- 51 ~ - 60 (可疑值、显著性检验、比对试验、人员比对试验、方法比对试验、设备比对试验、留样再测、平行试验、空白试验、 回收试验) 【每日一题】-51《可疑值》 1.概念 ：1）平行测定问题：在一组平行试验所得的结果数据中，常常会有个别数据与其他数据值相差很大，具有显著差异，影响全组数据平均值准确度的“离群数据”，由此提出可疑值的问题。2）可疑值：如果一组检测数据中出现显著差异的数据，在其数值排列中为特大或特小值而值得怀疑的数值，称为可疑值。 2.可疑值的处理： 1）如果知道特大值或特小值属于操作过失造成的，则应将此值立即舍弃；2）当受查分析结果时，查找出可疑值产生原因，也应将其立即舍弃；3）如找不岀原因，则应按可疑值判定的方法，进行处理。 3.“Q--检验法“ （Dixon检验法）1）置信度95%下：可疑值的Q值表：与测定次数n相关。n=3：Q=；n=4：Q=；n=5：Q=；n=6：Q=；n=7：Q=；2）判定步骤（例n=7时）①将数据由小到大排序（X1、X2、X3…X7），假设特大值n=7数据X7为可疑值；②计算Q。统计量：1）邻疑差◇X ； ◇X=X7-X6 ；2）极差R=X7-X1 ； 3）计算Q。=◇X/R ；4）判断：若Q。
SPSS软件是“统计产品与服务解决方案”软件，是数据统计分析的一个重要的工具。下文是我为大家整理的关于spss统计分析论文的 范文 ，欢迎大家阅读参考!
统计分析软件SPSS的特点和应用分析
【摘要】通过文献资料法，介绍了统计分析软件SPSS的特点，并通过实例：用非参数检验中的两个独立样本的检验(Test for Two Independent Sample)进行分析，对该软件的应用做了详细的介绍，旨在为学习SPSS软件的人们提供参考。
【关键词】统计分析软件;SPSS;独立样本;非参数检验
一、前言
统计分析软件SPSS是一款统计产品与服务解决方案的软件，其全称为“统计产品与服务解决方案(Statistical Product and Service Solutions)”。该软件是一款在统计中应用很广的统计分析软件，目前在各专业 毕业 论文经常可以看到它的身影，其应用范围广、方便快捷等特点吸引着众多的 爱好 者。本文通过对统计分析软件SPSS的功特点进行介绍，通过举例用非参数检验中的两个独立样本的检验(Test for Two Independent Sample)进行分析，对该软件的操作用做了详细的介绍，为学习SPSS软件的人们提供参考。
二、SPSS软件的特点
(一)操作简便
SPSS软件的界面非常友好，除了数据录入及部分命令程序等少数输入工作需要键盘键入外，大多数操作可通过鼠标拖曳、点击“菜单”、“按钮”和“对话框”来完成。
(二)编程方便
具有第四代语言的特点，告诉系统要做什么，无需告诉怎样做。只要了解统计分析的原理，无需通晓统计 方法 的各种算法，即可得到需要的统计分析结果。对于常见的统计方法，SPSS的命令语句、子命令及选择项的选择绝大部分由“对话框”的操作完成。因此，用户无需花大量时间记忆大量的命令、过程、选择项。
(三)功能强大
具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。自带11种类型136个函数。SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析、非线性回归、Logistic回归等。
(四)全面的数据接口
能够读取及输出多种格式的文件。比如由dBASE、FoxBASE、FoxPRO产生的*.dbf文件，文本编辑器软件生成的ASCⅡ数据文件， Excel 的*.xls文件等均可转换成可供分析的SPSS数据文件。能够把SPSS的图形转换为7种图形文件。结果可保存为*.txt，word，PPT及html格式的文件。
(五)灵活的功能模块组合
SPSS for Windows软件分为若干功能模块。用户可以根据自己的分析需要和计算机的实际配置情况灵活选择。
(六)针对性强
SPSS针对初学者、熟练者及精通者都比较适用。并且现在很多群体只需要掌握简单的操作分析，大多青睐于SPSS，像薛薇的《基于SPSS的数据分析》一书也较适用于初学者。而那些熟练或精通者也较喜欢SPSS，因为他们可以通过编程来实现更强大的功能。
三、实例分析――两个独立样本的检验(Test for Two Independent Sample)
例题：为了调查甲、乙两地土壤对 种植 同一种西瓜有没有影响，从这两个产地分别随机抽取同种的8只和7只西瓜，称重后得重量(市斤)如下：
甲(斤)：、、、、、、、
乙(斤)：、、、、、、
问：根据样本数据检验两地的土壤对种植西瓜在重量上是否有显著差异?
解：建立假设 H0：甲乙两地的西瓜重量没有显著差异;
H1：甲乙两地的西瓜重量有没有显著差异。
然后根据上面给出的数据建立数据文件，注意数据文件中有一个表示重量数据的变量和一个表示地区分组的变量。最后在数据编辑窗口进行检验。检验的具 体操 作过程如下：
第一步：单击Analyze Nonparametric Test 2 Independent Sample，打开Two-Independent-Sample对话框(见图1)。
第二步：选择检验的变量进入检验框中，选择分组变量进入Grouping Variable框中，单击Define Group键，打开Define Group对话框，将分组变量值分别键入两个框中，单击Continue返回主对话框(见图2)：
第三步：在Test Type栏中，确定检验方法。
SPSS中提供了四种检验方式，几种检验方法侧重点不同，但都是先把两样本数据混合排序，再从不同的角度分析并检验两个独立总体的分布是否有显著的差异。有时这几种检验结果可能不一样，所以要结合数据的探索分析考察数据的分布状况作出结论。本文选择了常用的Mann-Whitney U曼―惠特尼检验和Kolmogorov-Smirnov Z K-S检验。
第四步：选择输出的结果形式及缺失值处理方式;
第五步：单击OK，得输出结果。
所以，以上两种检验结论是一致的。也就是说在两地种植的同一种西瓜地重量没有显著差异。
参考文献
[1]杜志渊.常用统计分析方法―SPSS应用[M].山东人民出版社,2011.
[2]刘宁元.运用SPSS对高职专业课程成绩进行相关分析[J].电脑与电信,2007(3).
[3]井海立.SPSS在数学试卷统计分析中的应用[J].科技信息(学术版),2006(10).
试谈SPSS软件在考试数据统计分析中的应用
摘要： SPSS软件是数据统计分析的一个重要的工具。本文作者利用SPSS软件对考试数据的相关性、检验假设进行了统计分析，介绍了使用SPSS进行统计分析的一般方法和步骤，文中的方法对考试研究人员具有一定的指导意义。
关键词： SPSS软件 考试数据 统计分析 操作步骤
1. 引言
一份好的试卷须有好的测量指标来表明它的优良程度，试题有难度和区分度指标，试卷有效度和信度指标，这些是评价考试最主要的测量指标，但是仅有这些指标不足以反映一份试卷的实际测量效果，考试研究人员希望从考生的试卷统计分析中获取更多的信息来评价一份试卷。在计算机未普及的年代，考试成绩统计主要依靠人工阅卷，考试数据无法电子化存储，对考试数据分析统计难以实现。随着计算机的普及和信息化的推广，各种分析数据的软件应运而生，这些软件中汇集了统计学和测量学的分析工具，使得应用电子信息技术分析统计考试成绩数据成为可能，这些统计信息可以为教研部门、考试行政部门进行行政决策等提供非常重要的帮助。在众多的统计分析软件当中，SPSS是应用最多、影响最广泛的分析工具之一。在本文中，我们以SPSS软件为工具，对 教育 招生考试成绩的数据进行统计分析，分析主要着重于考试数据的相关性、假设检验等几个方面。
2. SPSS分析软件简介
“SPSS统计分析软件”的英文名称为“Statistical Package for the Social Science”，中文名称为“社会科学统计软件包”，它是世界著名的统计分析软件之一，在自然科学、社会科学的各个领域均有非常广泛的应用。SPSS是一个组合式软件包，它集数据整理、分析于一身，主要功能包括数据管理、统计分析、图表分析、输出管理等，该软件的统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类。
下面我们利用SPSS软件对考试数据的相关性、检验假设进行统计分析，介绍使用SPSS进行统计分析的一般方法和步骤。
3. 相关性分析
教育考试中，考试结果的信度，试题的区分度，每个题目得分与试卷总分的关系，以及题目之间的关系，等等，都是考试研究的重要内容，最主要的研究方法就是数据的相关性分析。在众多的教育考试数据的相关性分析方法中，Pearson相关系数法、Spearman相关系数法和Cronbach α信度系数法是比较常用的几种方法。
Pearson相关系数法计算公式：
式中x为第i个考生第j题的得分，y为第i个考生第k题的得分，为第j题的平均分，为第k题的平均分，n为测试样本量。该公式既可以计算两个连续变量之间的相关性，又可以计算一个双歧变量与一个连续变量之间的相关性。
Spearman相关系数法计算公式：
r=1-(2)
式中D为两个变量的秩序之差，n为样本容量。
Cronbach a信度系数法计算公式：
α= 1-(3)
式中n为试题数，s为第i题的标准差，s为总分的标准差。该公式实际上就是将考试中所有试题间相关系数的平均值(又称内部一致性)作为α信度系数。
对于给定的一组考生成绩数据，利用SPSS统计分析软件可以非常容易地定量分析考生某学科试卷总分和该学科某道题的相关性，以及各个题目之间的相关性。我们以Pearson相关系数分析为例，利用SPSS软件进行统计分析。
数据统计分析的对象是某省高考数学6道解答题的得分情况(不是整张试卷)，数据源于该省的高考数据成绩。研究的目的是测量6道解答题每两个题目之间的相关性。
我们以SPSS 版本的软件为例，介绍利用SPSS进行数据统计分析的步骤(以Pearson相关系数法为例)：
(1)将考试数据导入SPSS软件，在SPSS数据窗口中，顺序点击【Analyze】→【Correlate】→【Bivariate...】，系统弹出变量相关系数设置对话框。
(2)在该对话框中，将待计算的变量从左侧的变量列表中导入到右侧的“Variables”变量列表中，在本例中导入t1、t2、t3、t4、t5、t6共6个变量(t1―t6是6道解答题的变量名称)。在“Correlation Coefficients”相关系数选项中，选取“Pearson”复选框。
(3)在该对话框的“Test of Significance”设置区域，可以点选“Two-tailed”选项或者“One-tailed”，我们采用系统默认值。
(4)对话框中的 其它 选项取软件系统的默认值，点击【OK】，开始相关系数计算，系统弹出新的窗体输出运算的结果。本次输出的情况如下：
上表的统计结果可用于题目之间相关性的分析。表中的大部分题目的相关系数都比较适中，但题目T4和题目T5之间的相关程度远高于其它几个题目，我们可以确信这两者之间一定存在着比其他题目之间更紧密的关系，这是我们通过分析获取的重要信息，该信息表明这两个题目之间的相关性高于其他几个题目之间的相关性，这在大规模考试中是不应该出现的，需要在以后的命题考试中加以改进。
Spearman相关系数分析方法和上述分析方法类似，只需要在上述SPSS操作的第二个骤中选取“Pearson”复选框，程序就会按Pearson相关系数法进行统计分析，如果同时选中“Spearman”和“Pearson”复选框，程序将会同时计算按两种分析方法统计分析的数据，并会以不同的图表进行显示，而Cronbach a信度系数法计算方法与上述方法略有不同，其操作步骤如下：
(1)在SPSS数据窗口中，顺序点击【Analyze】→【Scale】→【Reliability Analysis...】，系统弹出“Reliability Analysis”信度分析设置对话框。
(2)将待计算的变量从左列的变量列表中导入到右侧的“items”变量中，在左下列的“model”选择项的下拉列表中确保选中“Alpha”(信度系数)，点击“Statistics”选择项可以进行更为详细的参数设置，我们采用系统的默认值即可。
(3)参数设置完毕之后，点击【OK】，软件开始相关系数计算并输出运算结果。
4. 选择题的选项分析
在目前的教育招生考试中选择题是一种较常见的题型，考试研究人员关注较多的是对选择题基本特征、测量功能及其优缺点的理论探讨[1][2]，对选择题干扰项的设计及其施测后的实际效果关注甚少，事实上施测后对题目各选项的有效性作出判断可为评价试题质量提供重要参考依据。我们利用统计中χ检验假设，对试卷中常见的选择题选择项进行统计分析。
教育考试的单项选择项一般设置为4个，其中仅有1个选择项是正确的。命题人员在设计选择项时，应当也必然对每道题目所有的选择项(正确选择项和干扰选择项)的考生作答情况作出预测，对考生作答的分布情况作出预估。考试结束后，研究人员应该对实测的情况与命题教师预测的情况进行对比分析，以检验考试效果是否达到了预测的目标。这和χ拟合度检验的思想具有一致性，因此可以尝试使用χ检验假设进行分析。
我们依据文献[3][4]的方法来介绍χ检验假设在考试数据分析中应用的基本原理，设变量E是命题者对某道试题的期望值，E=nP，n为样本容量，P为期望的相对频率，引入以下统计量：∑(O-E)/E，其中O为观察频数。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文
我们需要进行的假设检验是：零假设H：选项的实测分布与期望分布相同;非零假设H：选项的实测分布与期望分布不同。
检验假设的思想：拟合度检验的统计量在确定的某种显著性水平下如果零假设是真，则检验统计量∑(O-E)/E呈近似χ分布，其自由度为研究变量的可能值减1;如果实测分布与期望的分布相当吻合，就不排除零假设，否则就排除零假设;最后对检验假设的结果进行解释。
数据分析的目的是判断考生实际的应答结果(实测数据)与命题期望的选择概率(期望数据)是否一致。我们随机抽取某省5542个高考考生的数学有效数据构成分析样本，利用SPSS进行统计分析。
SPSS数据统计分析的步骤如下：
(1)将考试数据导入SPSS软件，依次点击【Analyze】→【Nonparametric Tests】→【Chi-Square...】，弹出“Chi-Square Tests”对话框。
(2)将变量列表中待分析的题目序号导入到“Test Variables List”(检验变量列表)中，本例中题目的序号为t7。
(3)将对选择试题的每个选项的期望值依次输入到“Expected Values”所属的方框，具体操作方法是选中单选框“Values”，输入具体的期望数值，点击“Add”按钮，依次重复上述的步骤直至所有的选项的期望值输入完毕。
(4)点击【OK】，输出软件运算结果。
我们需要进行的假设检验，H：选项的实测分布与期望分布相同;H：选项的实测分布与期望分布不同。
假设检验的显著性水平为α=，χ=∑(O-E)/E，自由度为df=4-1=3，查χ分布表或利用相关软件可得P=，由于P>α，因此不能拒绝零假设，即选项的实测分布与期望分布相同。因此，检验结果在显著性水平时，没有足够的证据拒绝零假设，即可认为本题选项的实测分布与期望分布相同，也就是说本题的实际测试效果与命题教师预测的效果是一致的，命题教师准确地估计了考生的实际水平，这是分析获得的很重要的结论。
5. 结语
SPSS软件在考试数据统计分析中应用广泛，但大部分是集中在试题难度、均值、方差统计、考试数据的图表显示等几个方面，本文从一个新的角度利用SPSS软件对考试数据的相关性、检验假设等几个方面进行了尝试性统计分析，介绍了使用SPSS进行统计分析的一般方法和步骤。从上述分析来看，软件操作步骤和统计分析过程十分简单、快捷，对于测量学和统计学基础不太好的数据分析统计人员来说，只要遵循一定的操作步骤，就可以进行分析。
参考文献：
[1]王孝玲.教育测量(修订版)[M].上海：华东师范大学出版社，2006.
[2]雷新勇.大规模教育考试：命题与评价[M].上海：华东师范大学出版社，2006.
[3]李伟明，冯伯麟，余仁胜.考试的统计分析方法[M].北京：高等教育出版社，1990.
[4]雷新勇.考试数据的统计分析和解释[M].上海：华东师范大学出版社，2007.
猜你喜欢：
1. 统计学数据分析论文
2. spss统计分析实习心得
3. 统计学学年论文
4. 统计学分析论文
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。
大家都有写作文的经历，对作文很是熟悉吧，特别是在作文中有重要意义的议论文，议论文的基本结构是由论点、论据、论证三部分组成的，即议论文的“三要素”。那么优秀的议论文是什么样的呢？下面是我收集整理的中学生应不应该读名著议论文800字，仅供参考，欢迎大家阅读。
哈马绍曾说：决不测量山的高度——除非你已到达顶峰，那时你就知道山有多低。我也说：决不放弃对知识的渴求——除非你已走到生命的尽头，那时你就会知道智慧的路有多长。
人生有过不完的河，读不尽的书。在这个漫长的过程里，我们的生命底色最初是一片洁白，后来经过不同的濡染才变得五彩斑斓。
说到色彩，当然是书最丰富，而书里尤推名著。那里有情深义长的红，那里有风吹梨花的白，那里有青春浪漫的黄，那里有充满沧桑的灰。名著如此丰富多彩，那么作为中学生的我们要不要读呢?
当然要读。因为名著是人类优秀思想文化的结晶，是人类聪明才智的体现，是先辈留给我们的最宝贵的财富，。从中我们可以汲取更多的知识，可以开拓广阔的视野。从名著中，我们能够感受到古人对生命的评价及感受。
《繁星春水》使人文雅，《三国演义》让人明智，《上下五千年》促人振奋。名著集诗史事于一身，称得上书中皇后。
人说：读一本好书就如同和一位高尚的人谈话。由此可以推知，如果你放弃了阅读名著，那你就失掉了许多高尚的朋友。
随着社会的发展，越来越多的人开始注重阅读名著。从名著中他们陶养了精神，熏染了情操。从《水浒传》到《红楼梦》，从《西游记》到《三国演义》，从《白色沉淀》到《雾都孤儿》，无不透露着社会发展的气息，无不气彰显着人类追求的脚步。
名著是一种精神催化剂，在化学变化的始终，都毫发无伤。作为一种精神，它被一代又一代人的秉承着，传递着，无论社会如何变迁，它的价值都在不同的时代闪耀着夺目的光芒。
路漫漫其悠远兮，吾将上下而求索。知识没有终点，智慧也没有尽头，而人却只有短暂的一生。为了让这短暂的一生绽放出灼人的光彩，请于现时执着于对精神的渴求，相信名著会给你丰厚的滋养。
尽管暑期中书城、图书馆的人数又猛增，青年学生成了阅读的中坚力量，但调查显示学生的阅读仍然是一个暧昧的问题。其中经典名著在青年人中公信力的缺乏已经是一个不容忽视的现象，日前，我们就学生们为什么不读名著的问题，在书城和图书馆随机采访了一些青年学生和家长。以下就是各种“不读名著的理由”：
名著属于“闲书”。在主要出售教辅读物的书城四楼，许多家长和孩子一道在挑选各类辅导材料。一位初二男生的母亲显得忧心忡忡，称小孩其实很喜欢读文学书，语文也学得不错，但总成绩不太理想。明年就要升学考了，此时无论如何不敢掉以轻心，她“绝对不让孩子在这时候碰闲书，名著也不例外”。一位高二女生专注地翻阅那些“一课一练”之类东西，她的母亲不无得意地说，“小孩大了，我不强求她读名著，也不反对她读，但小孩是自觉的，她知道现在该做什么。”太长，太厚，令人望而生畏。
长篇的语言和结构因素成了人们亲近名著的一个障碍。许多人表示，有时也翻翻名著，只觉眼花缭乱，没看出什么又放下了，此后也没兴趣再去碰它。即使要看，一般也只看些短篇，而文学名著的“影视版”相应更受追捧。一些学生说，现在大部分名著已拍成电视剧或电影，看过后就知道是怎么回事，也没有耐心再去看原着。在言语间，他们对名著不敢亵慢，只是“敬鬼神而远之”。在书城选购名著的多为初高中毕业生，他们说，过去的暑假都陷在各种各样的班里，根本没时间读名著。某市重点中学高一的学生在回想了自己读名著的经历后苦笑着说：“我看过《牛虻》、《钢铁是怎样炼成的》等名著，好像都是在病床上读的？生病在家，不用上学，就从爸爸的书橱里找出来读。现在就不行了，《基度山伯爵》断断续续看了一学期都还没看完。”名著与生活没关系。在采访中，令人意外的是学生们对《花季雨季》、《第一次亲密接触》、《三重门》等作品表示出的热情与兴奋。他们认为上述这些作品“有意思”，“贴近生活”。有一个女生的看法可能有一定代表性。她自称读过一些名著如《苔丝》、《简爱》、《安娜?卡列尼娜》等，也喜欢冰心、张爱玲，对名著并不排斥，不过她更喜欢看时尚杂志、成功人士(如比尔?盖茨)传记，以及理财类书籍。她对《富爸爸，穷爸爸》很欣赏，说这类书给人启发大，对人生的影响更直接。
一位家长说，他希望孩子能读一些名著，但也只是读一些就够了，用不着读太多，因为孩子将来不一定搞文学，或去读中文系什么的。持这种态度的家长比较普遍。在上海书城见一女生埋头专注地抄写《西游记》中的段落，问她既然这么喜欢为何不索性买下来，她说是老师布置的“摘抄”作业，其实一点看不进去，边说边匆匆起身，合上书走了。在上海图书馆，一女生检索了大量名著篇目，问她平时经常看吗，答：为了完成任务。再问：对读名著有何想法?答：没什么想法。笔者在普陀区图书馆了解到，来这里借名著的同学十之八九是为了完成暑期“作业”才硬着头皮走近名著的。
一个显而易见的事实是：当下的中小学生名著读得越来越少。在课堂之外，他们经常拿起的是漫画、时尚读物;在家里，他们点击网络小说，拿起游戏手柄。
一个高二的学生告诉我们：很多名著都太古板了，网络小说和漫画轻松有趣，比名著好读多了。名著读起来费劲，还有很多地方读不懂。读过《巴黎圣母院》，里面有一章，全是在议论建筑，看得自己兴致全无。老师曾号召全班同学读罗曼·罗兰的《约翰·克里斯朵夫》，但自己实在没有耐心读完，书太厚了，而且哲理议论太多太枯燥了。还读过其他一些西方小说，心理描写都太多了，嗦嗦的。
另一个高二学生有空的时候基本上都是在玩网游。“西方名著?就读过《圣经》吧，还没读完。”他表示，以前看过电影《耶稣传》，然后经过别人介绍，就读了一会儿《圣经》，开头的创世纪和出埃及记的故事很好看，后面就越来越没意思了。
高三学生听我们说起名著就抱怨：哪还有时间读这些杂书，就快高考了，平时作业就多，周末还有家教，烦。
初三学生的回答则直截了当：外国小说，不喜欢读就是不喜欢读。里面的人名太长了，记不住。
在北京的很多书店里，漫画书栏处都聚集着很多学生，或站着，或坐在地上，聚精会神地捧着书阅读。而中外名著栏处，行人稀少。
经典名著在中小学生的生活中扮演着越来越次要的角色。一部著作能流传下来，必具有其特殊的价值。名著之中的审美意义、价值判断均可对中学生的成长产生重要作用，而在当下，名著的这一引导作用以及其他教育功能，在渐渐被削弱。动漫、游戏、网络小说以及各类时尚读物充斥着中学生的视野，它们所带来的，是更为直接的感官愉悦。
“中学生要不要读名著？”似乎这个问题曾经被几代人传送着已经是一个很老的话题了。在我看来，中学生读名著是必要的。
读书，读名著都要有读的效果。而没有效果的读书则不能称之为读。这里所说的效果，是一种思想意识的熏陶，是一种语言的感染，是一种境界的提高。如果读名著达不到这样的效果，这样的名著就大可不必读了。中学生读名著，哪些是该读的呢？这个评判标准就是要从效果出发。有一些中学生读名著，读完以后，仅仅能够记住的是故事的梗概，作为茶余饭后的谈资，而对文章的内涵中更深一层的东西没有深入的了解。这样读名著的人就不必读了，他们可以选取一些肤浅的文章去读就够了。
中学生读名著，所读的名著应是近100年内的名著，因为这类名著离现在并不是很久远，这当中所反映的社会背景都是被大家所熟悉，它当中孕育的思想和理念是易被人理解和挖掘出来的。这样的名著是适合中学生阅读的。因为读这样的名著可以有更多的收获，更大的效果。对于一些发生在比较久远年代中故事，对于这类的名著，中学生可以少读，甚至可以不读。因为这样的故事发生的大背景是我们不熟悉的，是陌生的。
对于这其中蕴藏的`意识以及其所内在地要表达的对象，我们很难挖掘、发现它。曾经有人这样形容名著，就像冰山一样，它之所以宏伟，是因为它只有八分之一露出水面。“如果我们无法发现、挖掘水下的八分之七，我们大可以不读这样的名著了”。
读名著要因人制宜。对于中学生应该读那些易被接受的、自己的思想境界在读后有所提高的名著。而对于那些自己不易接受，除了故事本身，很难有新的发现的名著，暂可以先放放，等自己的理解力、思想意识提高之后，再去读，再去理解。
中学生的时间是相当宝贵的，我们把大量的时间花在我们不易理解、读后很难有本质上提高的名著上不值得。所以，我们不应该去读这样的名著。由此可见，中学生生吞活剥地读名著，或是不读名著都是不正确的。中学生应该有选择地读名著，读适合自己的名著。
“名著”是很容易让大多数中学生敬而远之的两个字，特别是在选择日益增多的今天，反映中学生校园生活与情感的小说随笔与成功的同龄人自传更受中学生欢迎。它们有时代气息，符合中学生心理需求，自然比那些距离遥远、长篇巨制的名著更有吸引力，但这正如大众与精英的关系，谁也不能取代谁，而后者更值得关注。
名著的思想深度与文学地位毋须多说，这既让一些人选择了它，又让许多人对它退避三舍。其实名著中有许多东西能被中学生接受而且能使他们获益匪浅。名著更深地挖掘了人性，加入了人类其他崇高的情感。它把人从狭隘的个人情感中拉出来，融入整个时代，这正是当代中学生所需要的。中学生情感十分丰富，对亲情、友情，特别是爱情都有了自己独特的看法，而且这最初的人生观发展并不稳定。现在的市场上出现了所谓的“突围文学”，它们大多文字晦涩，描写了少男少女们好奇的成人生活。它们真实地记录了作者的个人情感，但因所处的这个多变的时代而包含了许多消极颓废的因素，这种作品很容易有负面的影响。而这时，名著就能为他们在情感上有一个引导，名著中有许多勇敢追求爱情的人物，虽然大多数是悲剧，但在这种“把有价值的东西毁灭给人看”的作品中更能震撼中学生读者，让他们读懂珍惜情感，明白这种珍贵的情感需要小心呵护。这是普通情感小说无法相比的。
完整充实的情节与细节能激发读者丰富的想象。有些所谓文学作品，它们都是由空洞的内容构架而成，推动情节高潮的往往是一些怪诞的事件，第一遍虽让人读得津津有味，但缺乏值得回味的东西，文学性与思想性都大打折扣，远不能吸引人。名著的内容有的冗长严肃，有的轻松活泼，大多有着曲折的情节。如大仲马、马克·吐温、狄更斯的小说，故事性都很强；莫泊桑、茨威格、欧·亨利的短篇小说，点睛之处让人拍案叫绝，合上书还会久久沉浸在作品中不能自拔。名著，就是让人反复读都放不下的那种书。
中学生在阅读上理应对自己有更高的要求，扩大知识面也是读名著的目的之一。一个时代的文学特色，风俗习惯也能在名著中体现得淋漓尽致。如《笑面人》中有些显得过长的描述，不失为了解那个时代的珍贵材料，《斯巴达克思》则在一个史诗般的故事中构筑了整个古罗马从宗教到战争的大画面，令人叹为观止。
我认为，中学生正处在人生的花季，需要新鲜自由的空气，更需要脚下坚实的土壤。一本合适的名著应该成为他天空中众多明星中的一个，指引他前进。
我们的童年生活是丰富而又多彩；我们的童年生活是幸福而又充满自由；我们的童年生活是有父母的呵护、老师的关怀、同学的友爱而组成的，因此我们的童年生活是令人难忘的。可不是每个人的童年生活都像我们一样绚丽多彩的。前苏联著名作家高尔基就没有我们这么幸运。他三岁丧父和母亲过着寄人篱下的生活，在别人的冷嘲热讽下他没有放弃，没有抱怨，更没有悲伤，而是怀着一颗积极进取的心在奋勇前进。不堪入口的食物，他也高高兴兴的吃下去；穿着破烂的衣服，他仍然高高兴兴地去上学。他以优异的成绩读完了三年级，就永远地离开了学校课堂。十岁时高尔基的母亲也去世了，他变成了一个孤儿，可是他并没有自暴自弃，继续努力着，奋斗着；他也没有逃避这种生活；而是来到“人间”去自谋生计。好像命运特别喜欢捉弄他，在生活的路上他遇到了许多坎坷、挫折和无奈，而他却能在那种环境中，利用自己的努力一步步地走向成功。原来想上大学的他没有如愿，却在“社会大学”里学到了许多著名大学所学不到的知识。开拓了视野，提高了觉悟，终于成长为一个革命知识分子。在生活中，多数的人面对歧路会选择望而止步，高尔基却告诉我们，你只有勇往直前才会得到成功的喜悦。是啊，司马迁就是凭着在逆境中搏一搏的精神才写下了《史记》而被誉为“史家之绝唱，无韵之离骚!”从小遭人嘲讽、斥责的爱因斯坦就是能在逆境中坚持，所以长大后才被誉为科学界的天才。人生不可能一帆风顺，既有平原又有险滩。在学习中也没有常胜将军，但是我们只要有足够的拼劲，在逆境中能坦然面对困难，成功之路近在咫尺！克西姆.高尔基的《童年》举世闻名。在一个很平凡的星期天下午，我翻开了它。情绪也随着书上一行行黑色的宋体字忽起忽落……主人公阿廖沙痛苦的童年生活打动着我：四岁丧父，跟随悲痛欲绝的母亲和慈祥的外祖母到专横的、濒临破产的小染坊主外祖父家，却经常挨暴戾的外祖父的毒打。但善良的外祖母处处护着他。在外祖父家，他认识了很多“安安静静”的亲戚，其中包括两个自私、贪得无厌的、为了分家不顾一切的米哈伊洛舅舅和雅科夫舅舅，还有两个都叫萨拉的表哥。朴实、深爱着阿廖沙的“小茨冈”（伊凡）每次都用胳膊挡外祖父打在阿廖沙身上的鞭子，尽管会被抽得红肿。但强壮的他，后来却在帮二舅雅科夫抬十字架时给活活的压死了……阿廖沙的童年是在一个典型的俄罗斯小市民的家庭里度过的：贪婪、残忍、愚昧；父子、兄弟、夫妻之间勾心斗角；为争夺财产常常为一些小事争吵、斗殴……但在这个黑暗的家庭里，有一个勤劳、坚强、善良的外祖母。她常常给阿廖沙讲好听的神话故事，也潜移默化地教他做一个不想丑恶现象屈膝的人。阿廖沙的童年是黑暗的，就像他的家庭一样。周围残酷的事情太多了，有时甚至连他自己都不敢相信竟会发生那样的事情。但好在有外祖母——全家人的精神支柱。阿廖沙也还认识很多其他的人：搬进新房子后的几个房客、隔壁的三少爷，等等。阿廖沙从家人的一些“奇怪”的举动中懵懂的明白了一些道理。和阿廖沙相比，我们的童年是灿烂的，是彩色的；是没有烦恼痛苦的，更是无忧无虑的。有那么多的孩子甚至不懂什么叫做“打”，因为我们从没有经历过被人打、被人拿鞭子抽的滋味。那也许是一种无法想象的痛苦吧。当然，除此之外，我们的生活中也很少有家人之间的勾心斗角，为争夺财产而打架斗殴之类贪婪、凶狠的事情。更不会发生残忍的把某个无辜的人无端地折磨致死这类想都没想过的“恐怖事件”。天哪，如此比较，我们的童年和阿廖沙的有着天壤之别。我们每天生活在蜜罐儿里，被甜水泡着，被金灿灿的钱堆着……我们是多么幸福呀！我们从来不用考虑衣食住行，这让大人么操心就足够了，还轮不到我们呢。但拥有着这些，我们并不知足。我们总是奢求更多。因为，在我们眼里，大人们挣钱是那样的容易，似乎都不费吹灰之力。我们多天真啊。的确，我们不用像阿廖沙那样只十一岁就到“人间”独自闯荡。但读过《童年》之后，我们应该悔过自己曾经的奢侈，我们应该不再浪费，我们应该学会珍惜。那么，就从现在开始吧。我们不再奢侈，不再浪费；我们开始为长辈着想，体谅他们；我们更应该开始满足自己的幸福生活。为了以后，为了将来，为了我们到“人间”的那一天。
写作思路：根据题目要求，以“阅读古典名著的重要性”写一篇议论文，书写阅读古典名著的好处和重要性，从不同角度的观点对阅读古典名著进行衬托，正文：
什么是名著阅读？顾名思义，就是阅读有名的书。但是，书又分很多种类。所以，我们要挑适合自己的书，那些对自己有帮助的书，其实也算得上是“名著”了。当然了，切切实实的名著还应该是文采斐然，文学价值高的书籍。
为什么要进行名著阅读？一说到名著阅读，很多同学就会叫苦。说：”这本书一点意思也没有，内容也不精彩，我一点也不喜欢，不看。”还有的人会说：“每天这么多的作业，等着我去完成，哪里还有什么时间去名著阅读呢？”
等等诸如此类的话，我已经是听多不见怪了。尽管名著阅读的确会花费一些我们的日常时间；有些名著也确实难以下“咽”。但是名著阅读背后带来的好处还是非常有诱惑力呢。
对于日渐严格的高考来说，毫不夸张地说，得语文者得高考。文言文阅读、现代文阅读，无疑是占了很大的分值，而考试的题材也是越来越多样化，难度也在不断加大，如果没有浓厚的课外积累，你拿什么和人家竞争呢？
其二，名著阅读既可以丰富我们的课余生活，放松我们的身心，培养自己对于课外阅读的兴趣，更是可以修身养性，何乐而不为呢？
可能对于一部分的同学来说，进行名著阅读只是为了完成老师交代的任务。于是他们就从老师给予的任务表里，挑着读。更有甚者，连书也不会去买或者说去借。我个人认为，名著不仅要看，还要慢慢的品味，细嚼慢咽才能体味到名著里的文学味，最好是反复多读几次。这样才能找到藏于文字中的精髓。
书中自有黄金屋，书中自有颜如玉。这句古话鲜明的体现了名著阅读的必要性。我曾在网上见过这样的一幅图。图中把书作为台阶，你的阅读量越多，你的台阶就越高，你对于这个世界的了解就越多。没看过书的只能看到世界的花花草草，有了一定阅读量的看到的是世间的人情冷暖，而积累的大量阅读量的则站在了云端上。
这并没有夸张，高尔基曾说过：书籍是人类进步的阶梯。难道不是如此吗？必要的名著阅读，可以开拓你的眼界，增加你的学识，更能从一定的程度上，改变你的气质。活到老而学到老。因此，名著阅读是十分必要的！
你可以试试下面的程序：\x0d\x0aI=imread(''); % 假设要处理的图像是\x0d\x0aheights=size(I,1); % 图像的高\x0d\x0awidths=size(I,2); % 图像的宽\x0d\x0am=8; % 假设纵向分成8幅图\x0d\x0an=10; % 假设横向分成10幅图\x0d\x0a% 考虑到rows和cols不一定能被m和n整除，所以对行数和列数均分后要取整\x0d\x0arows=round(linspace(0,heights,m+1)); % 各子图像的起始和终止行标\x0d\x0acols=round(linspace(0,widths,n+1)); % 各子图像的起始和终止列标\x0d\x0ablocks=cell(m,n); % 用一个单元数组容纳各个子图像\x0d\x0afor k1=1:m\x0d\x0a for k2=1:n\x0d\x0a blocks{k1,k2}=I(rows(k1)+1:rows(k1+1),cols(k2)+1:cols(k2+1),:);\x0d\x0a subimage=blocks{k1,k2};\x0d\x0a % 以下是对subimage进行边缘检测\x0d\x0a % 加入边缘检测的代码\x0d\x0a % 以上是对subimage进行边缘检测\x0d\x0a blocks{k1,k2}=subimage;\x0d\x0a end\x0d\x0aend\x0d\x0aprocessed=I; % processed为处理后的图像，用原图像对其初始化\x0d\x0a% 以下为拼接图像\x0d\x0afor k1=1:m\x0d\x0a for k2=1:n\x0d\x0a processed(rows(k1)+1:rows(k1+1),cols(k2)+1:cols(k2+1),:)=blocks{k1,k2};\x0d\x0a end\x0d\x0aend\x0d\x0afigure,imshow(processed)\x0d\x0a% 以上的程序已测试过，对灰度图像和真彩图像都可以运行。
请问你已经实现了吗？我现在也在做zernike亚像素边缘检测，能把代码发我一份吗？谢谢！邮箱
这是一段MATLAB代码，它用于检测摄像头捕获的图像中的人脸。
具体来说，它的作用是：
你好，代码发我一份吧，谢谢了
这个相关分析矩阵图 沿着斜对角是对称的，所以只需要看左下角或者 只需要看右上角的值就好了然后先看 行和列两个变量交叉的显著性值，因为你就只有两个变量，所以就一个交叉的显著性值 为，该值 大于，也就说明 两者没有显著的相关性。此时也不用再看相关性大小的值，因为没有显著相关，所以其pearson相关性的大小也就没有了意义。所以你这个的结果就是两个变量没有显著相关性
差异是指不同样本组的某个指标的差异，例如男生和女生的智力差异；相关分析是两个变量之间的关系，和样本分组无关，例如智力和学习成绩是否相关。（南心网SPSS心理学统计）
进行科研，少不了做实验。得到实验原始数据后，要进行分析处理，来判断所得结果是否具有统计学意义上的显著相关性，是否支持研究设想，然后对数据结果进行解释，最后得出结论。 无论是期刊论文还是学位论文，在引言或前言(Introduction)中提出本研究的目的(aim/purpose)，和研究假设(hypothesis)，完成一系列的实验后，在报告方法(Materials and Methods)一节中，要进行数据分析。 通过数据分析，发现得出的结论具有相关性，从而验证了你的研究设想，实现了你的研究目的。 但也有可能实验结果的相关性不显著，得出的结果和研究设想不一致，甚至相反。你的第一反应也许是不理会那些数据，甚至想到要剔除掉它们。这是错误的做法。 一个科研人员应具备科研素质，尊重科学，严谨治学。其实相关性不显著，就是你实验的科学结论，只不过不支持你的研究设想罢了。你的实验结果证明你的设想不成立，从而否定了这一假设，这本身就是一结论。 一般情况下，如得出实验结果相关性不显著时，作者还要分析一下其原因，如样本不够大、变量不易控制、人为因素等。 下面以一篇SCI文章为例，来看看如果处理“不完美”的数据。 ❶We met with mixed success in our objectives. ❷We had believed that our results would indicate that trust was best described as a concept with two distinct dimensions. ❸Instead, we found an overall trust dimension that best characterized the data. ❹At least two plausible reasons may explain this difference, each providing rich areas for further research. ❺In part, some of the inconsistency may exist because of cross cultural variations. ❻In addition, some dissimilarity in results may exist because of methodological differences. 第一句话直接指出了部分结果与设想不一样，第二句和第三句分别阐述了原来的设想和实际得到的实验结果。第四句写出有两个原因，第五、六句具体分析了两个原因。
相关性分析不通过可以不放，但毕业论文最好要放，对相关性分析不显著结果需要进行合理解释。一般期刊论文不放的，因为篇幅有限。但是作为一个规范，会做这个检验，只是不在论文里面贴出来。一般实证论文中，相关性分析主要用途在于检查回归模型中自变量是否具有严重的多重共线性。
每一个孩子都经历过被论文支配的痛苦，大多数学生写完了文之后要去相关网站进行查重，如果某一位学生写出来的作文不合格，这位学生会根据不合格的原因进行修改。还有一部分学生论文，写完之后发给辅导员及专业课，老师，查看之后没有问题，却在答辩上出现问题，这类学生可以申请第二次答辩，答辩老师不会为难你的。学生并不害怕答辩，他们害怕自己写的论文效果不显着，那么当我们遇到论文效果不显著时，该怎么办呢？
每一个学生都会得到学校的安排，每一个学生都有专业课老师进行论文辅导。我们学校每一个班级都有一个专业老师，他会帮助我们修改论文，解决论文中的问题。当我们出现任何论文问题时，这位老师会查阅相关资料，给予我们最正确的答复。如果你的论文结果不显著，可以请教专业老师帮忙指导。
绝大部分学生论文效果不显著的原因是资料匮乏，所提出的观点得不到验证。还有一部分学生论文效果不显著的原因是查重率太高，论文不通过。既然你没有查阅相关资料就开始写论文，那么论文的结果肯定不会尽如人意，所以如果碰到论文结果不显著的情况，可以继续查阅资料，丰富论文内容。
这里指的是与其他人进行互帮互助，每一个班里都有学习很好的学生。如果你是一名学渣，所写出的作文结果不如人意，可以向同学寻求帮助，也可以和学习好的同学进行合作。许多人通过讨论与合作完成论文，寻求他人合作与帮助的过程中，千万不要害羞，让同学知道你有一颗爱学习的心。
找到原因，重新做实验。如果做出的结果不显著，要分析一下，找出原因，重新做实验得结果。