检测方案论文

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 ：

血细胞分析仪检测血小板影响因素影响策略论文

在当前医疗技术的发展与促进作用之下，血细胞分析仪被广泛应用于基层医院的检验科室当中。实践经验显示：血细胞分析仪作用于检验，具有操作简单，响应迅速、重复性好、以及数据精确度高在内的多方面确切优势[1-2]。但受到自身检测原理的限制性影响，导致在临床对血细胞分析仪进行应用的过程当中，会受到大量内外部因素的影响。特别是对血小板的检测而言，计数结果会受多种因素影响而出现偏差，成为了临床中反应较多的问题之一。从这一角度上来说，如何明确血细胞分析仪在检测血小板过程当中的影响因素，落实相应的纠正与控制方法，这一问题备受医务工作者的关注与重视。本文选取2014年1-3月，健康体检对象共计50例作为研究对象，应用血细胞分析仪对其血小板计数结果进行分析，具体总结如下。

1 资料与方法

一般资料

选取自2014年1-3月，健康体检对象共计50例作为研究对象。对所有入选对象的一般资料进行回顾分析：男27例，女23例，年龄1～72岁，平均(±)岁。

方法

使用希森美KX-21型全自动血细胞分析仪，对所有入选对象进行血小板计数检测工作。由希森美公司提供溶血剂以及稀释液。在空腹状态下，分别实施静脉抽血(血样剂量为2 ml)以及末梢采血(血样剂量为120 μl)，使用 mg单位EDTA抗凝管储存分析。分别实施仪器法以及手工法两种检测方案。计数作业分别进行3次，取平均值作为最终计数结果。

观察指标

对仪器法以及手工法下，不同时间状态下所对应的血小板计数情况进行观察对比，同时对静脉血以及末梢血下的血小板计数检测结果进行对比。

统计学处理

采用SPSS 软件对所得数据进行统计分析，计量资料用均数±标准差(x±s)表示，比较采用t检验;P<为差异有统计学意义。

2 结果

在分别应用仪器法以及手工法进行血小板计数的过程当中，即刻测定状态下，仪器法检出数据明显低于手工法检出数据，对比差异有统计学意义(P<);静置10 p="">);静置8 h后，仪器法检出数据明显低于对照组，对比差异有统计学意(P<)，见表1。在不同采血区域进行血小板计数的过程当中，采集静脉血血小板计数为(±)×109 p="">)。

3 讨论

血浆中血小板体积小，无色，且黏附性高。当血液自血管破损位置流出后，血小板一旦与破损血管的内皮细胞或组织成分发生接触反应，则势必会迅速粘附于血管壁之上。再加上在应用血细胞分析仪对血小板进行检测的过程当中，血浆标本需要与抗凝管表面发生接触反应，故而最终导致血小板大量粘附于抗凝管内壁并发生聚集反应，造成血小板计数上的偏差问题[3]。从这一角度上来说，无论是在仪器法还是手工法作用下，所采集血小板数均较实际数据更低。同时，本次研究中数据显示：采集末梢血与静脉血进行对比中，两者所对应的血小板计数结果差异无统计学意义(P>)。但需要注意的是：相较于静脉血而言，末梢血采集中潜在大量的影响因素(包括扎针深度、取血速度等等在内)，都将对最终所生成的血小板计数结果产生影响。因此，在条件允许的情况下，推荐采集静脉血样完成血细胞分析工作。若必须以末梢血进行分析，则要求满足扎针3 mm深度，且血样应当自然流出，以保障血小板检出数据的精确性。

同时，有关研究报道中显示：对于抗凝剂而言，在应用血细胞分析仪对血小板展开检测作业的过程当中，检测结果很大程度上会受到抗凝剂类型的影响[4]。当前，国际化学标准委员会所推荐的抗凝剂为EDTA二钾抗凝，应用该推荐抗凝剂，可最大限度的保障检测结果的`精确性。同时，血液与抗凝剂之间的比例关系也会对检测质量产生相当重大的影响。有关临床研究中指出：在受检血液比例过高的情况下，由于抗凝剂无法与之形成匹配关系，进而可能导致待检测血浆样本当中出现微血块。而微血块的产生势必会导致血细胞分析仪被堵塞，造成检测结果上的偏差。反过来说，在受检血液比例过低的情况下，抗凝剂同样无法与之形成匹配关系，主要表现为浓度的提升，带动血浆样本当中血小板的肿胀与崩解反应，产生大量与血小板大小基本一致的碎片，导致计数过程当中容易发生偏差[5-6]。

同时，本次研究数据中显示：在分别应用仪器法以及手工法进行血小板计数的过程当中，即刻测定数据以及放置8 h后的测定数据组间对比差异有统计学意义(P<)。这一研究数据提示：一方面，在抗凝剂对血小板黏附性以及聚集性进行一致的同时，会导致血小板形态自双凹模式转变为球形模式，体积明显增大，即刻上机测试下，导致血小板测定数据明显较低。而在放置10 p="">)。同时，随着放置时间的延长，血小板计数有一定的下降趋势，且在8 h开始呈现出显著差异，提示测定时间同样是造成血小板计数偏差的关键影响因素之一。

结合相关研究数据而言，无论是对于光散法还是对于阻抗法而言，在应用血细胞分析仪对血小板进行计数的过程当中，结果基本可靠且稳定。但对于存在血小板形态异常以及明显降低的对象而言，不同方法下的计数结果往往会产生较大的差异。因此，在病理因素影响下，血浆中会产生大量的非血小板颗粒，最终导致计数结果假性增多。当前相关报道当中认为能够确保血小板计数准确的方法有两种类型：第一类是建立在免疫学基础之上的计数方法，即使用荧光对血浆样本中的抗血小板抗体进行标记;第二类是建立在激光散射基础之上的测定方法，在激光散射计数干预下，分离非血小板颗粒以及血小板，从而确保计数的准确性[7-8]。但以上两种方法成本较高，普及性较差。故而当前所选取的复查方式主要以手工计数法为主。针对本方法计数精确性上的却是可以增加一项在血涂片上间接计数血小板的方法作为补充，使用抗凝血液推血片，在瑞氏蚺蛇处理下计数1000个红细胞及对应的血小板，根据两者之间的比值，按照血小板计数/红细胞计数×红细胞计数的方式，求得最终数据[9-10]。根据以上措施的落实，配合与临床医师之间的密切联系，能够达到消除血小板计数误差，提高血细胞分析精度的目的。

综上所述，实践工作中需要重视对抗凝剂类型、采血区域、放置时间等影响因素的分析与控制，必要时进行涂片以及直接计数复查，配合与临床医师之间的密切联系，能够达到消除血小板计数误差，提高血细胞分析精度的目的。

参考文献

[1]韩凝，郭树霞，胡成进，等.试析Sysmex-2100血细胞分析仪血小板检测正常其他参数不显示的原因[J].中华临床医师杂志(电子版)，2013，7(23)：11061-11062.

[2]胡明定.病毒性肝炎所致肝硬化患者血小板检测的临床意义[J].中国医药指南，2013，11(19)：600-601.

[3]谭江峡.凝血功能和血小板检测在肾病综合征患者中的临床应用[J].中国医药导刊，2014，16(2)：315-316.

[4]郭利利，顾平，张葵，等.10例EDTA依赖性假性血小板减少症血小板检测的动态分析[J].临床输血与检验，2012，14(3)：212-214.

[5]吴君霞，范贤峰，许赣，等.肝豆状核变性患者血凝指标与血小板检测的临床意义[J].临床输血与检验，2011，13(3)：231-233.

[6]李勇，慕悦意，夏永辉，等.SysmexXE-5000血液分析仪对血液疾病血小板检测的应用价值[J].中国血液流变学杂志，2011，21(2)：329-332，369.