如何写一篇目标检测论文

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 ：

撰写出一篇合格的毕业论文，对于那些平日不怎么摸专业书籍、不阅读文献的同学来说，的确是一件非常头疼的事，既要耗费很多时间，又要耗费很多精力，关键还不一定能达标，就更别说写的有质量了。但其实，如果是将这块儿难啃的骨头分成几小块儿的话，将大目标分为小目标，然后分步骤去完成，相信毕业论文只是手到擒来的事。毕业论文主要包括6大部分，具体分为：研究课题、开题报告、论文初稿、后期修改、论文检测查重和论文答辩，我们可以根据这6大模块划分子目标和任务。

重点一：研究课题

研究课题其实就是我们平常所接触的选题，所选的题目将直接决定毕业论文写作的方向。其中，背景、意义、创新之处是需要大家着重考虑的地方。一般导师都会给出学生一个大体的方向，你需要做的就是从小处着手，以小见大，这一点对于本科毕业论文的撰写非常重要，因为要想避免后期反复修改甚至出现方向上的偏差，就一定要先明确选题的方向，尽量具体一些，才能保障写作顺利进行。需要注意的是，在选题的时候还需明确开题报告的大致基调，梳理后期的撰写思路，体现选题的学术价值和意义。

重点二：开题报告

开题报告相对研究课题来讲要复杂一些，其需要你对研究的意义、背景、研究现状(国内外)及具体的研究方法、创新之处进行分析和阐述，这些是组成初稿必不可少的版块，只有确定好框架才能更好的填充内容，保证论文的写作方向不偏离。这里提醒大家一下，在搜集资料的时候一定要注意提炼要点，不要照搬全抄，引用的内容要做好编号并注明引用来源。

重点三：论文检测查重

这里着重强调一下，不要抄袭!不要抄袭!不要抄袭!如果做到了这一点，论文查重大概率是可以通过的。虽然目前有很多论文查重系统可供大家选择，但靠谱的不多，甚至有些无良商家打着免费查重的幌子干着盗窃论文的事，还有直接拿学生的论文进行发表的。所以对于论文查重系统，大家还是要谨慎选择，尽量选择正规靠谱的网站。

如果不知道怎么选择网络上的查重网站，可以从这几个论文查重系统中选一个：知网、维普、万方、PaperPP。知网目前不对个人开放，查重费用昂贵，性价比不高;维普、万方相对便宜一些，可以考虑一下;PaperPP比较适合论文初稿检测，有免费字数和降重功能，可以有效提升论文修改效率，很受大家的欢迎。

参考资料：《写毕业论文的技巧》

链接：

30天论文写作发表进阶训练营。完结版，里面包含辅导课、直播课、音频课、视频课、PDF文档。

课程目录：

尔雅老师对四篇论文的解构修改辅导答疑

尔雅老师快速批量修改不同学科论文的教学示范

尔雅老师团队如何在30分钟找到论文选题并写出论文

对一篇弹幕英语教学论文的修改建议

对一篇新闻学本科毕业论文的修改建议

解构描摹一篇好论文的实用技巧

如何通过知网迅速找到200篇优质文献

如何利用知网的可视化计量分析做文献综述

如何批量下载200篇文献

......

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。

2016初三阶段性目标检测语文作文怎么写元旦作文时光就像一条永不停息的小河，匆匆地、悄悄地从人们身边流过。不知不觉中，一个值得年匆匆地走了，迎来了一个新的岁月，开始了人们的又一段旅程。除夕夜，枕着迎接新年的鞭炮声睡日清晨，随着一声新年的问候，我寻视的双眼。翻开日历，翻开了新的一年，翻开了一段精彩的故事。我躺在床上回想着自己过去的一年里，有过汗水，有过快乐，也有过悲伤。这一切所发生的事仿佛就在眼前。我不禁轻声笑了出来。过去，我在班上并不是个优秀的学生，我羡慕那些班干部们。他们学习好，拥有许多朋友。我渴望像他们一样。于是，我便开始向那扇带着锁的大门前进。我付出比别人多一倍的汗水。上课，我认真听讲，积极发言。下课时，当小伙伴们在操场上快乐的玩耍时，我在教室里静静地看书。课后，我按时、认真完成老师布置的作业，并尽量做到准确。我还根据自己的爱好，报名参加了学校的演讲班。终于，功夫不负有心人，我付出的汗水得到了收获。我的学习成绩提高了。在新学期的一次选举当中，我被同学们荣幸的选为班长，从那以后，为了不辜负老师、同学和家长的期望，我便更加努力地学习。现在，我已经是学校的中队长了，这一切都少不了老师、同学和家长的帮助、鼓励。在这新年之际，我衷心地祝福他们。告别了旧年，我们跨入了新的一年。我的眼前仿佛又出现了一条新的跑道，也许我还会在这条跑道上跌倒，但我仍会顽强地站起来，顽强地向重重困难挑战。我坚信，在暴风骤雨后，总会有一条美丽的彩虹出现。此刻，窗外又响起了噼里啪啦的鞭炮声，这是人们告别旧年的恋恋不舍，也是人们对新年的美好憧憬。