2021目标检测毕业论文

2021毕业论文总结范文

20_年_月，我开始了我的毕业论文工作，时至今日，论文基本完成。从最初的茫然，到慢慢的进入状态，再到对思路逐渐的清晰，整个写作过程难以用语言来表达。历经了几个月的奋战，紧张而又充实的毕业设计终于落下了帷幕。回想这段日子的经历和感受，我感慨万千，在这次毕业设计的过程中，我拥有了无数难忘的回忆和收获。

3月初，在与导师的交流讨论中我的题目定了下来，是：8031单片机控制LED显示屏设计。当选题报告，开题报告定下来的时候，我当时便立刻着手资料的收集工作中，当时面对浩瀚的书海真是有些茫然，不知如何下手。我将这一困难告诉了导师，在导师细心的指导下，终于使我对自己现在的工作方向和方法有了掌握。

在搜集资料的过程中，我认真准备了一个笔记本。我在学校图书馆，大工图书馆搜集资料，还在网上查找各类相关资料，将这些宝贵的资料全部记在笔记本上，尽量使我的资料完整、精确、数量多，这有利于论文的撰写。然后我将收集到的资料仔细整理分类，及时拿给导师进行沟通。

4月初，资料已经查找完毕了，我开始着手论文的写作。在写作过程中遇到困难我就及时和导师联系，并和同学互相交流，请教专业课老师。在大家的帮助下，困难一个一个解决掉，论文也慢慢成型。

4月底，论文的文字叙述已经完成。5月开始进行相关图形的绘制工作和电路的设计工作。为了画出自己满意的电路图，图表等，我仔细学习了Excel的绘图技术。在设计电路初期，由于没有设计经验，觉得无从下手，空有很多设计思想，却不知道应该选哪个，经过导师的指导，我的设计渐渐有了头绪，通过查阅资料，逐渐确立系统方案。方案中LED显示屏行、列驱动电路的设计是个比较头疼的问题，在反复推敲，对比的过程中，最终定下了行驱动电路采用74LS154译码器，列驱动电路采用74HC595集成电路。

当我终于完成了所有打字、绘图、排版、校对的任务后整个人都很累，但同时看着电脑荧屏上的毕业设计稿件我的心里是甜的，我觉得这一切都值了。这次毕业论文的制作过程是我的一次再学习，再提高的过程。在论文中我充分地运用了大学期间所学到的知识。

我不会忘记这难忘的几个月的时间。毕业论文的制作给了我难忘的回忆。在我徜徉书海查找资料的日子里，面对无数书本的罗列，最难忘的是每次找到资料时的激动和兴奋;亲手设计电路图的时间里，记忆最深的是每一步小小思路实现时那幸福的心情;为了论文我曾赶稿到深夜，但看着亲手打出的一字一句，心里满满的只有喜悦毫无疲惫。这段旅程看似荆棘密布，实则蕴藏着无尽的宝藏。我从资料的收集中，掌握了很多单片机、LED显示屏的知识，让我对我所学过的知识有所巩固和提高，并且让我对当今单片机、LED显示屏的最新发展技术有所了解。在整个过程中，我学到了新知识，增长了见识。在今后的日子里，我仍然要不断地充实自己，争取在所学领域有所作为。

脚踏实地，认真严谨，实事求是的学习态度，不怕困难、坚持不懈、吃苦耐劳的精神是我在这次设计中最大的收益。我想这是一次意志的磨练，是对我实际能力的一次提升，也会对我未来的学习和工作有很大的帮助。

在这次毕业设计中也使我们的同学关系更进一步了，同学之间互相帮助，有什么不懂的大家在一起商量，听听不同的看法对我们更好的理解知识，所以在这里非常感谢帮助我的同学。

在此更要感谢我的导师和专业老师，是你们的细心指导和关怀，使我能够顺利的完成毕业论文。在我的学业和论文的研究工作中无不倾注着老师们辛勤的汗水和心血。老师的严谨治学态度、渊博的知识、无私的奉献精神使我深受启迪。从尊敬的导师身上，我不仅学到了扎实、宽广的专业知识，也学到了做人的道理。在此我要向我的导师致以最衷心的感谢和深深的敬意。

2021毕业论文总结范文

随着毕业日子的到来，毕业设计也接近了尾声。经过几周的奋战我的毕业设计终于完成了。在没有做毕业设计以前觉得毕业设计只是对这几年来所学知识的单纯总结，但是通过这次做毕业设计发现自己的看法有点太片面。毕业设计不仅是对前面所学知识的一种检验，而且也是对自己能力的一种提高。通过这次毕业设计使我明白了自己原来知识还比较欠缺。自己要学习的东西还太多，以前老是觉得自己什么东西都会，什么东西都懂，有点眼高手低。通过这次毕业设计，我才明白学习是一个长期积累的过程，在以后的工作、生活中都应该不断的学习，努力提高自己知识和综合素质。

在这次毕业设计中也使我们的同学关系更进一步了，同学之间互相帮助，有什么不懂的大家在一起商量，听听不同的看法对我们更好的理解知识，所以在这里非常感谢帮助我的同学。

我的心得也就这么多了，总之，不管学会的还是学不会的的确觉得困难比较多，真是万事开头难，不知道如何入手。最后终于做完了有种如释重负的感觉。此外，还得出一个结论：知识必须通过应用才能实现其价值!有些东西以为学会了，但真正到用的时候才发现是两回事，所以我认为只有到真正会用的时候才是真的学会了。

在此要感谢我的指导老师___对我悉心的指导，感谢老师给我的帮助。在设计过程中，我通过查阅大量有关资料，与同学交流经验和自学，并向老师请教等方式，使自己学到了不少知识，也经历了不少艰辛，但收获同样巨大。在整个设计中我懂得了许多东西，也培养了我独立工作的能力，树立了对自己工作能力的信心，相信会对今后的学习工作生活有非常重要的影响。而且大大提高了动手的能力，使我充分体会到了在创造过程中探索的艰难和成功时的喜悦。虽然这个设计做的也不太好，但是在设计过程中所学到的东西是这次毕业设计的收获和财富，使我终身受益。

2021毕业论文总结范文

珍贵的两年半的大专生活已接近尾声，感觉非常有必要总结一下大专两年半的得失，从中继承做得好的.方面改进不足的地方，使自己回顾走过的路，也更是为了看清将来要走的路。

学习成绩不是非常好，但我却在学习的过程中收获了很多。随着学习的进步，我不止是学到了公共基础学科知识和很多专业知识，我的心智也有了一个质的飞跃，能较快速的掌握一种新的技术知识，我认为这对于将来很重要。

在学习知识这段时间里，我更与老师建立了浓厚的师生情谊。老师们的谆谆教导，使我体会了学习的乐趣。我与身边许多同学，也建立了良好的学习关系，互帮互助，克服难关。现在我已经接近毕业，正在做毕业设计，更锻炼了自我的动手和分析问题能力，受益匪浅。

通过两年半的大专生活，学到了很多知识，更重要的是有了较快掌握一种新事物的能力。思想变成熟了许多，性格更坚毅了。认识了许多同学和老师，建立起友谊，并在与他们的交往中提升了自身素质，认清了自身的一些短处并尽力改正。

回顾两年半，本人在思想觉悟上始终对自己有较高的要求，能用科学发展观来认识世界认识社会，能清醒的意识到自己所担负的社会责任，对个人的人生理想和发展目标，有了相对成熟的认识和定位。 在专业课程的学习上，根据自身专业方向的要求，有针对性的认真研读了有关核心课程，为自己的学习工作打下扎实基础;并涉猎了一部分其他课程，开阔视野，对本专业方向的应用背景以及整个学科的结构有了宏观的认识。

在学习工作上，根据导师的指导，研读了大量论着，逐步明确了发展方向，通过自身不断的努力，以及与师长同学间的探讨交流，取得了一些比较满意的成果。在这期间，综合分析等基本素质不断提高，书面表达的能力也得到了锤炼，尤其是独立思考判断和研究的能力，有了很大进步，这些对于未来的工作也都是大有裨益的。 平时生活中， 为人处世 和善热情，和同学关系融洽。根据自身爱好和能力，业余参与了一些活动，为个人综合素质的全面发展打下基础。

论文: Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss

任意朝向的目标在检测数据集中无处不在，相对于水平的目标检测，旋转目标检测仍处于起步阶段。目前，大多数SOTA研究都集中于回归目标的旋转角度，而解决旋转角度则带来新的问题：i) 指标与损失不一致。ii) 旋转角度回归区间不连续。 iii) 方形问题。事实上，以上的问题还没有很好的解决方案，这会极大地影响模型的性能，特别是在角度在范围边界的情况。

为了解决上述问题，论文提出了GWD方法，首先使用二维高斯分布来对旋转目标进行建模，然后使用Gaussian Wasserstein Distance(GWD)来代替不可微的旋转IoU，根据GWD计算loss值，这样就将模型训练和度量标准对齐了。   论文的主要贡献有以下几点：

图2展示了两种旋转bbox的定义方式：OpenCV形式 和长边形式 ，前者的角度为 和横坐标的夹角 ，后者的角度则为长边与横坐标的夹角 ，两种定义可以进行相互的转换(不考虑中心点)：

两种表示方法的主要差异在于边顺序和角度 ，相同的bbox用不同的表达方式，可能需要交换边的顺序或角度加减90。在现在很多的研究中，将模型的设计与bbox的定义进行耦合来避免特定的问题：如 可避免方形问题， 可避免边交换问题。

IoU是检测领域的重要评测指标，但在实际训练中使用的回归损失函数(如 -norms)与评测指标往往存在不一致的问题，即更小的损失值并不等于更高的性能。目前，不一致问题在水平目标检测领域已经有了一些应对措施，如DIoU和GIoU。而在旋转目标检测领域，由于角度回归的加入，使得不一致问题更加突出，但目前仍没有很好的解决方案，论文也列举了一些例子来对比IoU损失和smooth L1损失：

从上面的分析可以看出，在旋转目标检测领域，IoU损失更能填补评判准则与回归损失间的差异。但很遗憾，在旋转目标检测领域，两个旋转bbox间的IoU计算是不可微的，不能用于训练。为此，论文基于Wasserstein distance提出可微的损失来替代IoU损失，顺便也可以解决旋转角度回归区间不连续问题和方形问题。

上图的Case1-2总结了旋转角度回归区间不连续问题，以以OpenCV形式的Case 2为例，对于anchor 以及GT ，存在两种回归的方法：

上述的问题通常出现在anchor和GT的角度在角度范围的边界位置时，当anchor和GT的角度不在边界位置时，way1则不会产生巨大的损失值。因此，对于smooth-L1，边界角度和非边界角度的最优处理会太一致，这也会阻碍模型的训练。

方形问题主要出现在使用长边形式的检测方法中，由于方形目标没有绝对的长边，长边形式对方形目标的表达本身就不唯一。以Case3为例，存在anchor 以及GT ，way1可以顺时针旋转一个小角度变成位置与GT一致的 。但由于角度差距较大，way1会产生较高的回归损失。因此，需要像way2那样逆时针旋转较大的角度。造成方形问题的主要原因并不是前面提到的PoA和EoE，而是度量标准和损失计算的不一致导致的。

经过上述的分析，论文希望新的旋转目标检测方法的回归损失函数满足以下几点：

目前大多数IoU损失都可认为是距离函数，基于此，论文基于Wasserstein distance提出新的回归损失函数。首先，将旋转bbox 转化为2-D高斯分布 ：

为旋转矩阵， 为特征值的对角向量。对于 上的任意两个概率测度 和 ，其Wasserstein距离 可表达为：

公式2对所有的随机向量组合 进行计算，代入高斯分布 ，转换得到：

特别要注意：

考虑在可交换的情况(水平目标检测) 下，公式3可转换为：

为Frobenius范数，这里的bbox均是水平的，公式5近似于 -norm损失，表明Wasserstein距离与水平检测任务中常用的损失一致，能够用于回归损失。这里的公式推算比较复杂，有兴趣的可以看看参考文献。

论文采用非线性转化函数 将GWD映射为 ，得到类似于IoU损失的函数：

前面的曲线图也描述了使用不同非线性函数 下的损失函数曲线，可以看到公式6十分贴近IoU损失曲线，也能度量无相交的bbox。因此，公式6显然可以满足Requirement1和Requirement2，下面开始分析Requirement3，先给出公式1的特性：

根据特性1可知，GWD损失函数对于OpenCV形式和长边形式是相等的，即模型不需要固定特定bbox表达形式进行训练。以Case2的Way1为例，GT 和预测 拥有相同的均值 和方差 ，GWD损失函数不会输出较大的损失值。而根据特性2和特性3，Case2和Case3的way1同样不会产生较大的损失值，所以GWD损失函数也满足Requirement3。   整体而言，GWD在旋转目标检测的优势有以下几点：

论文将RetinaNet作为基础检测器，bbox表示为 ，实验主要采用OpenCV形式，回归目标定义为：

变量 , , 分布代表GT，anchor和预测结果，最终的多任务损失函数为：

为anchor数， 为前景或背景的指示器， 为预测bbox， 为GT， 为GT的标签， 为预测标签， 和 为超参数， 为focal loss。

对比其他针对特定问题的解决方案。

在DOTA数据集上对比多个模型，论文还有很多其他实验，有兴趣的可以去看看。

论文详细描述了当前旋转目标检测的主要问题，提出将旋转回归目标定义为高斯分布，使用Wasserstein距离度量高斯分布间的距离用于训练。目前，常规目标检测也有很多将回归转化为概率分布函数的做法，本文有异曲同工之妙，值得阅读。