发布时间：
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）。
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 ：
关于食品的毕业论文题目
你是不是需要了解关于食品的毕业论文题目，下面我为大家介绍关于食品的毕业论文题目，希望能帮到大家!
一、电子鼻在食品微生物污染快速检测中的应用
二、利用语义网技术实现的分布式异构食品微生物数据整合
三、食品中重金属元素检测方法研究进展
四、食品供应链质量安全可追溯系统构建研究
五、企业参与食品可追溯信息共享的机理研究
六、中国食品安全危机背景下的底层食物自保运动
七、我国转基因食品法律界定研究
八、中国食品安全指数指标体系的构建
九、食品真空冷冻联合干燥技术研究进展
十、美国食品安全规制研究
十一、毛细管电色谱-激光诱导荧光检测法分析食品中的生物胺
十二、媒体传播对食品安全风险感知影响的定量研究
十三、我国粮食最低收购价格政策的评价及预测
十四、大学生转基因食品知识态度行为调查
十五、WHO食品安全事故管理制度探析
十六、动物源性食品中喹诺酮类药物残留的检测
十七、测定大米粉中镉的质量控制与不确定度评价
十八、食品及食品包装材料中塑化剂的检测研究进展
十九、食品过敏原标签要求及生产过程控制初探
二十、食品中菊酯类农药残留检测技术研究进展
二十一、食品安全检测技术研发对食品安全法律体系的影响
二十二、食品流通环节安全保障策略研究
二十三、转基因食品舆情现状分析及新型科普模式的探究
二十四、基于背景值研究的湖北省香菇重金属风险评估
二十五、我国食品安全监管的路径选择
二十六、北京市绿色食品和有机农产品发展研究
二十七、信息不对称环境下有机食品消费行为分析
二十八、黑龙江省绿色食品产业集群协调发展与竞争优势保持研究
二十九、林下规模化生态养殖模式研究进展
三十、畜禽养殖中病死动物无害化处理措施探讨
三十一、浅析网络购物中消费者权益的保护
三十二、对农资经营和监管问题的思考
三十三、浅谈饲料生产监管
三十四、论我国食品安全风险交流制度的立法完善
三十五、对转基因食品产业的认知与科普对策研究
三十六、食品中的食用盐含量分级方法
三十七、食品中罗丹明B的高效液相色谱串联质谱法检测
三十八、塑化剂对食品安全的影响
三十九、我国食品检验技术存在的主要问题
四十、微生物防腐剂在食品保鲜上应用
四十一、源于食品加工副产物纳米纤维素晶体的制备及其在食品中的应用
四十二、中国食品安全犯罪的刑事政策研究
四十三、HPLC测定食品包装用胶黏剂中5种树脂酸含量
四十四、食品包装材料中邻苯二甲酸酯的迁移规律研究
四十五、英美加三国食品监管法规及监督检查现状
四十六、食品安全信息获取渠道的选择影响分析
四十七、“一带一路”战略下我国食品工业发展的机遇与挑战
四十八、中国食品安全问题的现状和原因
四十九、杭州市余杭区高中生食品安全知信行现状
五十、食用农产品包装接触用粘合剂安全管理探讨
五十一、当前我国发展绿色食品和有机农产品的新形势和新任务
五十二、我国绿色食品及有机农产品权威性和影响力提升策略
五十三、食品接触材料中全氟和多氟化合物风险与管理
五十四、销售环节食品安全信息透明度的国内外研究进展
五十五、食品安全信息需求服务与信息保障对策研究
五十六、网络食品交易平台提供者的侵权责任研究
五十七、一种基于555集成电路的粮食水分检测技术的'分析
五十八、谷朊粉的添加量对青稞面条品质的影响
五十九、社会共治理念下食品安全监管体系研究--基于对胶水牛排事件的法律思考
六十、我国与国际组织航空食品法规标准的对比及分析
六十一、基于用户需求的食品包装扁平化设计
六十二、网络食品安全监管研究
六十三、无损快速检测技术在生鲜食品品质鉴定中的应用
六十四、食品快检实验室资质认定评审的探讨
六十五、大理州市售食品细菌性污染情况分析
六十六、食品添加剂对食品安全的影响
六十七、荞麦酸奶的制备及工艺研究与分析
六十八、对创新畜产品质量安全监管模式的思考
六十九、技术创新背景下食品工程的发展与演变
七十、绍兴地区粮谷类食品中铅镉和总汞含量的监测及暴露水平评估
七十一、食品安全标准的私法效力及其矫正
七十二、我国食品监管法律制度的历史演变和启示
生物是具有动能的生命体，也是一个物体的集合，而个体生物指的是生物体，与非生物相对。如果我们写一篇生物 毕业 论文要怎样来拟定题目呢?下面我给大家带来2021生物毕业论文题目有哪些，希望能帮助到大家!
生物教学论文题目
1、本地珍稀濒危植物生存现状及保护对策
2、中学生物实验的教学策略
3、如何上好一节生物课
4、中学生生物实验能力的培养
5、激活生物课堂的教学策略
6、中学生物课堂教学中存在的问题及对策
7、中学生物教学中的创新 教育
8、本地生物入侵的现状及其防控对策
9、论生物多样性与生态系统稳定性的关系
10、室内环境对人体健康的影响
11、糖尿病研究进展研究及策略
12、心血管病研究进展研究及策略
13、 儿童 糖尿病的现状调查研究
14、结合当地遗传病例调查谈谈对遗传病的认识及如何优生
15、“3+X”理科综合高考试题分析
16、中学生物教学中的差生转化教育
17、中学生物学实验教学与学生创新能力的培养
18、在当前中学学科分配体制下谈谈如何转变学生学习生物学的观念
19、中学生物教学中学生科学素养的提高
20、直观教学在中学生物学教学中的应用
21、中学生物学实验教学的准备策略
22、编制中学生物测验试题的原则与 方法
23、浅析生态意识的产生及其培养途径
24、生物入侵的危害及防治对策
25、城镇化建设对生态环境的影响
26、生态旅游的可持续发展-以当地旅游区为例
27、城市的生态环境问题与可持续发展
28、农村的生态环境问题及其保护对策-以当地农村为例
29、全球气候变化与低碳生活
30、大学与高中生物学教育的内容与方法衔接的初步研究
31、国内、国外高中生物教材的比较研究
32、中学生物实验教学模式探索
33、河北版初中生物实验教材动态分析研究 “
34、幼师生物学教材改进思路与建议
35、中学生物学探究性学习的课堂评价体系研究及实践
36、中学生物双语教材设计编写原则探索与研究
37、信息技术应用于初中生物课研究性学习的教学模式构想
38、生物学课堂教学中学生创新能力培养的研究与实践
39、中学生物学教学中的课程创生研究初探
40、信息技术与中学生物学教学的整合
41、中学生物学情境教学研究
42、游戏活动在高中生物学教学中的实践与思考
43、合作学习在高中生物教学中的实践性研究
44、尝试教学法在高中生物教学中的应用与研究
45、生物科学探究模式的研究与实践
46、生物课堂教学引导学生探究性学习的实践与探索
47、白城市中学生物师资队伍结构现状的调查及优化对策
48、结合高中生物教学开展环境教育的研究
49、让人文回归初中生物教育
50、课程结构的变革与高中生物新课程结构的研究
微生物毕业论文题目
1、脲解型微生物诱导碳酸钙沉积研究
2、马铃薯连作对根际土壤微生物生理类群的影响
3、“食品微生物学”实验教学体系的改革与实践
4、病原微生物对人体健康的危害及检测
5、贺兰山东麓荒漠微生物结皮发育过程研究
6、原代鸡胚成纤维细胞中的污染微生物分析
7、油脂降解微生物的筛选及代谢能力影响因素研究
8、深海微生物硝化作用驱动的化能自养固碳过程与机制研究进展
9、地膜降解物对土壤微生物群落结构和多样性的影响
10、微生物酶技术在食品加工与检测中的应用
11、草莓不同生育时期根区微生物多样性及动态变化
12、台湾林檎叶片浸提液对致腐微生物的抑制效果
13、细胞、微生物及其相关培养技术
14、食品微生物学实验模块化教学体系的构建
15、有机无机缓释复合肥对土壤微生物量碳、氮和群落结构的影响
16、东北传统豆酱发酵过程中微生物的多样性
17、不同 教学方法 在微生物学教学中的比较研究
18、环境微生物实验教学体系改革和管理
19、食品微生物学课堂教学改革与实践
20、应用型大学微生物学课程教学改革
21、关于有机磷农药的微生物降解技术研究探讨
22、外源汞添加对土壤微生物区系的影响
23、论研讨式教学在《食品微生物学》课程教学中的应用
24、采煤塌陷复垦区先锋植物根际微生物数量的变化
25、微生物实验室培养基的质量控制
26、食品微生物学双语教学模式的探索与实践
27、土壤微生物总活性研究方法进展
28、浅水湖泊沉积物中水生植物残体降解过程及微生物群落变化
29、应用型本科院校微生物实验模块化教学的探索与实践
30、外源生物炭对黑土土壤微生物功能多样性的影响
31、浅谈土壤微生物对环境胁迫的响应机制
32、秸秆还田深度对土壤微生物碳氮的影响
33、水质微生物学检验实验模块的教学探索与实践
34、高师院校微生物学课程探究式教学实践与思考
35、5种江西特色盆景植物根际微生物群落特征比较研究
36、生物工程专业《微生物学》双语教学探索
37、浅谈林学专业《微生物学》课程的重要性和教学改革
38、兽医微生物学教学实习的改革与实践
39、利用微生物学原理处理城市生活垃圾
40、高级微生物学课程教学改革探索
41、案例教学在微生物学中的应用
42、淡水湖泊微生物硝化反硝化过程与影响因素研究
43、微生物法修复水污染技术研究进展
44、玉米栽培模式对暗棕壤微生物学特性及养分状况的影响
45、浅谈案例教学在微生物学教学中的应用
46、环境工程微生物学实验教学改革
47、微生物在多孔介质中的迁移机制及影响因素
48、地方性高校《动物微生物学》教学体系的优化
49、微生物技术修复水污染的发展
50、浑河底泥微生物群落的季节性变化特征
生物制药毕业论文题目
1、生物制药产业化影响因素及作用机理研究
2、现代生物技术管理的企业策略与集群发展研究
3、现代生物技术的知识产权保护及企业的相关策略研究
4、武汉华龙生物制药的营销策略研究
5、我国生物制药产业竞争力研究
6、生物制药产业创新联盟知识协同研究
7、亮菌口服液液体深层发酵工艺的研究
8、基于生命周期的生物制药企业之融资策略研究
9、B医药企业的营销策略研究
10、财务风险预警模型效果比较研究
11、基于财务视角的生物制药上市公司成长性评价研究
12、生物制药上市公司杠杆效应的实证研究
13、九阳生物人力资源战略研究
14、以生物制药为例的高新技术企业税收优惠效应的实证分析
15、我国海洋生物制药技术产业化政策研究
16、生物制药企业财务风险预警问题研究
17、中国制药产业价值链特征研究
18、医药制造业技术创新投入对产出绩效影响的实证研究
19、基于项目管理理论的高职技能型人才培养创新工程应用研究
20、我国生物制药业上市公司会计政策选择研究
21、WS生物制药公司员工培训管理研究
22、科兴公司绩效管理体系研究与设计
23、我国生物制药企业研发投入与绩效的实证分析
24、企业混合所有制模式选择与绩效研究
25、AMP生物制药公司竞争战略研究
26、基于因子分析法的生物制药企业业绩评价研究
27、DBZY公司财务能力测评及提升对策研究
28、汽车行业上市公司的盈利能力分析
29、生物制药企业专利权评估方法研究
30、专利制度对我国生物制药产业发展的影响
31、生物制药企业价值评估中的收益法探究
32、CDZZ药业有限公司知识产权管理策略研究
33、基于开放式创新的云南生物制药产业产学研合作机制与模式研究
34、基于开放式创新的云南生物制药产业吸收能力的影响因素研究
35、引入非财务指标的生物制药企业估值研究
36、私募股权融资在科技初创企业的应用
37、艺普生物制药教育公司发展战略研究
38、海王生物工程有限公司财务成长性分析
39、基于EVA的安科生物企业价值评估研究
40、基于自由现金流的上海莱士企业价值评估研究
2021生物毕业论文题目相关 文章 ：
★ 优秀论文题目大全2021
★ 2021毕业论文题目怎么定
★ 生物制药毕业论文开题报告范文
★ 大学生论文题目大全2021
★ 大学生论文题目参考2021
★ 优秀论文题目2021
★ 生物类学术论文(2)
★ 生物技术论文范文
★ 毕业论文题目来源
★ 毕业论文题目怎么选
今天，AI已经成为了一个所有人耳熟能详的名词了，各种各样的AI公司层出不穷，行业中最耀眼永远只是塔尖上的少数……
旷视 科技 、依图 科技 、云从 科技 和商汤 科技 就属于这一类少数派，这四家企业也被称为“AI四小龙”。
最近商汤 科技 开始IPO，我们就从它谈起，来看看AI这项业务到底行不行。
商汤 科技 属于含着金钥匙长大的邻家小孩，学习能力出众，自然也特别受到金主爸爸的疼爱，从来都不缺钱，喊一声，就有资本送钱来了。
商汤 科技 成立之初就在全球首次突破了人眼识别能力，自研算法在人脸数据库中的识别准确率高达，3个月后，商汤把这一数字提高到了。
根据天眼查的数据显示，商汤 科技 从成立到现在，共获得了12轮融资，融资总额超过52亿美元，投资人遍布国内外。
其中不乏阿里、苏宁这样的国内互联网巨头，还有招商证券、中金证券、东方证券这样的国资券商，还有高通创投、软银这样的国外顶级创投机构，厉害的是，这里面还出现了万达的身影。
简单来说，商汤 科技 既被国内看好，同时也被国外看好，即被互联网行业看好，还能被传统行业的房地产商看好，大有未来 科技 之光的架势。
当然，它也确实用一系列的实力证明了自己。
2016年，商汤 科技 研发的自动驾驶平台刷新了行人及车辆识别领域的世界纪录，2020年，商汤 科技 又完成了首个专业用人工智能芯片STPU流片，2021年，商汤又建造了世界上最大的计算机视觉模型，参数超过了300亿个。
我们过去的文章里经常说，研发是一个 科技 企业的立身之本，商汤 科技 确实是做到了。
招股书上显示，从2018年到2020年，商汤 科技 的研发费用占比分别是46%、63%、71%，他一家公司就囊括了40位教授、250多名博士，以及3593名科学家和工程师。
但是，在光芒的背后，是一谈到赚钱就掉链子，这也确实挺尴尬的。
在充足资金与研发人员的投入之下，商汤 科技 在全球的各类竞赛中拿到了70多个冠军，发表了超过600篇顶级学术论文，拥有8000多个专利申请。
但是，根据商汤 科技 的招股书显示，从2018年到2021年上半年，商汤 科技 的营收分别是亿、亿、亿、亿。
看着还不错，但同期他们分别亏损了亿、亿、亿和亿，三个财年加上今年上半年总共亏损达到了亿。
融资来的52亿美元基本上快亏得差不多了。
一边是技术的绽放与资本的热捧，另一边是长期陷入利润不佳的窘境，商汤 科技 的问题到底出在哪里了呢？
我们从技术，市场供需这两个纬度来看。
第一、再好的技术落地都需要时间。
我们在过去的文章里谈过关于产研结合的问题。
科技 的发展，企业的壮大是需要让更多的研究和专利能落地商用的。
虽然商汤 科技 在顶级期刊上发表了诸多论文，而且专利数量也相当庞大，但作为一家企业来说，研究的目的是为了能让技术落地，并且推向市场，被市场所接受，而不是单纯的秀论文数量。
而且，在技术深度方面，商汤 科技 拥有自己的独占技术其实并不多。
它的很多技术和专利是根据公开论文，开源代码的基础上实现的应用，虽然读懂这些公开论文的门槛很高，但对于人才济济的 科技 大厂来说，这不是什么太深的护城河。
比如在活体识别这个领域，玩家不仅只有商汤，云从这样的AI 科技 ，百度、腾讯也拥有深厚的技术积淀。
百度钱包用的就是自家的技术，腾讯的微众银行用的也是自家的技术。
前边提到的人脸识别准确率，百度在2015年达到了，刷新了商汤的纪录。
面对BAT这样的老牌大厂，商汤的技术护城河仍然是一个问题。
第二、市场供需还未爆发，业务领域细分且垂直。
不了解AI的人仿佛都觉得AI是个筐，啥都能往里装，万物皆可AI。
客观来说，AI是未来没错，但它并不是对现有产业的颠覆，更多的是一种赋能，高效的赋能。
比如用AI赋能垃圾分类，用智能化监管代替人工监管；比如AI赋能药物研发，谷歌就专门推出了可识别蛋白质结晶的AI系统，用于药物开发。
本质上，AI的价值是提高传统产业的生产效率，解放生产力。
AI这个赛道非常的广阔，实际上的业务十分细分、垂直。
目前被应用最多的是计算机视觉识别。
2020年中国的计算机视觉识别市场规模也不足150亿，这个规模的产业，无论是深度还是广度上都远远不能和手机、 汽车 这些万亿产业相比。
小池塘也很难养出大鱼来。
另一方面，国内AI产业化高度依赖于政府项目，比如智慧城市、智慧生活、智慧商业几大板块。
商汤 科技 的业务中，87%的业务都是来自于智慧商业和智慧城市两大板块。
但这也牵扯到了另一个问题，AI四小龙并没有独立获取项目的能力，项目真正的来源都在一些央企总包方手里。
智慧城市听上去很美好，可城市的智能化改造是一项大工程，项目周期至少需要3年，涉及的流程繁多，商汤等AI新兴势力所做的事只是诸多环节之一。
由于AI产业的碎片化特征，这就导致不同的用户需求不同，无法用同一个标准去面对所有人，这自然就很难形成规模化。
项目之间的差异，使得上一个项目的方案在这个项目无法适用，亏损就成为了常态。
从市场竞争的层面上看。
华为、腾讯、百度这些平台型巨头都在切入AI领域，甚至传统的半导体企业，比如德州仪器、英特尔、英伟达都在半道研发自己的AI解决方案。
举个简单的例子，在AI被广泛应用的安防行业当中，安防行业的原生巨头海康威视也在研发自己的AI解决方案，而且相对于商汤 科技 来说，海康威视本身就是终端生产商，更具有拿项目的优势。
仅以营收比较，2020年，商汤的营收亿，而海康威视的营收635亿，换句话来说，商汤的规模只有海康威视的5%不到，海康威视对商汤具有碾压优势。
上面所说的这些问题，不仅仅是针对一家商汤 科技 ，而是整个AI产业的企业都需要面对的问题。
其实，我们仔细对比一下AI四小龙，会发现这几家的处境都出奇的相似。
从过往的财报来看，AI四小龙都是亏损比营收多，营收越多，亏损越大。
这四家企业的崛起，都和中国安防摄像头的升级息息相关，简单地说就是吃到了政府升级安防项目的红利。
面对越来越多的亏损，投资人很着急，四小龙也很着急，所以在最近一年多时间里，四小龙都在集体冲击IPO。
作为 科技 企业，四小龙大书特书的都是自己的研发投入，旷视 科技 、云从 科技 和依图 科技 ，研发占比都超过了50%，商汤 科技 的研发占比更是高达70%。
在这些漂亮数字的背后，还得回到怎么样找到盈利模式这个本质的问题上来。
我们可以把视线转向另外一家AI企业，号称AI芯片第一股的寒武纪。
当年风光无限，成功登陆科创板的寒武纪，最高市值高达1191亿。
但后来，整个股价一路走跌，市值只剩下406亿，跌去6成之多。
寒武纪也是长期在研发上高投入，在AI芯片产业同样面对来自华为、百度这些巨头的夹击，自身造血能力不够，导致市场不看好。
对于一个 科技 企业来说，它跟平台型企业不一样。
京东持续亏损了12年，但它的商业模式很清晰，京东用12年的亏损回答了市场一个问题， 淘宝天猫跟我竞争，我凭什么能活下去？
答案是京东用巨资砸出来的基础物流设施，这是京东底层的护城河。
不解决根本的盈利和路线问题，即使上市融到了更多的资金，企业也只是拖延时间而已。
当前AI四小龙们还没有一条明确、长远的盈利模式。
不管是从技术上，还是未来的发展路径上，并没有一个可以信服的指引给到市场，自然也很难得市场认可。
在过去的文章中，我经常说技术是 科技 企业的立身之本，但我们也要时常问问自己，这些技术是不是我们的客户真正需要的？假如腾讯和阿里也要做这项业务，凭什么我能活下去？
回顾一下前辈们，台积电的技术很牛逼，全球第一，但这项技术的根基是在台积电创新的晶圆代工模式。
明白客户需要什么，比追求产品技术的先进性，可能更为重要，利润思维，一定不能舍去。
当然，AI未来一定是一门大产业，现在它仍然具有一定的超前性。
市场还没有快速发展到那一步，还需要更多的积累。
我们的AI企业还需要时间，需要尽快找到自己的商业模式和领域，助力和赋能更多的相关企业实现产业的升级。
但是，这个前提是路要扎扎实实地走，别贪快，贪快就容易摔倒。
—
责任编辑 | 罗英凡
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。
GitHub CSDN
目前。计算机视觉中的性能最好的目标检测方法主要分为两种: one-stage 和two-stage 方法。two-stage方法分为两步，第一步为候选区域生成阶段(Proposal stage),通过如Selective Search、EdgeBoxes等方法可以生成数量相对较小候选目标检测框；第二步为分类与回归阶段，对第一阶段生成的 Candiate Proposal 进行分类和位置回归。one-stage 代表性的方法是R-CNN系列，如 R-CNN， Fast R-CNN, Faster R-CNN。 而one-stage 方法直接对图像的大量 Candiate Proposals 进行分类与回归。
这两类方法中均存在类别不平衡问题，two-stage 方法通过第一步已经将当量的候选区域降低到一个数量较小的范围，同时又在第二步通过一些启发式原则，将正负样本的比例降低到一定程度。而 one-stage 优于没有这降低候选框的步骤，因此，候选区域的数量大大超过 two-stage 方法，因此，在精度上，two-stage 仍然优于 one-stage 方法，但是在速度和模型复杂度上， one-stage 占优势。
类别不平衡会使检测器评估 的候选位置，但是通常只有少量的位置存在目标，这回导致两个问题:
因此，解决样本不平衡问题是提高目标检测精度的一个关键技术之一。
论文题目： Training Region-based Object Detectors with Online Hard Example Mining
OHEM 是通过改进 Hard Example Mining 方法，使其适应online learning算法特别是基于SGD的神经网络方法。Hard Example Mining 通过交替地用当前样本集训练模型，然后将模型固定，选择 False Positive 样本来重新组建用于下一次模型训练的样本集。但是因为训练神经网络本事就是一个耗时的操作，这样在训练中固定模型，这样会急剧降低模型的训练进程。
Hard Examples Mining通常有两种方法：
OHEM算法的大致流程是: 首先计算出每个ROI的loss， 然后按loss从高到低来排列每个 ROI， 然后为每张图片选择 个损失最高的 ROI 作为Hard Examples，其中 B 表示总的 ROI 数量， 表示batch-size 的大小，在 Fast R-CNN 中， N=2， B=128时，效果很好。
但是如果直接按照 loss 对所有的 ROI 进行选择，会有一个缺点，由于 ROI 很多，这样 很多 ROI 的位置就会相关并重叠，如果和某个高 Loss 的 ROI 重合度很高的其它 ROI很多， 这样， 这些 ROI 的 Loss 通常也会很多，这样这些样本都会被选择，但是它们可以近似认为时同一个，这样就会给其它较低 Loss 的 ROI 更少的选择余地，这样就会存在冗余。为了消除这种冗余，作者提出先使用 NMS (non-maximum suppression) 删除部分重合度很高的 ROI， 在使用上述方法进行 选择 Hard Example。
实现技巧:
论文，作者将该方法是现在 Fsat R-CNN 目标检测方法中。最简单做法是更改损失函数层，损失函数层首先计算所有 ROI 的 loss， 然后根据 loss 对 ROI 进行排序，并选择 hard RoIs， 让 那些 non-RoIs的损失变为0. 这种方法虽然很简单，但是非常不高效，因为还需要为所有的 RoIs 分配进行反向传播时需要的内存空间。
为了克服这个缺点，作者对下面的 Figure 1 进行改进， 如下面的 Figure 2.该改进时使用两份同样的 RoI network。 其中一个是只读的(readonly), 即只进行前向计算，不进行反向传播优化，所以只需要为前向传播分配内存，它的参数实时保持和另一个 RoI network（regular RoI network)保持一样。在每次迭代时，首先使用 readonly RoI network 对每个 ROI 计算起 loss，然后用上面描述的选择 hard RoIs 的方法选择 hard RoIs. 然后利用 regular RoI network来对选择的 hard RoIs 进行前向和后向计算来优化网络。
论文题目 Focal Loss for Dense Object Detection
在改论文中，作者认为样本类别的不平衡可以归结为难易样本的不平衡，从而更改交叉熵损失函数，重新对样本赋予不同的权值，之前的模型这些样本都是同等重要的，从而使模型训练更加关注 hard examples。
首先引入交叉熵的公式:
其中， ,表示真实类别， 表示我们预测的概率，为了方便，我们定义:
因此， ,该方法在 较大时，该loss是一个较小的量级， 如下图的连线所示所示，因为存在大量的易分类样本，相加后会淹没正样本的loss。
一个常见的解决类别不平衡的方式是引入一个加权因子 来表示正样本的权重， 表示负样本的权重。我们按照定义 的方法重新定义 为 , 定义如下:
虽然可以平衡 positive和negative的重要性，但是对 easy/hard 样本还是无法区分， Focal loss 通过更 Cross loss来达到区分easy/hard的目的:
上图展示了不同 取值对应的 loss，通过分析上述公式，我们发现，当 非常小时，即样本被分类错误，此时 接近1， loss几乎不受影响，当 接近于1时，即样本被分类正确，此时 接近0，此时降低了该样本的权重，比如，取 , 当时 时，该样本的 loss 会降低100倍，
在实际应用中，作者使用了该 Focal loss的变体，即加入了 平衡因子:
作者提出，对于二分类，一般模型的模型初始化会同概率的对待正负样本，由于类别不平衡，负样本的 loss 会占主导，作者提出在训练初始阶段对正样本的概率估计“prior”的概念，用 表示， 通过设置它来达到正样本的输出概率低的效果，比如为，从而使模型更加关注正样本。实际操作中，出了最后一个用于分类的卷积层，其余卷积层的参数初始化为bias ，而最后一层 , 实验中设置为 .
两个实现细节
论文题目: Gradient Harmonized Single-stage Detector
改论文提出 Focal Loss 存在两个缺点:
该论文有一句概括该篇论文的核心思想的一句话: 类别的不平衡可以归结为难易样本的不平衡，难易样本的不平衡可以归结为梯度的不平衡原话如下:
如下图所示:
左边是样本数量关于梯度的分布，中间表示各个修正后的函数的梯度（使用了log scale）对原始梯度的，右边表示所有样本集的梯度贡献的分布。
定义 是模型未经过 sigmoid 之前的输出， 则 ,得出该损失函数对 的梯度为:
定义梯度的模长(norm) 为：
训练样本的梯度密度(Gradient Density)定义如下:
其中， 是第 k 个样本的gradient norm，
这个公式可以理解为，以梯度 为中心，宽度为 的区域内的样本密度。
梯度密度协调参数:
分母是对梯度位于 范围的部分样本进行归一化，如果所有样本的梯度时均分分布，那么对于任意 都有 .(这里不是很理解为什么N，可以理解它们相等)
通过将梯度密度协调参数将 GHM 嵌入到损失函数中，则 GHM-C Loss 为:
计算公式11时，求和有一个N，再求 时会遍历所有的样本，因此该公式的时间复杂度为 .如果并行的化，每个计算单元也有N的计算量。对gradient norm进行排序的最好的算法复杂度为 ，然后用一个队列去扫描样本得到梯度密度的时间复杂度为 n 。基于排序的方法即使并行也不能较快的计算，因为N往往是 甚至 ，仍然是非常耗时的.
作者提出的近似求解的方法如下:
根据上述定义，得出近似梯度密度函数为:
利用上面的公式，由于我们可以事先求好 , 在求和时只需查找 即可，因此时间复杂度为 .
因为loss的计算是基于梯度密度函数，而梯度密度函数根据一个batch中的数据得到，一个batch的统计结果是有噪声的。与batch normalization相同，作者用Exponential moving average来解决这个问题，也就是
将模型鱼的的偏移量定义为 , 将真实的偏移量定义为 ,回归loss采用 Smooth L1 loss:
其中
则 关于 的梯度为:
从公式可以看出，当样本操作 时， 所有样本都有相同的梯度 1， 这就使依赖梯度范数来区分不同样本是不可能的， 一种简单的替代方法时直接使用 作为衡量标准，但是该值理论上无限大，导致 无法实现，
为了将 GHM 应用到回归损失上，作者修改了原始的 损失函数:
该函数和 具有类似的属性，当d的绝对值很小时，近似 L2 loss， 当d的绝对值比较大时， 近似 L1 loss， 关于d的梯度为:
这样就将梯度值限制在
定义 , 则 GHM-R Loss 为:
论文题目: Prime Sample Attention in Object Detection
PISA 方法和 Focal loss 和 GHM 有着不同， Focal loss 和 GHM 是利用 loss 来度量样本的难以程度，而本篇论文作者从 mAP 出法来度量样本的难易程度。
作者提出提出改论文的方法考虑了两个方面:
Prime Samples 是指那些对检测性能有着巨大影响的样本。作者研究表明样本的重要程度依赖于它和ground truth 的 IoU值，因此作者提出了一种 IOU-HLR 排序。
在目标检测中时如何定义正样本（True Positive)的呢？
剩余的标注为负样本。
mAP 的原理揭露了对目标检测器更重要的 两个准则 :
基于上述分析，作者提出了一种称为 IoU-HLR 的排序方法，它既反映了局部的IoU关系(每个ground truth目标周围)，也反映了全局的IoU关系(覆盖整个图像或小批图像)。值得注意的是，不同于回归前的边界框坐标，IoU-HLR是根据样本的最终定位位置来计算的，因为mAP是根据回归后的样本位置来计算的。
该排序方法的大致流程如下图所示，其原理如下:
IoU-HLR遵循上述两个准则。首先，它通过局部排序（即上面的步骤2）将每个单独的 GT 的 对应的样本中 IoU 较高的样本放在前面，其次通过重采样和排序(步骤3， 4)将不同 GT 的 对应的样本中， 将 IoU 较高的放在了前面。
作者提出Prime Sample Attention，一种简单且有效的采样策略，该采样策略将更多的注意力集中到 Prime examples 上， PISA 由两部分组成: Importance- based Sample Reweighting(ISR)和Classification Aware Regression Loss(为CARL).
PISA 的训练过程是基于 prime samples 而不是同等对待所有样本。
作者提出一种基于 soft sampling 的方法: Importance-based Sample Reweighting (ISR), 他给不同样本根据重要性赋予不同的权重。首先它将Iou-HLR排序转化为线性映射的真实值。 IoU-HLR在每个类中分别进行计算。对于类 , 假设总共有 个样本， 通过 IoU-HLR 表示为 . 其中 ,使用一个线性转换函数将 转换为 , 表示第 类中的第 个样本的重要程度:
采用指数函数的形式来京一部将样本重要性 转换为 loss 的权值 , 表示对重要样本给予多大的优先权的程度因子， 决定最小样本权值的偏差(感觉就是一个决定最小的权值大小的一个变量)。
根据上面得到的权重值，重写交叉熵:
其中 n 和 m 分别表示真样本和负样本的数量， 和 分别表示预测分数和分类目标，需要注意的是，如果只是简单的添加 loss 权值将会改变 loss 的值，并改变正负样本的比例，因此为了保持正样本的总的 loss 值不变， 作者将 归一化为 (这里不是很理解，欢迎大家解惑)
已经介绍如何染个分类器知道 prime samples， 那么如何让回归其也知道 prime sample，作者提出了 Classification-Aware Regression Loss（CARL) 来联合优化分类器和回归其两个分支。CARL可以提升主要样本的分数，同时抑制其他样本的分数。回归质量决定了样本的重要性，我们期望分类器对重要样本输出更高的分数。两个分支的优化应该是相互关联的，而不是相互独立的。
作者的方法是让回归器知道分类器的分数，这样梯度就可以从回归器传播到分期其分支。公式如下:
表示相应类别的预测分数， 表示输出的回归偏移量。利用一个指数函数将 转化为 ，随后根据所有样本的平均值对它进行缩放。为了保持损失规模不变，对具有分类感知的 进行归一化。 是常用的smooth L1 loss。
关于 的梯度与原回归损失 成正比。 p_i \mathcal{L}(d_i, \hat d_i) \mathcal{L}(d_i, \hat d_i)$ 反映了样本i的定位质量，因此可以认为是一个IoU的估计，进一步可以看作是一个IoU-HLR的估计。可以近似认为，排序靠前的样本有较低的回归损失，于是分类得分的梯度较小。对于CARL来说，分类分支受到回归损失的监督。 不重要样本的得分被极大的抑制掉，而对重要样本的关注得到加强。
待续。。。
上面的方法大致可以分为两种：
Focal Loss认为正负样本的不平衡，本质上是因为难易样本的不平衡，于是通过修改交叉熵，使得训练过程更加关注那些困难样本，而GHM在Focal Loss的基础上继续研究，发现难易样本的不平衡本质上是因为梯度范数分布的不平衡，和Focal Loss的最大区别是GHM认为最困难的那些样本应当认为是异常样本，让检测器强行去拟合异常样本对训练过程是没有帮助的。PISA则是跳出了Focal Loss的思路，认为采样策略应当从mAP这个指标出发，通过IoU Hierarchical Local Rank (IoU-HLR)，对样本进行排序并权值重标定，从而使得recall和precision都能够提升。
论文: EfficientDet: Scalable and Efficient Object Detection
目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战:
FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地直接相加，然而由于不同的特征是不同的分辨率，对融合输出特征的共享应该是不相等的。为了解决这一问题，论文提出简单但高效加权的bi-directional feature pyramid network(BiFPN)，该方法使用可学习的权重来学习不同特征的重要性，同时反复地进行top-down和bottom-up的多尺度融合
论文认为除了缩放主干网络和输入图片的分辨率，特征网络(feature network)和box/class预测网络的缩放对准确率和性能也是很重要的。作者借鉴EfficientNet，提出针对检测网络的混合缩放方法(compound scaling method)，同时对主干网络，特征网络和box/class预测网络的分辨率/深度/宽度进行缩放
最后，论文将EfficientNet作为主干，结合BiFPN和混合缩放，提出新的检测系列EfficientDet，精度高且轻量，COCO上的结果如图1，论文的贡献有以下3点：
定义多尺寸特征 ，论文的目标是找到变化函数 来高效融合不同的特征，输出新特征 。具体地，图2a展示了top-down FPN网络结构，一般FPN只有一层，这里应该为了对比写了repeat形式。FPN获取3-7层的输入 ， 代表一个分辨率为 的特征层
top-down FPN操作如上所示， 为上采用或下采样来对齐分辨率， 通常是特征处理的卷积操作
top-down FPN受限于单向的信息流，为了解决这一问题，PANet(图2b)增加了额外的bottom-up路径的融合网络，NAS_FPN(图2c)使用神经架构搜索来获取更好的跨尺度特征网络的拓扑结构，但需要大量资源进行搜索。其中准确率最高的是PANet，但是其需要太多的参数和计算量，为了提高性能，论文对跨尺寸连接做了几点改进：
大多的特征融合方法都将输入特征平等对待，而论文观察到不同分辨率的输入对融合输出的特征的贡献应该是不同的。为了解决这一问题，论文提出在融合时对输入特征添加额外的权重预测，主要有以下方法：
， 是可学习的权重，可以是标量(per-feature)，也可以是向量(per-channel)，或者是多维tensor(per-pixel)。论文发现标量形式已经足够提高准确率，且不增加计算量，但是由于标量是无限制的，容易造成训练不稳定，因此，要对其进行归一化限制
，利用softmax来归一化所有的权重，但softmax操作会导致GPU性能的下降，后面会详细说明
，Relu保证 ， 保证数值稳定。这样，归一化的权重也落在 ，由于没有softmax操作，效率更高，大约加速30%
BiFPN集合了双向跨尺寸的连接和快速归一化融合，level 6的融合操作如上， 为top-down路径的中间特征， 是bottom-up路径的输出特征，其它层的特征也是类似的构造方法。为了进一步提高效率，论文特征融合时采用depthwise spearable convolution，并在每个卷积后面添加batch normalization和activation
EfficientDet的结构如图3所示，基于one-stage检测器的范式，将ImageNet-pretrained的EfficientNet作为主干，BiFPN将主干的3-7层特征作为输入，然后重复进行top-down和bottom-up的双向特征融合，所有层共享class和box网络
之前检测算法的缩放都是针对单一维度的，从EfficientNet得到启发，论文提出检测网络的新混合缩放方法，该方法使用混合因子 来同时缩放主干网络的宽度和深度、BiFPN网络、class/box网络和分辨率。由于缩放的维度过多，EfficientNet使用的网格搜索效率太慢，论文改用heuristic-based的缩放方法来同时缩放网络的所有维度
EfficientDet重复使用EfficientNet的宽度和深度因子，EfficinetNet-B0至EfficientNet-B6
论文以指数形式来缩放BiFPN宽度 (#channels)，而以线性形式增加深度 (#layers)，因为深度需要限制在较小的数字
box/class预测网络的宽度固定与BiFPN的宽度一致，而用公式2线性增加深度(#layers)
因为BiFPN使用3-7层的特征，因此输入图片的分辨率必需能被 整除，所以使用公式3线性增加分辨率
结合公式1-3和不同的 ，论文提出EfficientDet-D0到EfficientDet-D6，具体参数如Table 1，EfficientDet-D7没有使用 ，而是在D6的基础上增大输入分辨率
模型训练使用momentum=和weight decay=4e-5的SGD优化器，在初始的5%warm up阶段，学习率线性从0增加到，之后使用余弦衰减规律(cosine decay rule)下降，每个卷积后面都添加Batch normalization，batch norm decay=，epsilon=1e-4，梯度使用指数滑动平均，decay=，采用 和 的focal loss，bbox的长宽比为 ，32块GPU，batch size=128，D0-D4采用RetinaNet的预处理方法，D5-D7采用NAS-FPN的增强方法
Table 2展示了EfficientDet与其它算法的对比结果，EfficientDet准确率更高且性能更好。在低准确率区域，Efficient-D0跟YOLOv3的相同准确率但是只用了1/28的计算量。而与RetianaNet和Mask-RCNN对比，相同的准确率只使用了1/8参数和1/25的计算量。在高准确率区域，EfficientDet-D7达到了，比NAS-FPN少使用4x参数量和计算量，而anchor也仅使用3x3，非9x9
论文在实际的机器上对模型的推理速度进行了对比，结果如图4所示，EfficientDet在GPU和CPU上分别有和加速
论文对主干网络和BiFPN的具体贡献进行了实验对比，结果表明主干网络和BiFPN都是很重要的。这里要注意的是，第一个模型应该是RetinaNet-R50(640)，第二和第三个模型应该是896输入，所以准确率的提升有一部分是这个原因。另外使用BiFPN后模型精简了很多，主要得益于channel的降低，FPN的channel都是256和512的，而BiFPN只使用160维，这里应该没有repeat
Table 4展示了Figure 2中同一网络使用不同跨尺寸连接的准确率和复杂度，BiFPN在准确率和复杂度上都是相当不错的
Table 5展示了不同model size下两种加权方法的对比，在精度损失不大的情况下，论文提出的fast normalized fusion能提升26%-31%的速度
figure 5展示了两种方法在训练时的权重变化过程，fast normalizaed fusion的变化过程与softmax方法十分相似。另外，可以看到权重的变化十分快速，这证明不同的特征的确贡献是不同的，
论文对比了混合缩放方法与其它方法，尽管开始的时候相差不多，但是随着模型的增大，混合精度的作用越来越明显
论文提出BiFPN这一轻量级的跨尺寸FPN以及定制的检测版混合缩放方法，基于这些优化，推出了EfficientDet系列算法，既保持高精度也保持了高性能，EfficientDet-D7达到了SOTA。整体而言，论文的idea基于之前的EfficientNet，创新点可能没有之前那么惊艳，但是从实验来看，论文推出的新检测框架十分实用，期待作者的开源
论文: Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
论文认为，目前的目标检测算法可以按预设框的多少分为两种：
上述两种方法都会预测大量的结果，需要进行NMS后处理，而在训练的时候会存在many-to-one的问题，并且anchor的设置对性能的影响很大。 于是，很多研究开始探讨稀疏(sparse)检测，比如近期的DETR算法。该算法不需要预设anchor，并且预测的结果可直接输出，不需要后处理。但论文认为DETR并不是真正的稀疏检测，因为DETR在各位置提取特征时，需要与全图的上下文进行交互，而真正的稀疏检测应该满足sparse boxes和sparse features，即较少的初始框设定以及框之间不需要过多的特征互动。 为此，论文提出了Sparse R-CNN，如图1c所示，仅需设定少量anchor即可进行检测，而且能够进行set prediction，免去NMS等后处理，其核心主要包含以下几点：
Sparse R-CNN的推理流程如图3所示，输入图片、可学习的proposal boxes以及可学习的proposal features，根据proposal boxes提取对应的RoIAlign特征，dynamic head将proposal features转换为卷积核参数，对RoIAlign特征进一步提取特征，再进行后续的分类和回归。整体的思想和Fast RCNN很像，将selective search替换为proposal boxes，再增加其它更强的模块。
论文采用FPN-ResNet作为主干网络，输出多层特征，每层特征的维度都是256。采用更复杂的主干网络可以获得更好的性能，但论文与Faster R-CNN对齐，采用标准的实现。
Sparse R-CNN的核心是采用数目固定的小批量可学习proposal boxes( )作为region proposal，而非RPN。每个box为4-d参数，在0～1范围内，值为归一化的中心点坐标、宽度和高度。这些参数在训练过程中通过反向传播进行更新，包含了训练集目标位置的统计信息，可用于推理时的初步目标位置猜测。
尽管4维的proposal box能够直观地表示目标的定位，但缺少了目标的信息，比如目标的姿态和形状，所以论文引入proposal feature( )进行补充。proposal features是高维的可学习向量，与proposal boxes一一对应，用于丰富目标的RoIAlign特征。
Dynamic instance interactive head的结构如图4所示，每个proposal box都有一个专属的预测head。给定 个proposal boxes和 个proposal features，先通过RoIAlign提取每个box的 维特征，Dynamic instance interactive head将其对应的 维proposal feature转换为卷积参数，使用这个卷积参数对RoIAlign特征进行提取，得到目标的 维特征，最后经过简单的3层感知机进行分类与回归。 Dynamic instance interactive head也可以使用类似Cascade R-CNN那样的级联模式进一步的提升性能，将输出的新回归框和 维特征作为下一次迭代的proposal box和proposal feature即可。
Sparse R-CNN的训练采用set prediction的形式，将固定数量的预测结果与GT之间进行二分图最优的匹配，然后计算损失值，完整的损失函数为：
各模块对比实验。
性能与收敛性。
在COCO上进行对比。
Sparse R-CNN贯彻了稀疏的思想，只提供少量初始框，可进行Set prediction，颠覆了当前密集预测的检测思路，整体框架十分简洁，跟Fast RCNN有点像，十分值得大家阅读。
水质检测中生物检测技术的使用论文
在日常学习和工作中，大家总少不了接触论文吧，论文是学术界进行成果交流的工具。那么你有了解过论文吗？以下是我为大家收集的水质检测中生物检测技术的使用论文，欢迎大家借鉴与参考，希望对大家有所帮助。
摘要：
近年来，随着我国环保事业的逐步成熟，社会各界对环境污染问题给予了广泛的重视，特别是水质安全问题，直接影响着广大群众的正常生活。为了更好地保障人民群众的用水安全及生态环境的和谐发展，就必须加强水质检测工作的管控力度，运用科学先进的现代化技术手段，提升水质检测数据的精确性和可靠性，为人民群众的安全用水提供坚实的技术保障。鉴于此，本文就着重围绕水质检测环节中生物检测技术的具体应用进行了深入探究。
关键词：
生物检测技术；水质检测；应用：探究；
引言：
水是人们赖以生存的重要资源，水质的好坏不仅会影响到人们的生命安全，同时也会影响到正常的社会生产秩序，然而，近年来我国工业及农业产业的迅猛发展，都不可避免的加剧了我国水环境的污染问题。为了有效改善这一局面，就必须加强水质检测工作的监管力度，运用科学先进的生物检测技术，来提升水质检测工作的技术水平，确保水质检测结果的科学性和准确性，推动水质检测工作的顺利开展。
1、生物检测技术的含义及相关特性探究
（1）生物检测技术的具体含义。
生物检测的含义主要是指通过某些生物个体、群落来对周边环境污染及变化情况进行客观反映，以此来作为环境质量检测重要的参考依据。近年来，受到外界各种因素的不同影响，对我国的水资源带来了严重的破坏，由于其污染源头较为复杂，这就需要科学先进的技术手段对其进行全面深入的检测分析，而生物检测技术的优势就在于可以在特殊环境中对水污染效应进行充分展示，有效弥补了传统检测技术的不足之处。
（2）生物检测技术的相关特性。
对于生物检测技术的相关特性，我们可以结合以下三点进行分析：其一，相较理化检测的具体应用而言，生物检测技术可以在某些特定区域内对生物的污染情况加以充分反映，彻底打破了理化检测的局限性，使水质检测结果的精确性得到了进一步的提升。其二，针对仪器设备的具体应用而言，由于部分生物对污染物的反应情况较为敏感细微，但无法通过仪器设备对其进行精准的检测，这势必会影响到检测数据的准确性，而通过对生物检测技术的科学运用，就能够对微量污染物所产生的反应进行充分展示，同时还可以清晰的展示出相应的受损效应。其三，在整个生态系统之中，为了能够使微量的有毒有害物质形成聚集效果，便可以借助生物链来完成，当到达食物链末端时便可以使污染物的浓度得到显着的提升，为检测工作提供重要的参考依据。
2、水质检测的基本概况及影响要素探究
（1）水质检测的基本概况。
水资源是人们赖以生存的重要资源，同时也是宝贵的非可再生资源。近年来，我国政府部门在推动经济发展的同时对环境保护愈加重视，随着环保宣传的广泛开展，社会各界都对环保理念有了全新的认识。水质检测工作的重要价值不仅体现在人们的安全用水方面，同时也对生态环境的保护与研究发挥着非常重要的作用。结合目前的实际情况来看，水质检测在社会各个领域都得到了较为广泛的运用，水质检测对推动社会与生态环境的和谐发展具有非常重要的影响。
（2）水质检测的影响要素。
针对水质检测的影响要素，主要体现在以下三个方面：首先，是水样来源的具体影响，结合水质检测环节来看，假如检测人员对水样来源的具体情况没有进行全面掌握，就有可能对解决措施作出错误的判断，无法有效的解决该区域水源的污染问题，因此，在开展水质检测工作的具体操作之前，检测人员必须要对水质来源进行全面的了解，并结合实际情况制定出妥善的解决措施，使水质检测工作的重要价值得以充分发挥。其次，是针对类别方面的影响要素，在对水样水质进行具体检测时，必须要依据水质的不同选用适宜的水质检测方法，这就要求检测人员必须要认真对待检测工作，并严格依照检测工作的相关流程实施具体的检测操作。对此，检测人员要对不同的水质进行分析研究，针对不同水质的差异性做出准确判断，然后再运用科学合理的检测技术来对水样进行水质检测，这样才能确保水质检测数据的精确性，并使其成为相关部门制定解决方案的重要参考依据。最后，针对人为方面的影响因素，在进行水质检测的具体操作时，检测人员作为最直接的参与者，在整个检测环节中占据着非常重要的地位。为了有效避免人为操作失误情况的发生，就必须加强对整个检测环节的监管力度，在开始检测之前，要对检测仪器、试剂以及玻璃器皿等重要物品进行详细的检查，在确定一切符合标准，严格规范取样工作；进行检测工作时，检测所用的药品，一定要确保其在有效期内，过期变质的药物必须马上进行更换，检测工作要在规定时间内。另外，针对整个检测环节而言，检测人员还必须严格遵循检测标准来规范自身的实际操作，同时还要保证检测记录的准确性和客观性，从根本上避免人为失误对检测结果所造成的不利影响。
3、水质检测中生物检测技术的实际应用探究
（1）发光细菌检测技术的具体应用。
发光细菌检测技术可以对水样中存在的大部分有毒有害物质进行检测，因此在重金属以及有机物等检测领域中得到了较为广泛的运用。然而在具体的检测环节中，发光细菌检测技术也存在一定的弊端，如操作繁杂以及误差较大等相关问题。随着科技水平的日益发展，电子技术已对发光细菌检测技术做出了相应的完善，如紫外分光光度法以及荧光光度法等检测手段的辅助，可以有效提升水质检测工作的质量和效率，确保检测数据的精确性和可靠性。
（2）生物行为反应检测技术的`具体应用。
生物行为反应检测技术的操作原理主要体现在借助生物受污染物危害后所出现的趋利避害行为反应对水体污染的具体情况加以评断，并对水体污染的安全浓度加以确定，然后依据水体的实际污染情况制定出合理准确的预警措施。生物行为反应检测技术通常运用在鱼、水蚤以及双壳软体动物等生物的具体检测中，同时在实施淡水生物检测环节中一般会运用斑马鱼进行具体的检测操作，这主要是由于斑马鱼会在水质污染的情况下迅速做出行为反应，为水质检测工作提供了非常重要的参考依据。在海洋环境中，通常会运用双壳生物活体来检测水体的污染情况，而在淡水环境中，则一般会借助鱼类来完成具体的检测工作。针对贻贝双壳距离变化的具体检测操作，可以借助电磁感应技术来进行落实，此外，还可以借助高频电磁感应系统对贝壳类物质的运动情况实施检测。
（3）微生物群落检测技术的具体应用。
微生物群落检测技术通常运用于对细菌、真菌以及原生动物等微型生物在水体中的物种频率及数量的检测工作，然后再结合先进的电子技术对分布指数进行精准的计算，最后依据分布指数的具体数值对水质污染程度进行评断。伴随科技水平的全面发展，微生物群落检测技术也得到了相应的完善，检测评价指标的增加就是一个很好的证明，一般较为常见的检测评价指标有原物种种类指标、植鞭毛虫百分值以及异样性指数等。通过对生物检测技术的合理运用，使我国的水质检测技术水平得到了更好的完善与提升，这在生态环境的保护工作以及为人们提供优质用水资源等方面都发挥出了非常重要的作用。与此同时，在微生物群落检测技术的发展之中，数学分析的实用性也在逐步攀升，数学分析与计算机技术的联合应用有效拓展了生物群落参数变化规律的检测范围，使微生物群落检测技术的重要价值得以充分展现，同时对提升检测数据的精确性和可靠性也有着非常积极的影响。
（4）底栖动物及两栖动物检测技术的具体应用。
底栖动物及两栖动物检测技术的主要原理为运用生物在水体中的出现、消失以及数量的多少对水质进行具体的检测，底栖动物及两栖动物的检测参数主要包括BI指数以及群落多样性指数等。通过对两栖动物行为及生物指标的全面检测可以对水体的整体质量进行评估，尤其是在检测发育阶段中可以实现对环境因子变化的进一步感应。
4、水质检测环节中生物检测技术的应用前景探究
（1）分子生态毒理学应用于水质污染检测。
分子生态毒理学检测技术通常被运用于污染物及其代谢物与细胞内大分子代谢作用的具体研究，在对发生作用的靶分子进行研究后，便可以对个体、种群以及群落的基本情况进行预报。在科技水平日益提升的今日，生物体内胆碱酯酶活性检测被广泛运用于海水及淡水资源水质污染的检测工作。
（2）遗传毒理学应用于水质污染检测。
遗传毒理学检测原理主要是借助DNA链损伤程度的检测对遗传毒性加以判断的检测技术，相比微核试验操作而言，遗传毒理学检测技术的效果更加显着，主要是因为单细胞凝胶电泳能够对低浓度的有毒有害物质进行准确的检测，SOS显色方案作为遗传毒理学检测技术的另一种检测方法，其具体的操作原理表现在受到外界范围损伤及抑制的干扰下，DNA分子会进行错误修复，在经过遗传毒物处理后而出现的反应便可以称为SOS应答，SOS检测方法具有灵敏性强且操作便捷等技术优势。
5、结语
结合以上论述可以看出，伴随社会经济的飞速发展，工业及农业产业规模的不断壮大，加剧了我国的水污染问题。对此，为了有效解决这一难题，相关部门就必须对水质检测工作给予高度的重视，通过对生物检测技术的科学运用，使水质检测工作的效率和质量得到进一步的提升，在确保检测数据准确性的基础之上，为人民群众提供优质的用水资源，以此来推动社会与生态环境的可持续发展。
参考文献：
[1]廖伟，杨蓉，徐建，闫政，金小伟饮用水源微生物快速检测技术的发展及应用[J]中国环境监测， 2020，36（06）—：104—112.
[2]张松松生物检测技术在水环境中的应用及研究[J]环境与发展， 2020，32（06）—.74+76.
[3]李悦浅析水环境污染检测中生物监测的运用[J]绿色环保建材， 2020（01）：55+57.
[4]陈朋利谈生物技术在水质检测与污水处理中的应用[J]环境与发展， 2019，31（09）：81—82.
[5]施小玲.水质检测与污水处理中生物技术的应用分析[J].化工管理2019（21）：42—43.
[6]谢本祥生物工程中检测技术的需求和发展趋势[J]科技经济导刊.2019，27（15）—163—164.
[7]杨磊生物技术在水质检测与污水处理中的应用[J]工程技术研究， 2019，4（05）： 102+130.
PCR技术是一种体外酶促合成、扩增特定DNA片段的方法。下面是我整理的关于pcr技术论文，希望你能从中得到感悟!
技术的研究进展
摘要 PCR技术是一种体外酶促合成、扩增特定DNA片段的方法。因其高强的特异性和灵敏度以及检测速度快、准确性好等优点，已被广泛地应用于水产、微生物检测等许多领域。该文从PCR技术的原理及应用方面进行了综述，并对其发展做出了展望。
关键词 PCR技术;研究进展;应用
中图分类号 Q819 文献标识码 A 文章编号 1007-5739(2012)10-0047-02
PCR(polymerase chain reaction，PCR)即聚合酶链式反应，它是一种体外酶促合成，扩增特定DNA片段的方法。1985年，美国Karray等学者首创了PCR技术，并由美国Cetus公司开发研制[1]。随着科学技术的发展和突破，PCR技术已在多个领域得到广泛地应用，如微生物检测、兽医学、水产养殖等方面。由于该技术具有较强的灵敏度、准确度和特异性，又能快速进行检测，因而其应用领域也在不断延伸[2-3]。随着PCR技术的不断发展，在常规PCR技术的基础上又衍生出了许多技术，如多重PCR(mutiplex PCR)技术[4]、实时荧光定量PCR(real-time fluorescent quantitative PCR，FQ-PCR)技术[5]、单分子PCR技术[6]。
1 PCR技术原理
PCR技术是根据待扩增的已知DNA片段序列、人工合成与该DNA 2条链末端互补的2段寡核苷酸引物，在体外将待检DNA序列(模板)在酶促作用下进行扩增。PCR的整个技术过程经若干个循环组成，一个循环包括连续的3个步骤：第1步是高温条件下的DNA模板变性，即模板DNA在93~94 ℃的条件下变性解链;第2步是退火，即人工合成的2个寡核苷酸引物与模板DNA链3’端经降温至55 ℃退火;第3步是延伸，即在4种dNTP底物同时存在的情况下，借助TaqDNA聚合酶的作用，引物链将沿着5’-3’方向延伸与模板互补的新链[7]。经过这个循环后，合成了新链，可将其作为DNA模板继续反应，由此循环进行。循环进程中，扩增产物的量以指数级方式增加，一般单一拷贝的基因循环25~30次，DNA可扩增l00万~200万倍[1]。PCR反应的步骤很简单，但是具体的操作是复杂的，如退火温度的确定、延伸时间的长短以及循环数等。因此，不同的反应体系应该确定适当的反应条件，以避免假阴性或假阳性等情况的产生。
2 PCR技术的分类
在传统PCR技术的基础上，根据人们的需要以及各个领域的应用要求，又衍生出很多种类的PCR技术。新技术在各领域广泛应用并逐渐改进，为进一步的研究提供了基础。
实时荧光定量PCR技术
1996年，学者经过研究，在传统PCR技术的基础上，首创了实时荧光定量PCR技术，新技术已经应用至医学领域、分子生物学和其他基础研究领域。实时荧光定量PCR技术基于传统技术的优势，还具有实时性、准确性、无污染，实现了自动化操作和多重反应，是PCR技术研究史上从定性到定量的飞跃[8]。
荧光定量PCR技术最大的特点是能将荧光基团加入到PCR反应体系中，借助于荧光信号，累积实时监测整个PCR进程，最后通过标准曲线对未知模板进行定量分析[9]。实时监测这一特点是常规PCR技术所不具有的，因为其对扩增反应不能进行随时的检测。常规PCR技术的扩增终产物需要在凝胶电泳等条件下才能进行，无法对起始模板进行准确的定量，而荧光定量PCR技术的反应进程可以根据荧光信号的变化做出准确的判断[10-11]。一个PCR循环反应结束之后，定量PCR仪可以收集1个荧光强度信号，荧光信号强度的变化可以反映产物量的变化情况，这样就可以得到1条荧光扩增曲线[12]。荧光信号在指数扩增阶段，PCR产物荧光信号的对数值与起始模板量之间存在线性对应关系，然后进行定量分析[13]。
多重PCR技术
多重PCR(mutiplex PCR)技术是PCR技术的一种，为同一管中加入多对特异性引物，与PCR管内的多个模板反应，在一个PCR管中同时检测多个目标DNA分子。多重PCR技术可以扩增一个物种的一个片段，也可以同时扩增多个物种的不同片段[14]。
在同一反应体系中，多重PCR技术进行多个位点的特异性扩增时，引物间的配对、引物间的竞争性扩增等会对扩增效果产生重要影响。一方面，如果能选择适宜的反应体系和反应条件，可极大地提高多重PCR的扩增效果[15]。主要包括退火温度、退火及延伸时间、PCR缓冲液成分、dNTP的用量、引物及模板的量等。另一方面，DNA的抽提质量也影响多重PCR扩增效率，如DNA抽提不干净或降解都将影响PCR扩增效果[16]。
单分子PCR技术(SM-PCR)
单分子PCR技术是在传统PCR技术的基础上发展的，基本循环过程相同，但在反应条件、模板数量、DNA 聚合酶选择、引物设计方面具有不同点。该技术是以少量或单个DNA分子为模板进行的PCR[17]。
单分子PCR技术反应中，DNA 模板浓度极低，这就要求模板有较高的质量。因为这是试验成败的决定性因素。在设计引物时，应该严格控制GC的含量和Tm值，同时尽量避免引物间存在可配对序列。在反应混合物模板数极低的情况下，若引物之间存在少量配对序列，扩增时极易形成二聚体，使反应无法进行，得不到所需要的产物[18]。由于单分子PCR技术反应的变性温度(96~98 ℃)大多比常规PCR技术(94 ℃)略高，因而对DNA 聚合酶热稳定性的要求也更加严格，需要有较好的热稳定性，以防止温度过高而使其失活。其变性时间(5~15 s)、退火时间及延伸时间也短于常规PCR技术[17]。
3 PCR技术的应用
PCR技术在水产上的应用
基因表达是检测某个基因在不同发育期或不同组织中的表达量变化，或受到某种试验处理过程中的影响而出现表达量变化的情况。有学者应用real-time PCR技术研究碳水化合物含量对翘嘴红鲴糖代谢酶G6Pase、GK以及PEPCK表达量的影响[19-21]，研究结果可为翘嘴红鲴饲料配方中的最合适糖含量提供理论依据。孙淑娜等[22]研究叶酸拮抗剂对斑马鱼心脏发育相关基因BMP2b及HAS2表达的影响，表明叶酸拮抗剂对早期胚胎的心脏发育影响较大，可导致斑马鱼心脏发育延迟及心脏形态异常，并下调斑马鱼心脏发育相关基因BMP2b及HAS2的表达，这可能是叶酸生物学活性受抑后导致心脏发育异常的机制之一。Sawyer et al[23]以斑马鱼的未受精卵、胚胎、仔鱼和成鱼为研究材料，采用实时荧光定量PCR技术，检测了P450aromA和P450aromB在不同组织的表达量，表明在各组织中均有2种基因的表达，但表达量显著不同，呈现组织特异性。
PCR技术在微生物检测上的应用
1990年，Bej et al[24]在利用多重PCR的方法检测了Leg-ionella类菌种和大肠类细菌，其结果是通过点对点方法固定的多聚dT尾捕捉探针和生物素标记的扩增DNA进行杂交来检测的。张志东等检测口蹄疫病毒(FMDV)持续性感染的带毒动物，表明实时荧光定量PCR技术具有快速检测、准确、客观等优势，较优于传统的检测方法[25-26]。Metzger-Boddien et al[27]对PCR-ELISA的方法进行了评价，结果显示，样品中沙门氏菌的检出率可以达到98%。
4 展望
传统PCR技术以及衍生出来的新型PCR技术自面世以来，已被广泛应用到生命科学的各个领域。随着技术方法的不断改进与完善，荧光定量PCR技术将会逐渐完善并广泛应用。多重PCR技术在食品病原微生物、非致病微生物及环境微生物检测中具有重要作用;未来的研究主要集中在去除食品抑制因子干扰、改进样品前处理技术等方面，其次是整合应用多重PCR与其他技术，必将在未来食品微生物检测中有非常好的应用前景。
5 参考文献
[1] 常世敏.PCR在食品微生物检测中的应用[J].邯郸农业高等专科学校学报，2004，21(4)：23-25.
[2] 唐永凯，俞菊华，徐跑，等.实时荧光定量PCR技术及其在水产上的应用[J].中国农学通报，2010(21)：422-426.
[3] 吴学贵.LPS刺激点带石斑鱼免疫相关基因的克隆与组织表达差异性分析[D].海口：海南大学，2011.
[4] 侯立华，黄新，朱水芳，等.双色荧光多重PCR技术及在禽流感病毒检测中的应用[J].生物技术通报，2010(1)：168-172.
[5] 查锡良.生物化学[M].7版.北京：人民卫生出版社，2009：483-485.
[6] 张杰道.生物化学实验技术PCR技术及应用[M].北京：科学出版社，2005：12-18.
[7] 谢海燕.黑线仓鼠LHR部分序列克隆及组织器官的表达差异[D].曲阜：曲阜师范大学，2011.
[8] KUBISTA M，ANDRADE J M，BENGTSSON M，et real-time pol-ymerase chain reaction[J].MoLecular Aspects of Medicine，2006，27(2-3)：95-125.
[9] AGINDOTAN B O，SHIEL P J，BERGER P detection of potato viruses，PLRV，PVA，PVX and PVY from dormant potato tubers by TaqMan real-timeRT-PCR[J].J Virol Methods，2007，142(1-2)：l-9.
[10] 李丽平.小麦慢锈品种叶片受条锈菌侵入后的木质素合成及调控研究[D].雅安：四川农业大学，2009.
[11] 薛霜，独军政，高闪电，等.实时荧光定量PCR技术研究进展及其在兽医学中的应用[J].中国农学通报，2010(7)：11-15.
[12] SCHUBERT J，FOMITCHEVA V，SZTANGRET-WISNIEWSKA J. Dif-ferentiation of Potato virus Y strains using improvedsets of diagnostic-PCR-primers [J].J Virol Methods，2007，140(1-2)：66-74.
[13] 袁继红.实时荧光定量PCR技术的实验研究[J].现代农业科技，2010(13)：20-22.
[14] 朱善元.生物检测技术PCR及其在兽医微生物检测中的应用[J].黑龙江畜牧兽医，1999(11)：21-22.
[15] 黄银花，胡晓湘，李宁，等.影响多重PCR扩增效果的因素[J].遗传，2003，25(1)：65-68.
[16] 陈诺，唐善虎，岑璐伽，等.多重PCR技术在食品微生物检测中的应用进展[J].生物技术，2010，37(10)：72-75.
[17] 刘连生.常规PCR技术与单分子PCR技术[J].医学信息，2010，23(11)：4379-4380.
[18] 顾超颖.汗孔角化病的临床分析，SSH1、ARPC3基因突变检测和表达谱分析[D].上海：复旦大学，2008.
[19] 唐永凯，俞菊华，刘波，等.翘嘴红鲌肝脏G6Pase催化亚基的克隆以及摄食和饲料中碳水化合物对其表达的影响[J].水产学报，2007，31(1)：45-53.
[20] 刘波，谢骏，苏永腾，等.高碳水化合物日粮对翘嘴红鲌生长、GK及GK mRNA表达的影响[J].水生生物学报，2008，32(1)：47-53.
[21] 俞菊华，戈贤平，唐永凯，等.碳水化合物、脂肪对翘嘴红鲌PEPCK基因表达的影响[J].水产学报，2007，31(3)：369-373.
[22] 孙淑娜，桂永浩，宋后燕，等.叶酸拮抗剂甲氨喋呤导致斑马鱼心脏发育异常及BMP2bHAS2表达下调[J].中国当代儿科杂志，2007，9(2)：159-163.
[23] SAWYER S J，GERSTNER K A，CALLARD PCR analysis of cytochrome P450 aromatase expression in zebrafish：gene specific tissue disyribution，sex differences，developmental programming，and estrogen regulation[J].General and comparative endocrinology，2006，147(2)：108-117.
[24] BEJ A K，MAHBUBANI M H，MILLER R，et PCR amplif-ication and immobilized capture probes for detection of bacterial patho-gens and indicators in water[J].Mol Cell Probes，1990，4(5)：353-365.
[25] ZHANG Z D，ALEXANDERSEN of carrier cattle and sheep persistently infected with foot-and-mouth disease virus by a rapid real-time RT-PCR assay[J].Journal of Virological Methods，2003，111(2)：95-100.
[26] ZHANG Z D，BASHIRUDDIN J analysis of foot-and-mouth disease virus RNA duration in tissues of experimentally infected pigs[J].TheVeterinary Journal，2009，180(1)：130-132.
[27] METZGER-BODDIEN C，BOSTEL A，KEHLE for analysis of food samples[J].J Food Prot，2004，67(8)：1585-1590.
点击下页还有更多>>>关于pcr技术论文