发布时间：
毕业论文答辩自我陈述（精选5篇）
艰辛而又充满意义的大学生活即将结束，大家都知道毕业生要通过最后的毕业论文，毕业论文是一种比较正规的、比较重要的检验大学学习成果的形式，毕业论文要怎么写呢？以下是我帮大家整理的毕业论文答辩自我陈述，仅供参考，大家一起来看看吧。
我是xx专升本xx班的xxx，我的论文题目是《企业保持持续盈利能力研究》。这篇论文是在我的指导老师xxx老师的悉心指点下完成的，在这段时间里，x老师对我的论文进行了详细的修改和指正，并给予我许多宝贵的意见和建议。在这里，我对她表示我最真挚的感谢和敬意！下面我将这篇论文的写作研究意义、结构及主要内容、存在的不足向各位老师作简要的陈述，恳请各位老师批评指导。
首先，我想谈谈为什么选这个题目及这篇文章的研究意义。
我当时之所以选择《企业保持持续盈利能力研究》这个题目是因为随着经济全球化和信息技术的发展，企业赖以生存和发展的环境发生了巨大的变化，在中国很多企业都因为不能适应这种变化而走向衰退。如何使企业既能保持目前的发展，又能在未来依然取得良好的发展势头等持续发展问题，引起各界越来越多的重视。因此，我们无论从社会财富创造、国民经济发展、国家财政收入、充裕就业机会、提升市场竞争力等哪一个方面去进行考察，都需要对其不断地进行研究，以不断提升企业持续、稳定发展的能力，从而促进我国经济更快的发展。
其次，我想谈谈这篇文章的结构和主要内容。
我的论文主要分为以下四个部分：
第一部分，主要概述了企业的盈利能力的涵义，之后又从企业的生命周期角度阐述了企业一旦失去持续盈利的能力，根本就无法维持生命，突出了持续盈利能力对企业发展的重要性，持续发展已成为企业生存最基本的保障。我们应在企业消亡和终结前，尽可能地延长企业的寿命，使其在有限的生命周期内实现其最大的价值。这既是对企业的盈利能力概念的补充和完善，也为下文进行深入论述打下了基础。
第二部分，着重分析了哪些因素影响了企业保持持续盈利的能力，主要有以下四个方面：一、恶心竞争；二、战略规划缺失；三、缺乏现代企业制度和科学管理体系；四、企业家浮躁的心态。
第三部分，主要从外因和内因两个方面分析了我国企业保持持续盈利能力的现状，并对企业中存在的问题做了原因分析，指出外因只是对企业的发展存在一定程度的影响，并不是制约企业发展的决定因素。而真正制约企业发展的瓶颈还是在于企业内部，并且具有普遍性。
第四部分，主要是针对前文所提到的影响企业保持持续盈利能力的因素和现存企业中存在的几个主要问题，提出了相应的解决对策：
1、不断创新，回避恶性竞争；
2、加强企业的战略规划，制定可持续发展战略；
3、建立完善的核心制度和科学管理体系；
4、企业家要具有企业家精神和良好的心态；
5、塑造优秀企业文化；
6、高瞻远瞩，树立远大发展意识。同时，也将论文的结构作了最后的收尾和完善，使论文整体结构完整，论述合理。
最后，我想谈谈这篇文章存在的不足。
在这篇论文的写作过程中，我尽可能多的收集资料，虽然从中学到了许多有用的东西，也积累了不少经验，但由于自己学识浅薄，认识能力不足，在理解上有诸多偏颇和浅薄的地方；也由于理论功底的薄弱，存有不少逻辑不畅和辞不达意的问题；加之时间紧迫和自己的粗心，与老师的期望相差甚远，许多问题还有待于进一步思考和探索，借此答辩机会，万分恳切的希望各位老师能够提出宝贵的意见，多指出这篇论文的错误和不足之处，我将虚心接受，从而进一步深入学习研究，使该论文得到完善和提高。
以上是我的论文答辩自述，敬请各位评委老师提出宝贵的意见。谢谢！
尊敬的各位老师，亲爱的各位同学：
大家下午好！
我是07社工班的学生巩鲜妮，我的毕业论文题目是《社区照顾理论下的城市社区养老服务发展对策研究》。我当初之所以选择这个课题，一是因为目前我国已进入了老龄化社会，关注养老服务是我们的责任，也是亟待解决的问题。二是我个人对养老服务的兴趣。我的学年论文就是研究老年社区照顾的，题为《从“我国老年人的恋家情结”视角看老年社区照顾的开展》，而毕业论文就是对学年论文的深入，我希望通过自己的浅薄研究能够为我国养老服务的发展提供建议和参考。
我的毕业论文指导老师是肖云老师。从确定选题、拟定提纲、完成初稿，到最后定稿，我得到了肖老师的精心细致指导，使我很快掌握了论文的写作方法，并在较短的时间里完成了论文的写作。不管今天答辩的结果如何，我都会由衷的感谢指导老师的辛勤劳动，感谢各位评委老师的批评指正。
下面我就把论文选题背景，写作基本思路以及存在不足向各位老师作如下简要陈述：
随着我国人口老龄化的加剧，养老问题已成为我国社会生活中存在的一个不容忽视的问题。由于家庭结构的变化，子女数量的减少，传统的家庭养老和社会养老已经不能适应我国目前快速老龄化的现状。在我国城市社区快速蓬勃发展，社区服务功能日益扩展和凸现的背景下，如何以社区为依托和载体，使之承担和发挥其养老服务功能，成为理论和实践上需要研究的问题。
近年来，对城市社区养老服务问题的研究较之初期的研究已逐渐走向深入，研究视角也在不断拓展。从研究城市社区养老服务的文献来看，多数研究集中在社区的境况、老年人的生理特征、心理特征、养老工作存在的问题等方面，优势视角、增能理论也开始得到了初步应有。以社区照顾理论的视角来研究城市社区养老服务的研究也有不少，但目前运用的深入和全面分析尚不多见。虽然这些相关研究对城市社区养老服务的发展都起着极大的促进作用，但也存在着不足和缺陷。例如：多数研究从社会调查的角度出发，比如对我国老年人身体状况、生活状况的调查等；问题的分析多数也仅仅局限在浅层次的空洞层面，分析还不够深刻细致，让人知其然不知其所以然；对于问题解决，太过注重养老的物质层面，而忽略内心和精神层面；在方案的提出方面，考虑不够全面，大多停留在宏观政策的层面，很多措施抽象而不具体，也难以落实，同时也缺乏可行性。
因此，我在本文的写作过程中，结合当前城市社区养老服务的现状，全面分析其所存在的问题，在社区照顾理论的应用和深入下，重点从文化传统、思想观念、经济实力等方面着手，针对我国的城市社区养老服务发展初步提出建设性对策。希望能够为我国的城市社区养老服务的发展工作提供建议和参考。
全文共分四个部分，分别为：社区照顾理论的分析、我国城市社区养老服务的现状、我国城市社区养老服务所存在的问题及原因分析、社区照顾理论下我国城市社区养老服务的发展对策。
第一部分主要阐述了社区照顾理论的来源、相关概念、内涵及特点。旨在增加对该理论的理解。
第二部分主要在大量文献的查阅和实地考察的基础上，概括了我国城市社区养老服务的总体现状。主要有：城市社区养老服务领域不断拓宽；城市社区养老服务方式呈现多样；城市社区养老服务环境日趋优化。
第三部分主要提出了目前我国城市社区养老服务所存在的问题：
（1）对社区养老服务认识不足；
（2）社区提供的服务项目较少；
（3）缺乏专业的养老服务人员，服务质量不高；
（4）社区医疗有待加强；
（5）政策法制不健全；
（6）资金缺乏且来源渠道单一。并对其进行了原因分析。
最后一部分针对存在的问题提出以下策略：
1、充分发挥政府的主导作用，提高社区养老的意识；
2、丰富社区养老服务项目；
3、加强对社区工作者的专业化培养，提高服务质量；
4、加强社区医疗水平；
5、完善相关的政策法规；
6、多渠道的筹集资金。
本文采用的研究方法主要有：文献研究法、比较分析与实证分析法，首先本文是在查阅大量相关资料和前人的研究情况下来进行写作的。
其次，本人对重庆市部分社区进行了走访调查，调查对象注意了地域代表性。最后，对大量的资料进行了归纳总结，分析原因，并提出几点可行的建议。
本文存在着一些不足之处，例如由于人力和时间有限，不能对各社区进行大范围的调查，改进与验证。
最后，我的论文是在老师的精心指导下完成的，他严谨治学的态度给了我潜移默化地影响。同时，在撰写的过程中，我学到了许多东西，丰富了自己的知识。
我的陈述完毕，希望各评委老师给予评价和指正。谢谢！
尊敬的各位老师、各位同学：
大家上午好！我叫XX，是08级人力资源管理0801班的学生，我的论文题目是《中小型私企绩效考核现状与优化策略探讨——以S有限公司为例》论文是在XX老师的指导下完成的，在此，我向耿老师表示深厚的谢意，并向在座参与毕业答辩的各位老师表示衷心地感谢。下面我将本论文设计的目的及主要内容向各位老师作一汇报，恳请各位老师给予点评与指导。
首先，我想谈谈本论文的选题背景、设计目的及意义。
背景：随着中国社会主义市场经济的发展，中小型私企面临着越来越激烈的国内和国际市场竞争，为了在竞争中生存下来，现代企业管理理念逐步被这些企业所接受并逐渐应用于企业管理实践。人力资源管理作为企业存在与发展所必需的基本管理技术，已经在大多数中小型私企中得到了推广与发展。
绩效考核正是连接战略目标和日常经营活动的桥梁，已越来越引起企业的高度重视，绩效的考核战略地位得到了前所未有的提升。作为一种以培养竞争力、打造高素质团队为目的的管理方法，绩效考核的目标是确认员工的工作成就，改进员工的工作方式，以提高工作效率和经营效益，从而建立企业核心竞争能力，达成组织目标和保持企业持续发展，因此企业必须加强自身的建设，练好“内功”，建立一套行之有效的绩效考核体系，通过绩效考核的有效实施，不断改善员工个人的绩效，最终实现企业整体绩效的提升。
就其目的及意义而言，主要有以下几点：
一、通过对中小型私企绩效考核的研究分析，明白绩效考核可以作用和改善员工的'工作态度和工作结果，同时为企业提供员工的个人信息，是企业实施人力资源管理的依据。
二、以S有限公司为案例，通过对其绩效考核的现状进行分析，以全面了解中小型私企的绩效管理状况，并总结其存在的问题；
三、通过对现存问题的探讨，得出相应的优化策略，从而为中小型私企的管理活动提供有益的建议。高星级酒店的改革与发展提供一定的参考依据。
其次，我想谈谈本论文的结构和主要内容：
本文主要分为六个部分。
第一部分介绍本文的写作背景、意义、及所研究问题的目的。
第二部分针对文中将用到的理论进行文献回顾。
第三部分论述中小型私企绩效考核的现状和原因分析。
第四部分导入本文研究对象S有限公司，针对公司绩效考核问题做了一次问卷调查并对调查结果进行分析。
第五部分提出对S有限公司绩效考核的优化策略。
第六部分是总结和不足之处。
最后，我想谈谈本论文的不足之处
由于受本人学术水平、资料和时间的限制，本文没有对影响绩效考核的因素、考核方法评价等方面进行研究，在对优化S有限公司的考核体系方面也没有进行详尽阐述，文中有些观点和分析尚且幼稚，这些不足都有待于笔者在以后学习和工作中进一步学习和研究，不妥之处敬请各位读者修正！
经过本次论文写作，我搜集到了许多有用的信息，学到了不少新的知识。当然，也更清楚地认识到自己在人力资源管理，特别是绩效管理方面知识与经验的缺乏。尽管做了问卷调查与实地访谈，搜集了许多相关资料，也尽量地运用了所学知识，但由于自身能力不足、经验不够等因素，本论文还存在许多不足之处，例如本文没有对影响绩效考核的因素、考核方法评价等方面进行研究，在对优化S有限公司的考核体系方面也没有进行详尽阐述，所以许多问题也有待于进一步思考与探索。因此，借答辩机会，希望各位老师提出宝贵意见，给予批评与指正。我将虚心地接受，以便于更好地学习。
谢谢！
我叫xx，是师范学院数学系xx级x班的学生，我的毕业论文题目是《运用化归与类比思想的解题策略》。本论文是在xx老师的悉心指点下完成的。在此，我十分感谢他长期以来对我的大力帮助，并对四年来教育、培养过我的老师表示深深的敬意。同时感谢百忙之中抽出宝贵的时间参与对我这篇论文审阅的老师们。
下面我将对我的学位论文的基本内容做一个简要的陈述：
我想从以下四个方面对这篇论文的写作进行介绍：首先是选题的研究现状和背景，其次是本题研究的目的和意义，再次是论文的主要内容，最后谈谈本论文的不足之处。
首先，选题的现状和北京。
我国火电企业也已经进行政企分开，公司化改组，商业化运营，法制化管理的改革。这些改革归根结底就是使火电企业能够顺利进入市场，参与竞争，这对火电企业来说既是一种挑战，也是一次发展的机遇：厂网分开、竞价上网等改革为火电企业拓展电力市场提供了条件；国家对供电营业区的划分和对限制用电政策的取消或调整，为火电企业提供了生存空间和政策支持；全社会口益提高的环保意识、优化能源结构和人规模城乡电网改造又为火电企业拓展电力市场创造了良机。火电企业正在这次机遇中迅猛发展。虽然当前我国发电企业去的了不俗的成绩，但仍存在着电网安全隐患较大，电力交易不规范行为屡见不鲜，各方利益矛盾冲突难以解决等问题。同时，当前火力发电企业经营环境面临电力需求增速趋缓、资金矛盾凸现、煤炭持续涨价、电价调整不到位等压力。随着我国建设资源节约型和环境友好型社会理念的提出，各种社会收费项目如水资源费、环保收费逐年增加，发电企业的生存与发展仍然面临着严峻的考验。
技术经济学是现代管理科学中一门新兴的综合性学科，其主要任务是从经济角度对具体工程项目、技术方案进行分析评价，为决策者提供有关经济效益方面的科学依据，帮助决策者作出正确的抉择。改革开放以来，我国技术经济学科获得了巨大发展。技术经济分析方法及其应用作为技术经济学科的重要组成部分在整个技术经济体系中占据着越来越重要的地位。
其次，本题的研究目的和意义。
当前火力发电企业经营环境面临电力需求增速趋缓、资金矛盾凸现、煤炭持续涨价、电价调整不到位等压力。随着我国建设资源节约型和环境友好型社会理念的提出，各种社会收费项目如水资源费、环保收费逐年增加，发电企业的生存与发展面临严峻的考验。技术经济分析方法对于整个发电企业来起着极为重要的意义。浙能乐清电厂作为浙能集团旗下的新兴电厂和浙江省电力工程的重要组成部分，各个重大项目的规划和设备的购置更需经过详细的计算和分析，从而在达到效益最大化的同时兼顾未来发展和周边环境。乐清电厂要想的到更好的发展必须依赖精准可靠的技术经济分析方法。
再次，论文的主要内容，本文共分成三个部分：
第一部分主要阐述了论文的研究背景现状及研究的目的意义。
第二部分主要阐述了技术经济分析方法包括盈亏平衡分析、敏感性分析、风险分析这三项不确定性分析及综合分析法、层次分析法和模糊综合评价法三个重要的系统综合法的基本原理及优缺点介绍。
第三部分主要阐述了上诉集中重要技术经济分析方法在浙能乐清电厂中的实际应用。
最后一点，想说说论文存在的一些不足。
第一，搜集材料的问题；虽然在校期间从事家教辅导，但是对中学教学的经验仍有待提高，因此，在写作的过程中，仅从几个问题上阐述了我肤浅的理解。
第二，由于实践研究不够，总结出的策略可操作性不强。论文对这些问题没有深入展开探讨，与导师期望达到的水平仍有一定的差距。
主要表现为：调研统计资料不够齐全，样本数量不足，合理性、全面性不够，技术经济分析方法选取代表性不足等。
经过本次论文写作，本人学到了许多有用的东西，也积累了不少经验，但由于本人才疏学浅，能力不足，加之时间和精力有限，在许多内容表述、论证上存在着不当之处，与老师的期望还相差甚远，许多问题还有待进行一步思考和探究，借此答辩机会，万分肯切的希望各位老师能够提出宝贵的意见，多指出我的错误和不足之处，本人将虚心接受，从而不断进一步深入学习研究，使该论文得到完善和提高。
以上是我对自己的论文简单介绍，请各位老师提问，谢谢。
各位评委老师，同学们：
上午好!我是惠州学院中文系xx本2班的学生xxx。我的毕业论文的题目是《再论苏轼寓惠散文》,我的指导老师是曹国安讲师。我当初之所以选择研究苏轼的寓惠散文，主要是因为苏轼是我比较喜欢的一个作家，他是我国文化发展史上一位多才多艺的“全能”式的通才，在散文创作方面，他更是是继欧阳修之后，宋代诗文的革新运动的卓越领导者和文坛领袖，唐宋散文八大家之一。他的散文代表了北宋古诗文运动的最高成就。在苏轼四十多年的文艺创作生涯中，他写了大量的散文，含括了众多的体裁品类。苏轼在寓惠期间，不仅创作了大量的诗词，同时也写了不少散文作品，包括书信在内共有326篇。这些寓惠散文作品便成了我研究此课题的最直接的文本基础。此外，在大学学习期间，我选修了苏轼寓惠研究方面的相关课程,对苏轼在贬谪惠州的相关事宜有一定的了解,也积累了一定的写作素材,有利于该课题的研究和写作工作的开展。
我的论文《再论苏轼寓惠散文》主要从苏轼的散文及其寓惠期间的时代背景入手，着手从苏轼的思想品格和人生哲学的角度，结合苏轼寓惠散文的具体作品进行分析，去探讨苏轼寓惠散文的内容题材和艺术特色，并尝试挖掘出苏轼寓惠散文的文化价值来。
具体说来，我的论文分为以下四个部分：
第一部分主要是总体上介绍苏轼散文创作及其在寓惠期间的贬谪生活经历和散文创作。
第二部分主要从四个方面去阐述苏轼寓惠散文的内容题材。苏轼寓惠散文取材广泛,内容丰富,蕴意深邃,感情真挚,充满理趣。或写景状物，寄寓深远;或谈经论道，释说世理;或叙古述今，慨叹人生;或缅怀亲友，诉说真爱。
第三部分主要从五个方面去阐述苏轼寓惠散文的艺术特色。苏轼寓惠散文，艺术形式灵活多变，笔锋清新自然，感情真挚恳切，寓意深远理趣，语言平淡简朴，具有独特的艺术特色。具体表现为：“文理自然，姿态横生，闲适旷达，浑然天成;情如泉涌，随物赋形;辞达;命题立意，新颖深刻，高远幽邃;沉稳渐熟，平淡简朴。”五方面的内容。
第四部分则简明地阐述了苏轼寓惠散文具有三方面的文化价值，包括：苏轼寓惠散文是后人研究苏轼寓惠经历的重要历史文献;苏轼寓惠散文是他晚年文艺思想、审美情趣发生转变的佐证;苏轼寓惠散文是苏轼所有散文的重要组成部分。
虽然目前学术界在苏轼散文研究领域取得了较大的进展，近20年来，出版和发表了数量可观的散文研究的著作和论文，但在苏轼寓惠散文研究方面的论文还很少，除了零散的一些论文外，在这个方面几乎是个未开垦的处女地。因此进行苏轼寓惠散文研究具有现实的学术价值。虽然我的论文是《再论苏轼寓惠散文》，但与前人所写的《试论苏轼寓惠散文》相比，具有创新之处，就是我在阐述了苏轼寓惠散文的内容题材和艺术特色的基础上，更进一步指出了苏轼寓惠散文所具有的文化价值来。
在毕业论文的准备和写作过程中，我阅读了大量的苏轼寓惠散文方面的相关书籍和学术期刊论文。这得得益于我们学校图书馆丰富的参考书籍和中国学术期刊网中的专业论文。本论文经过一二三稿并最终定稿，在这期间，我的论文指导老师曹国安老师对我的论文进行了详细的修改和指正，并给予我许多宝贵的建议和意见。其中，我的论文题目就是在曹老师的提议下而最终拟定的。在这里，我对他表示我最真挚的感谢和敬意!
以上就是我的答辩自述，希望各评委老师认真阅读论文并给予评价和指正。谢谢!
一,毕业论文答辩的一般程序 1.学员必须在论文答辩会举行之前半个月,将经过指导老师审定并签署过意见的毕业论文一式三份连同提纲,草稿等交给指导教师,并拟出需要提问的问题及答案. 2.在答辩会上,先让学员用15分钟左右的时间概述论文的标题以及选择该论题的原因,较详细地介绍论文的主要论点,论据和写作体会. 3.主答辩老师提问.主答辩老师一般提三个问题.老师提问完后,可以让学生独立准备15—20分钟后,再来当场回答,根据学员回答的具体情况,主答辩老师和其他答辩老师随时可以有适当的插问. 4.学员逐一回答完所有问题后退场,答辩委员会集体根据论文质量和答辩情况,商定通过还是不通过,并拟定成绩和评语. 5.召回学员,由主答辩老师当面向学员就论文和答辩过程中的情况加以小结,肯定其优点和长处,指出其错误或不足之处,并加以必要的补充和指点,同时当面向学员宣布通过或不通过.至于论文的成绩,一般不当场宣布. 二,主答辩老师的提问方式 1.提问要贯彻先易后难原则.主答辩老师给每位答辩者一般要提三个或三个以上的问题,这些要提的问题以按先易后难的次序提问为好.所提的第一个问题一般应该考虑到是学员答得出并且答得好的问题.学员第一个问题答好,就会放松紧张心理,增强"我"能答好的信心,从而有利于在以后几个问题的答辩中发挥出正常水平. 2.提问要实行逐步深入的方法.为了正确地检测学员的专业基础知识掌握的情况,有时需要把一个大问题分成若干个小问题,并采取逐步深入的提问方法. 3.当答辩者的观点与自己的观点相左时,应以温和的态度,商讨的语气与之开展讨论,即要有"长者"风度,施行善术,切忌居高临下,出言不逊.不要以"真理"掌握者自居,轻易使用"不对","错了","谬论"等否定的断语.要记住"是者可能非,非者可能有是"的格言,要有从善如流的掂量.不必将自己的观点强加于人,只要把自己的观点亮出来,供对方参考就行. 4.当学员的回答答不到点子上或者一时答不上来的问题,应采用启发式,引导式的提问方法.参加过论文答辩委员会的老师可能都遇到过这样的情况:学员对你所提的问题答不上来,有的就无可奈何地"呆"着;有的是东拉西扯,与你绕圈子,其实他也是不知道答案.碰到这种情况,答辩老师既不能让学员尴尬地"呆"在那里,也不能听凭其神聊,而应当及时加以启发或引导.只有通过启发和引导仍然答不出或答不到点子上的,才可判定他确实不具备这方面的知识. 三,学员答辩要注意的问题 学员要顺利通过答辩,并在答辩时真正发挥出自己的水平,除了在答辩前充分作好准备外,还需要了解和掌握答辩的要领和答辩的艺术. (一)携带必要的资料和用品:首先,学员参加答辩会,要携带论文的底稿和主要参考资料.在答辩会上,主答辩老师提出问题后,学员可以准备一定时间后再当面回答,在这种情况下,携带论文底稿和主要参考资料的必要性是不言自明的.其次,还应带上笔和笔记本,以便把主答辩老师所提出的问题和有价值的意见,见解记录下来.通过记录,不仅可以减缓紧张心理,而且还可以更好地吃透老师所提问的要害和实质是什么,同时还可以边记边思考,使思考的过程变得很自然. (二)要有自信心,不要紧张:在作了充分准备的基础上,大可不必紧张,要有自信心.树立信心,消除紧张慌乱心理很重要,因为过度的紧张会使本来可以回答出来的问题也答不上来.只有充满自信,沉着冷静,才会在答辩时有良好的表现.而自信心主要来自事先的充分准备. (三)听清问题后经过思考再作回答:主答辩老师在提问题时,学员要集中注意力认真聆听,并将问题回答略记在本子上,仔细推敲主答辩老师所提问题的要害和本质是什么 切忌未弄清题意就匆忙作答.如果对所提问题没有断清楚,可以请提问老师再说一遍.如果对问题中有些概念不太理解,可以请提问老师做些解释,或者把自己对问题的理解说出来,并问清是不是这个意思,等得到肯定的答复后再作回答.只有这样,才有可能避免答所非问.答到点子上. (四)回答问题要简明扼要,层次分明:在弄清了主答辩老师所提问题的确切涵义后,要在较短的时间内作出反应,要充满自信地以流畅的语言和肯定的语气把自己的想法讲述出来,不要犹犹豫豫.回答问题,一要抓住要害,简明扼要,不要东拉西扯,使人听后不得要领;二要力求客观,全面,辩证,留有余地,切忌把话说"死";三要条分缕析,层次分明.此外还要注意吐词清晰,声音适中等等. (五)对回答不出的问题,不可强辩:有时答辩委员会的老师对答辩人所作的回答不太满意,还会进一步提出问题,以求了解论文作者是否切实搞清和掌握了这个问题.遇到这种情况,答辩人如果有把握讲清,就可以申明理由进行答辩;如果不太有把握,可以审慎地试着回答,能回答多少就回答多少,即使讲得不很确切也不要紧,只要是同问题有所关联,老师会引导和启发你切入正题;如果确是自己没有搞清的问题,就应该实事求是地讲明自己对这个问题还没有搞清楚,表示今后一定认真研究这个问题,切不可强词夺理,进行狡辩.因为,答辩委员会的老师对这个问题有可能有过专门研究,再高明的也不可能蒙他.这里我们应该明白:学员在答辩会上,某个问题被问住是不奇怪的,因为答辩委员会成员一般是本学科的专家.他们提出来的某个问题答不上来是很自然的.当然,所有问题都答不上来,一问三不知就不正常了. (六)当论文中的主要观点与主答辩老师的观点相左时,可以与之展开辩论: 答辩中,有时主答辩老师会提出与你的论文中基本观点不同的观点,然后请你谈谈看法,此时就应全力为自己观点辩护,反驳与自己观点相对立的思想.主答辩老师在提问的问题中,有的是基础知识性的问题,有的是学术探讨性的问题,对于前一类问题,是要你作出正确,全面地回答,不具有商讨性.而后一类问题,是非正误并未定论,持有不同观点的人可以互相切磋商讨.如果你所写的论文的基本观点是经过自己深思熟虑,又是言之有理,持之有据,能自圆其说的,就不要因为答辩委员会成员提出不同的见解,就随声附和,放弃自己的观点.否则,就等于是你自己否定了自己辛辛苦苦写成的论文.要知道,有的答辩老师提出的与你论文相左的观点,并不是他本人的观点,他提出来无非是想听听你对这种观点的评价和看法,或者是考考你的答辩能力或你对自己观点的坚定程度.退一步说,即使是提问老师自己的观点,你也应该抱着"吾爱吾师,吾更爱真理"的态度,据理力争,与之展开辩论. 不过,与答辩老师展开辩论要注意分寸,运用适当的辩术.一般说,应以维护自己的观点为主,反驳对方的论点要尽可能采用委婉的语言,请教的口气,用旁说,暗说,绕着说的办法,不露痕迹地把自己的观点输入对方,让他们明理而诚服或暗服.让提问老师感受到虽接受你的意见,但自己的自尊并没受到伤害.譬如,在一次答辩会上,一位老师在说明垄断高额利润时,把垄断高额利润说成是高出平均利润以上的那部分利润.答辩的学员听出老师的解释错了.就用平和不解的语气说:"那么,垄断高额利润是垄断价格高于成本价格的话怎么理解呢 "提问的老师听后一怔,隔了一会儿,高声说:"问得好!"从提问老师的喝彩声中,我们知道,他已心悦诚服地同意了你的观点.这样的辩论,答辩老师不仅不会为难你,相反会认为你有水平,基础扎实. (七)要讲文明礼貌:论文答辩的过程也是学术思想交流的过程.答辩人应把它看成是向答辩老师和专家学习,请求指导,讨教问题的好机会.因此,在整个答辩过程中,答辩人应该尊重答辩委员会的老师,言行举止要讲文明,有礼貌,尤其是在主答辩老师提出的问题难以回答,或答辩老师的观点与自己的观点相左时,更应该注意如此.答辩结束,无论答辩情况如何,都要从容,有礼貌地退场. 此外,毕业论文答辩之后,作者应该认真听取答辩委员会的评判,进一步分析,思考答辩老师提出的意见,总结论文写作的经验教训.一方面,要搞清楚通过这次毕业论文写作,自己学习和掌握了哪些科学研究的方法,在提出问题,分析问题,解决问题以及科研能力上得到了提高.还存在哪些不足,作为今后研究其他课题时的借鉴.另一方面,要认真思索论文答辩会上,答辩老师提出的问题和意见,修改自己的论文,加深研究,精心修改自己的论文,求得纵深发展,取得更大的战果.使自己在知识上,能力上有所提高.
论文答辩的技巧答辩前的准备，最重要的是答辩者的准备。要保证论文答辩的质量和效果，关键在答辩者一边。论文作者要顺序通过答辩，在提交了论文之后，不要有松一口气的思想，而应抓紧时间积极准备论文答辩。首先，要写好毕业论文的简介，主要内容应包括论文的题目，指导教师姓名，选择该题目的动机，论文的主要论点、论据和写作体会以及本议题的理论意义和实践意义。其次，要熟悉自己所写论文的全文，尤其是要熟悉主体部分和结论部分的内容，明确论文的基本观点和主论的基本依据；弄懂弄通论文中所使用的主要概念的确切涵义，所运用的基本原理的主要内容；同时还要仔细审查、反复推敲文章中有无自相矛盾、谬误、片面或模糊不清的地方，有无与党的政策方针相冲突之处等等。如发现有上述问题，就要作好充分准备——补充、修正、解说等。只要认真设防，堵死一切漏洞，这样在答辩过程中，就可以做列心中有数、临阵不慌、沉着应战。第三，要了解和掌握与自己所写论文相关联的知识和材料。如自己所研究的这个论题学术界的研究已经达到了什么程度?目前，存在着哪些争议?有几种代表性观点?各有哪些代表性著作和文章?自己倾向哪种观点及理由；重要引文的出处和版本；论证材料的来源渠道等等。这些方面的知识和材料都要在答辩前做到有比较好的了解和掌握。第四，论文还有哪些应该涉及或解决，但因力所不及而未能接触的问题，还有哪些在论文中未涉及到或涉及到很少，而研究过程中确已接触到了并有一定的见解，只是由于觉得与论文表述的中心关联不大而没有写入等等。第五，对于优秀论文的作者来说，还要搞清楚哪些观点是继承或借鉴了他人的研究成果，哪些是自己的创新观点，这些新观点、新见解是怎么形成的等等。对上述内容，作者在答辩前都要很好地准备，经过思考、整理，写成提纲，记在脑中，这样在答辩时就可以做到心中有数，从容作答。
答辩前的准备，对于校方来说，主要是做好答辩前的组织工作。这些组织工作主要有：审定学员参加毕业论文答辩的资格，组织答辩委员会，拟订毕业论文成绩标准，布置答辩会场等。审查学员参加毕业论文答辩的资格凡是参加毕业论文答辩的学生，要具备一定的条件，这些条件是：1．必须是已修完高等学校规定的全部课程的应届毕业生和符合有关规定并经过校方批准同意的上一届学生。2．学员所学课程必须是全部考试、考查及格；实行学分制的学校，学员必须获得学校准许毕业的学分。3．学员所写的毕业论文必须经过导师指导并有指导老师签署同意参加答辩的意见。以上三个条件必须同时具备，缺一不可，只有同时具备了上述三个条件的大学生，才有资格参加毕业论文答辩。另一方面，具备了上述三个条件的大学生，规定要进行论文答辩的除了个别有特殊情况经过批准者外，只有经过答辩并获得通过才准予毕业。
我的盲审还是不错的，因为我的论文已经受到了很多指导总体来说是非常不错的，所以我不担心。
我的毕业论文盲审已经通过了，因为我为论文下了很大的功夫，可以说是完美通过。
过了。我写的时候完全是用我的真才实学写出来的，没有一些抄袭的状况的，而且质量还是很不错的。
我的毕业论文盲审不错的，而且我的论文也是写得非常不错，我对我的论文是没有太多担心的。
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。
科技领域。《光子学报》是中国科学院西安光学精密机械研究所、中国光学学会主办、科学出版社出版的学术月刊。光子学报目标检测论文属于科技领域，宗旨是展示光子学研究领域的新理论、新概念、新思想、新技术和新进展，反映代表该学科前沿并具有中国国内外先进水平而为国际上关心的最新研究成果。
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）。
一周时间有点紧，为了按时交毕业论文，可以开挂熬夜；临近毕业时，同学们都忙着准备毕业论文写作，论文查重也成为顺利通过毕业一小技巧。了解毕业论文写作流程，论文查重，能帮助同学们顺利通过毕业。大学生毕业论文写作查重流程：写论文→定稿→改查重→通过论文改重助手降低查重率→自己查重检测通过→修改格式→提交学校；"了解毕业论文结构，毕业答辩流程，祝你顺利毕业；毕业论文结构1、论文题目：要求准确、简练、醒目、新颖。2、目录：目录是论文中主要段落的简表。（短篇论文不必列目录）3、提要：是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。4、关键词或主题词：关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。 每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。主题词是经过规范化的词，在确定主题词时，要对论文进行主题，依照标引和组配规则转换成主题词表中的规范词语。5、论文正文：（1）引言：引言又称前言、序言和导言，用在论文的开头。 引言一般要概括地写出作者意图，说明选题的目的和意义, 并指出论文写作的范围。引言要短小精悍、紧扣主题。〈2）论文正文：正文是论文的主体，正文应包括论点、论据、 论证过程和结论。主体部分包括以下内容：a.提出-论点；b.分析问题-论据和论证；c.解决问题-论证与步骤；d.结论。6、一篇论文的参考文献是将论文在和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献著录规则》进行。中文：标题--作者--出版物信息（版地、版者、版期）：作者--标题--出版物信息所列参考文献的要求是：（1）所列参考文献应是正式出版物，以便读者考证。（2）所列举的参考文献要标明序号、著作或文章的标题、作者、出版物信息。"
写论文因人而异，一篇毕业论文的诞生，不仅需要掌握自己领域的技巧，还需要将知识、逻辑思维和写作技巧结合在一起，最后还要修改论文。目前，大多数学校论文的方向仅限于图书知识。没有实践能力，就很难理解这一点的深层含义，也就不可能把理论运用到实践中去，有些学生撰写仓促，导致出现许多的问题。 在平时和课堂做研究的时候不做笔记不收集素材，的确现在的大学生在大学生活中除了吃饭，睡觉和打游戏，都在浪费大学的学习时间。当然你没有一点写作技巧。毕业前，你才想起你还有些毕业论文，你就知道麻烦来了，花很短的时间去阅读各种写作材料和写作技巧，然后急急忙忙的开始写论文，格式要求等等一切都是未知的，导致你最后写出来的论文根本不符合逻辑。所以通过对论文的撰写和复习，学生不仅可以看到论文的不足之处，而且可以使学校和研究生招生单位更好地了解每个学生的专业水平和工作态度。
个人感觉单片机方向的论文比较好写也比较简单，而且也比较容易做出实物答辩的时候拿高分，比如说做一个mp3什么的，只要熟悉下SPI协议，处理器用STM32F103x系列，然后再买一个VS1003b的mp3解码芯片，很容易就可以做一个mp3出来，不仅看起来高大上，做起来也很简单，晚上的教程一堆一堆的，拈来可得图形学方面的本人入坑五六年，说来说去除了数学还是数学，赶论文很多地方自己都不明白，拿脸部识别来说ANN，SVM，Adaboost，哪个不要花个把来月琢磨，而且还是建立在有一定底子的基础上，代码参考OpenCV，除非觉得自己有把握，不建议本科或者非图形学专业的论文搞，难度我就不说了，谁学谁知道
你擅长哪个就写哪个。
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 ：
不知道诶~不过你要写这类的论文你可以在网上找下（人工智能与机器人研究）吧~多学习多看看~找找灵感和思路·
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。