发布时间：
可使用方括号。在论文正文中所引用的参考文献，应该使用方括号，用阿拉伯数字，.等按顺序以右上角标形式标注在引用的地方，当引用多篇文献的时候，需要将个篇参考文献的序号在方括号内列出来，各个序号用“，”的形式，如果是连续序号，那么可以标注讫序号。参考文献的引用顺序，也就是后面的编码顺序，顺序不可以乱。
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）。
这个要看你们毕设的要求，其实每年都有毕设做这种的。
数据集这一点不需考虑的，应该在网上都是找得到关于你要解决问题的数据集的，如果要自己搞数据集就很麻烦，看几篇论文你就清楚了。
网上关于用v5训练自己数据集的教程还是比较多的。v5的代码用起来很方便，模块化了的。难的是需要搞清楚v5的原理以及如何将最新的一些算法加入到v5，针对性地提高自己训练集的效果。如果你够厉害的话也可以针对v5的一个板块提出自己新的算法，比如改进CIOU之类的。
文献综述好好写，论文格式好好弄。
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）。
作为计算机视觉三大任务（图像分类、目标检测、图像分割）之一，目标检测任务在于从图像中定位并分类感兴趣的物体。传统视觉方案涉及霍夫变换、滑窗、特征提取、边界检测、模板匹配、哈尔特征、DPM、BoW、传统机器学习（如随机森林、AdaBoost）等技巧或方法。在卷积神经网络的加持下，目标检测任务在近些年里有了长足的发展。其应用十分广泛，比如在自动驾驶领域，目标检测用于无人车检测其他车辆、行人或者交通标志牌等物体。
目标检测的常用框架可以分为两类，一类是 two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是 one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表。
Two-stage的方式面世比较早，由于需要将兴趣区域检测和分类分开进行，虽然精度比较高，但实时性比较差，不适合自动驾驶无人车辆感知等应用场景。因而此次我们主要介绍一下SSD和YOLO系列框架。
SSD与2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 一文中提出。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确。
SSD的框架在一个基础CNN网络（作者使用VGG-16，但是也可以换成其他网络）之上，添加了一些额外的结构，从而使网络具有以下特性：
用多尺度特征图进行检测 作者在VGG-16后面添加了一些特征层，这些层的尺寸逐渐减小，允许我们在不同的尺度下进行预测。越是深层小的特征图，用来预测越大的物体。
用卷积网络进行预测 不同于YOLO的全连接层，对每个用于预测的 通道特征图，SSD的分类器全都使用了 卷积进行预测，其中 是每个单元放置的先验框的数量， 是预测的类别数。
设置先验框 对于每一个特征图上的单元格，我们都放置一系列先验框。随后对每一个特征图上的单元格对应的每一个先验框，我们预测先验框的 维偏移量和每一类的置信度。例如，对于一个 的特征图，若每一个特征图对应 个先验框，同时需要预测的类别有 类，那输出的大小为 。（具体体现在训练过程中） 其中，若用 表示先验框的中心位置和宽高， 表示预测框的中心位置和宽高，则实际预测的 维偏移量 是 分别是：
下图是SSD的一个框架，首先是一个VGG-16卷积前5层，随后级联了一系列卷积层，其中有6层分别通过了 卷积（或者最后一层的平均池化）用于预测，得到了一个 的输出，随后通过极大值抑制（NMS）获得最终的结果。
图中网络用于检测的特征图有 个，大小依次为 ， ， ， ， ， ；这些特征图每个单元所对应的预置先验框分别有 , , , , , 个，所以网络共预测了 个边界框，（进行极大值抑制前）输出的维度为 。
未完待续
参考： chenxp2311的CSDN博客：论文阅读：SSD: Single Shot MultiBox Detector 小小将的知乎专栏：目标检测|SSD原理与实现 littleYii的CSDN博客：目标检测论文阅读：YOLOv1-YOLOv3（一）
作者的其他相关文章： 图像分割：全卷积神经网络（FCN）详解 PointNet：基于深度学习的3D点云分类和分割模型 详解 基于视觉的机器人室内定位
|声明：遵循CC BY-SA版权协议 建立在YOLOv1的基础上，经过Joseph Redmon等的改进，YOLOv2和YOLO9000算法在2017年CVPR上被提出，并获得最佳论文提名，重点解决YOLOv1召回率和定位精度方面的误差。在提出时，YOLOv2在多种监测数据集中都要快过其他检测系统，并可以在速度与精确度上进行权衡。 YOLOv2采用Darknet-19作为特征提取网络，增加了批量标准化（Batch Normalization）的预处理，并使用224×224和448×448两阶段训练ImageNet，得到预训练模型后fine-tuning。 相比于YOLOv1是利用FC层直接预测Bounding Box的坐标，YOLOv2借鉴了FSR-CNN的思想，引入Anchor机制，利用K-Means聚类的方式在训练集中聚类计算出更好的Anchor模板，在卷积层使用Anchor Boxes操作，增加Region Proposal的预测，同时采用较强约束的定位方法，大大提高算法召回率。同时结合图像细粒度特征，将浅层特征与深层特征相连，有助于对小尺寸目标的检测。 下图所示是YOLOv2采取的各项改进带了的检测性能上的提升： YOLO9000 的主要检测网络也是YOLO v2，同时使用WordTree来混合来自不同的资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，目的是利用数量较大的分类数据集来帮助训练检测模型，因此，YOLO 9000的网络结构允许实时地检测超过9000种物体分类，进一步缩小了检测数据集与分类数据集之间的大小代沟。 下面将具体分析YOLOv2的各个创新点: BN概述： 对数据进行预处理（统一格式、均衡化、去噪等）能够大大提高训练速度，提升训练效果。BN正是基于这个假设的实践，对每一层输入的数据进行加工。 BN是2015年Google研究员在论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》一文中提出的，同时也将BN应用到了2014年的GoogLeNet上，也就是Inception-v2。 BN层简单讲就是对网络的每一层的输入都做了归一化，这样网络就不需要每层都去学数据的分布，收敛会更快。YOLOv1算法（采用的是GoogleNet网络提取特征）是没有BN层的，而在YOLOv2中作者为每个卷积层都添加了BN层。 使用BN对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖，因此使用BN后可以从模型中去掉Dropout，而不会产生过拟合。 BN优点： 神经网络每层输入的分布总是发生变化，加入BN，通过标准化上层输出，均衡输入数据分布，加快训练速度，因此可以设置较大的学习率（Learning Rate）和衰减（Decay）； 通过标准化输入，降低激活函数（Activation Function）在特定输入区间达到饱和状态的概率，避免梯度弥散（Gradient Vanishing）问题； 输入标准化对应样本正则化，BN在一定程度上可以替代 Dropout解决过拟合问题。 BN算法： 在卷积或池化之后，激活函数之前，对每个数据输出进行标准化，方式如下图所示： 公式很简单，前三行是 Batch内数据归一化（假设一个Batch中有每个数据），同一Batch内数据近似代表了整体训练数据。第四行引入了附加参数 γ 和 β，此二者的取值算法可以参考BN论文，在此不再赘述。 fine-tuning：用已经训练好的模型，加上自己的数据集，来训练新的模型。即使用别人的模型的前几层，来提取浅层特征，而非完全重新训练模型，从而提高效率。一般新训练模型准确率都会从很低的值开始慢慢上升，但是fine-tuning能够让我们在比较少的迭代次数之后得到一个比较好的效果。 YOLO模型分为两部分，分类模型和检测模型，前者使用在ImageNet上预训练好的模型，后者在检测数据集上fine-tuning。 YOLOv1在预训练时采用的是224*224的输入（在ImageNet数据集上进行），然后在检测的时候采用448*448的输入，这会导致从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变。 YOLOv2则将预训练分成两步：先用224*224的输入在ImageNet数据集训练分类网络，大概160个epoch（将所有训练数据循环跑160次）后将输入调整到448*448，再训练10个epoch（这两步都是在ImageNet数据集上操作）。然后利用预训练得到的模型在检测数据集上fine-tuning。这样训练得到的模型，在检测时用448*448的图像作为输入可以顺利检测。 YOLOv1将输入图像分成7*7的网格，每个网格预测2个Bounding Box，因此一共有98个Box，同时YOLOv1包含有全连接层，从而能直接预测Bounding Boxes的坐标值，但也导致丢失较多的空间信息，定位不准。 YOLOv2首先将YOLOv1网络的FC层和最后一个Pooling层去掉，使得最后的卷积层可以有更高分辨率的特征，然后缩减网络，用416*416大小的输入代替原来的448*448，使得网络输出的特征图有奇数大小的宽和高，进而使得每个特征图在划分单元格（Cell）的时候只有一个中心单元格（Center Cell）。 为什么希望只有一个中心单元格呢？由于图片中的物体都倾向于出现在图片的中心位置，特别是比较大的物体，所以有一个单元格单独位于物体中心的位置用于预测这些物体。 YOLOv2通过引入Anchor Boxes，通过预测Anchor Box的偏移值与置信度，而不是直接预测坐标值。YOLOv2的卷积层采用32这个值来下采样图片，所以通过选择416*416用作输入尺寸最终能输出一个13*13的特征图。若采用FSRCNN中的方式，每个Cell可预测出9个Anchor Box，共13*13*9=1521个（YOLOv2确定Anchor Boxes的方法见是维度聚类，每个Cell选择5个Anchor Box）。 在FSRCNN中，以一个51*39大小的特征图为例，其可以看做一个尺度为51*39的图像，对于该图像的每一个位置，考虑9个可能的候选窗口：3种面积3种比例。这些候选窗口称为Anchor Boxes。下图示出的是51*39个Anchor Box中心，以及9种Anchor Box示例。 YOLOv1和YOLOv2特征图数据结构： YOLOv1：S*S* (B*5 + C) => 7*7（2*5+20） 其中B对应Box数量，5对应边界框的定位信息（w,y,w,h）和边界框置信度（Confidience）。分辨率是7*7，每个Cell预测2个Box，这2个Box共用1套条件类别概率（1*20）。 YOLOv2：S*S*K* (5 + C) => 13*13*9（5+20） 分辨率提升至13*13，对小目标适应性更好，借鉴了FSRCNN的思想，每个Cell对应K个Anchor box（YOLOv2中K=5），每个Anchor box对应1组条件类别概率（1*20）。 聚类：聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。即在没有划分类别的情况下，根据数据相似度进行样本分组。 在FSR-CNN中Anchor Box的大小和比例是按经验设定的，然后网络会在训练过程中调整Anchor Box的尺寸，最终得到准确的Anchor Boxes。若一开始就选择了更好的、更有代表性的先验Anchor Boxes，那么网络就更容易学到准确的预测位置。 YOLOv2使用K-means聚类方法类训练Bounding Boxes，可以自动找到更好的宽高维度的值用于一开始的初始化。传统的K-means聚类方法使用的是欧氏距离函数，意味着较大的Anchor Boxes会比较小的Anchor Boxes产生更多的错误，聚类结果可能会偏离。由于聚类目的是确定更精准的初始Anchor Box参数，即提高IOU值，这应与Box大小无关，因此YOLOv2采用IOU值为评判标准，即K-means 采用的距离函数（度量标准） 为： d(box,centroid) = 1 - IOU(box,centroid) 如下图，左边是聚类的簇个数和IOU的关系，两条曲线分别代表两个不同的数据集。分析聚类结果并权衡模型复杂度与IOU值后，YOLOv2选择K=5，即选择了5种大小的Box 维度来进行定位预测。 其中紫色和灰色也是分别表示两个不同的数据集，可以看出其基本形状是类似的。更重要的是，可以看出聚类的结果和手动设置的Anchor Box位置和大小差别显著——结果中扁长的框较少，而瘦高的框更多（更符合行人的特征）。 YOLOv2采用的5种Anchor的Avg IOU是61，而采用9种Anchor Boxes的Faster RCNN的Avg IOU是，也就是说本文仅选取5种box就能达到Faster RCNN的9中box的效果。选择值为9的时候，AVG IOU更有显著提高。说明K-means方法的生成的boxes更具有代表性。 直接对Bounding Boxes求回归会导致模型不稳定，其中心点可能会出现在图像任何位置，有可能导致回归过程震荡，甚至无法收敛，尤其是在最开始的几次迭代的时候。大多数不稳定因素产生自预测Bounding Box的中心坐标（x,y）位置的时候。 YOLOv2的网络在特征图（13*13）的每一个单元格中预测出5个Bounding Boxes（对应5个Anchor Boxes），每个Bounding Box预测出5个值（tx,ty,tw,th,t0），其中前4个是坐标偏移值，t0是置信度结果（类似YOLOv1中的边界框置信度Confidence）。YOLOv2借鉴了如下的预测方式，即当Anchor Box的中心坐标和宽高分别是（xa,ya）和（wa,wh）时，Bounding Box坐标的预测偏移值（tx,ty,tw,th）与其坐标宽高（x,y,w,h）的关系如下： tx = (x-xa)/wa ty= (y-ya)/ha tw = log(w/wa) th = log(h/ha) 基于这种思想，YOLOv2在预测Bounding Box的位置参数时采用了如下强约束方法： 上图中，黑色虚线框是Anchor Box，蓝色矩形框就是预测的Bounding Box结果，预测出的Bounding Box的坐标和宽高为（bx,by）和（bw,bh），计算方式如图中所示，其中：对每个Bounding Box预测出5个值（tx,ty,tw,th,t0），Cell与图像左上角的横纵坐标距离为（cx,cy），σ定义为sigmoid激活函数（将函数值约束到［0,1］），该Cell对应的Anchor Box对应的宽高为（pw,ph）。 简而言之，（bx,by）就是（cx,cy）这个Cell附近的Anchor Box针对预测值（tx,ty）得到的Bounding Box的坐标预测结果，同时可以发现这种方式对于较远距离的Bounding Box预测值（tx,ty）能够得到很大的限制。 YOLOv2通过添加一个转移层，把高分辨率的浅层特征连接到低分辨率的深层特征（把特征堆积在不同Channel中）而后进行融合和检测。具体操作是先获取前层的26*26的特征图，将其同最后输出的13*13的特征图进行连接，而后输入检测器进行检测（检测器的FC层起到了全局特征融合的作用），以此来提高对小目标的检测能力。 为了适应不同尺度下的检测任务，YOLOv2在训练网络时，其在检测数据集上fine-tuning时候采用的输入图像的size是动态变化的。具体来讲，每训练10个Batch，网络就会随机选择另一种size的输入图像。因为YOLOv2用到了参数是32的下采样，因此也采用32的倍数作为输入的size，即采用{320,352,…,608}的输入尺寸（网络会自动改变尺寸，并继续训练的过程）。 这一策略让网络在不同的输入尺寸上都能达到较好的预测效果，使同一网络能在不同分辨率上进行检测。输入图片较大时，检测速度较慢，输入图片较小时，检测速度较快，总体上提高了准确率，因此多尺度训练算是在准确率和速度上达到一个平衡。 上表反映的是在检测时，不同大小的输入图片情况下的YOLOv2和其他目标检测算法的对比。可以看出通过多尺度训练的检测模型，在测试的时候，输入图像在尺寸变化范围较大的情况下也能取得mAP和FPS的平衡。 YOLOv1采用的训练网络是GoogleNet，YOLOv2采用了新的分类网络Darknet-19作为基础网络，它使用了较多的3*3卷积核，并把1*1的卷积核置于3*3的卷积核之间，用来压缩特征，同时在每一次池化操作后把通道（Channels）数翻倍（借鉴VGG网络）。 YOLOv1采用的GooleNet包含24个卷积层和2个全连接层，而Darknet-19包含19个卷积层和5个最大池化层（Max Pooling Layers），后面添加Average Pooling层（代替v1中FC层），而Softmax分类器作为激活被用在网络最后一层，用来进行分类和归一化。 在ImageNet数据集上进行预训练，主要分两步（采用随机梯度下降法）： 输入图像大小是224*224，初始学习率（Learning Rate）为，训练160个epoch，权值衰减（Weight Decay）为，动量（Momentum）为，同时在训练时采用标准的数据增强（Data Augmentation）方式如随机裁剪、旋转以及色度、亮度的调整。 fine-tuning：第1步结束后，改用448*448输入（高分辨率模型），学习率改为，训练10个epoch，其他参数不变。结果表明：fine-tuning后的top-1准确率为，top-5准确率为，若按照原来的训练方式，Darknet-19的top-1准确率是，top-5准确率为。可以看出，两步分别从网络结构和训练方式方面入手提高了网络分类准确率。 预训练之后，开始基于检测的数据集再进行fine-tuning。 首先，先把最后一个卷积层去掉，然后添加3个3*3的卷积层，每个卷积层有1024个卷积核，并且后面都连接一个1*1的卷积层，卷积核个数（特征维度）根据需要检测的类数量决定。（比如对VOC数据，每个Cell需要预测5个Boungding Box，每个Bounding Box有4个坐标值、1个置信度值和20个条件类别概率值，所以每个单元格对应125个数据，此时卷积核个数应该取125。） 然后，将最后一个3*3*512的卷积层和倒数第2个卷积层相连（提取细粒度特征），最后在检测数据集上fine-tuning预训练模型160个epoch，学习率采用，并且在第60和90个epoch的时候将学习率除以10，权值衰减、动量和数据增强方法与预训练相同。 YOLO9000通过结合分类和检测数据集，使得训练得到的模型可以检测约9000类物体，利用带标注的分类数据集量比较大的特点，解决了带标注的检测数据集量比较少的问题。具体方法是：一方面采用WordTree融合数据集，另一方面联合训练分类数据集和检测数据集。 分类数据集和检测数据集存在较大差别：检测数据集只有粗粒度的标记信息，如“猫”、“狗”，而分类数据集的标签信息则更细粒度，更丰富。比如“狗”就包括“哈士奇”、“金毛狗”等等。所以如果想同时在检测数据集与分类数据集上进行训练，那么就要用一种一致性的方法融合这些标签信息。 用于分类的方法，常用Softmax（比如v2），Softmax意味着分类的类别之间要互相独立的，而ImageNet和COCO这两种数据集之间的分类信息不相互独立（ImageNet对应分类有9000种，而COCO仅提供80种目标检测），所以使用一种多标签模型来混合数据集，即假定一张图片可以有多个标签，并且不要求标签之间独立，而后进行Softmax分类。 由于ImageNet的类别是从WordNet选取的，作者采用以下策略重建了一个树形结构（称为WordTree）： 遍历ImageNet的标签，然后在WordNet中寻找该标签到根节点(所有的根节点为实体对象)的路径； 如果路径只有一条，将该路径直接加入到WordTree结构中； 否则，从可选路径中选择一条最短路径，加入到WordTree结构中。 WordTree的作用就在于将两种数据集按照层级进行结合。 如此，在WordTree的某个节点上就可以计算该节点的一些条件概率值，比如在terrier这个节点，可以得到如下条件概率值： 进而，如果要预测此节点的概率（即图片中目标是Norfolk terrier的概率），可以根据WordTree将该节点到根节点的条件概率依次相乘得到，如下式： 其中： YOLO9000在WordTree1k（用有1000类别的ImageNet1k创建）上训练了Darknet-19模型。为了创建WordTree1k作者添加了很多中间节点（中间词汇），把标签由1000扩展到1369。 训练过程中GroundTruth标签要顺着向根节点的路径传播：为了计算条件概率，模型预测了一个包含1369个元素的向量，而且基于所有“同义词集”计算Softmax，其中“同义词集”是同一概念下的所属词。 现在一张图片是多标记的，标记之间不需要相互独立。在训练过程中，如果有一个图片的标签是“Norfolk terrier”，那么这个图片还会获得“狗”以及“哺乳动物”等标签。 如上图所示，之前的ImageNet分类是使用一个大Softmax进行分类，而现在WordTree只需要对同一概念下的同义词进行Softmax分类。然后作者分别两个数据集上用相同训练方法训练Darknet-19模型，最后在ImageNet数据集上的top-1准确率为，top-5准确率为；在WordTree数据集上的top-1准确率为，top-5准确率为。 这种方法的好处是有“退而求其次”的余地：在对未知或者新的物体进行分类时，性能损失更低，比如看到一个狗的照片，但不知道是哪种种类的狗，那么就预测其为“狗”。 以上是构造WordTree的原理，下图是融合COCO数据集和ImageNet数据集以及生成它们的WordTree的示意图（用颜色区分了COCO数据集和ImageNet数据集的标签节点）， 混合后的数据集对应的WordTree有9418个类。另一方面，由于ImageNet数据集太大，YOLO9000为了平衡两个数据集之间的数据量，通过过采样（Oversampling）COCO数据集中的数据，使COCO数据集与ImageNet数据集之间的数据量比例达到1：4。 对YOLO9000进行评估，发现其mAP比DPM高，而且YOLO有更多先进的特征，YOLO9000是用部分监督的方式在不同训练集上进行训练，同时还能检测9000个物体类别，并保证实时运行。虽然YOLO9000对动物的识别性能很好，但是对衣服或者装备的识别性能不是很好（这跟数据集的数据组成有关）。 YOLO9000的网络结构和YOLOv2类似，区别是每个单元格只采用3个Anchor Boxes。 YOLO9000提出了一种在分类数据集和检测数据集上联合训练的机制，即使用检测数据集（COCO）的图片去学习检测相关的信息即查找对象（例如预测边界框坐标、边界框是否包含目标及目标属于各个类别的概率），使用仅有类别标签的分类数据集（ImageNet）中的图片去扩展检测到的对象的可识别种类。 具体方法是：当网络遇到一个来自检测数据集的图片与标记信息，就把这些数据用完整的损失函数（v2和9000均沿用了v1网络的损失函数）反向传播，而当网络遇到一个来自分类数据集的图片和分类标记信息，只用代表分类误差部分的损失函数反向传播这个图片。 YOLO v2 在大尺寸图片上能够实现高精度，在小尺寸图片上运行更快，可以说在速度和精度上达到了平衡，具体性能表现如下所示。 coco数据集 voc2012数据集
关于期刊论文表格标准格式
现如今，大家都跟论文打过交道吧，论文是讨论某种问题或研究某种问题的文章。你所见过的'论文是什么样的呢？以下是我整理的关于期刊论文表格标准格式，供大家参考借鉴，希望可以帮助到有需要的朋友。
一、标题（不超过20个字）：三号黑体居中，可以分成1或2行；段后空一行
二、作者姓名（两人以上，以逗号分隔）：4号仿宋体居中，段后空行
三、作者单位、邮编：小4号宋体居中，段后空一行
四、摘要、关键词：“摘要”二字（小四号黑体），摘要内容要小四号宋体，段后空一行；“关键词”三字（小四号黑体），摘要内容要小四号宋体，段后空一行，关键词数量为3～5个，每一关键词之间用分号分开，最后一个关键词后不打标点符号。
五、中图分类号、文献标志码、文章编号（小四号黑体）
六、正文（小四号宋体。行距20磅，字符间距为标准）
1（顶格）一级标题，4号黑体，段前段后1行
（顶格）二级标题，5号黑体，段前段后行
（顶格）三级标题，5号楷体，段前段后行
七、图（图题配英文翻译，距正文段后行）（图题位于图下方；中文用6号宋体，加粗，英文用6号Times New Roman，加粗；英文采用段后行）
九、表（表题配英文翻译，距正文段前行。表中量与单位之间用“/”分隔）（三线表）（表题位于表上方；中文用6号宋体，加粗，英文用6号Times New Roman，加粗；中文采用段前行）
十、参考文献（配英文翻译）（标题：小5号黑体，内容：6号宋体）
参考文献格式：
l专著：
[序号]主要责任者.文献题名[M].出版地：出版者，出版年：起止页码.
l学位论文：
[序号]主要责任者.文献题名[D].出版地：出版者，出版年：起止页码.
l研究报告：
[序号]主要责任者.文献题名[R].出版地：出版者，出版年：起止页码.
l期刊文章：
[序号]主要责任者.文献题名[J].刊名，年，卷（期）：起止页码.
l论文集：
[序号]主要责任者.论文集题名[C]. 出版地：出版者，出版年：起止页码.
l论文集中的析出文献：
[序号]析出文献主要责任者.析出文献题名[C]//论文集主要责任者.论文集题名.出版地：出版者，出版年：析出文献起止页码.
l报纸文章：
[序号]主要责任者.文献题名[N].报纸名，出版日期（版次）.
l国际、国家标准：
[序号]标准编号标准名称[S].出版地：出版者，出版年.
l专利：
[序号]专利申请者或所有者.专利题名：专利国别：专利号[P].公告日期或公开日期[引用日期].获取和访问路径.
l电子文献：
[序号]主要责任者.电子文献题名[电子文献类型标志/电子文献载体标志].
电子文献出版地：出版者，出版年（更新或修改日期）[引用日期].获取和访问路径.
l各种未定义类型的文献：
[序号]主要责任者.文献题名[Z].出版地：出版者，出版年.
论文格式与论文参考文献格式科学技术报告、学位论文、学术论文以及其它类似文件是主要的科技信息源，是记录科学技术进步的历史性文件.为了统一这些文件的撰写、编辑、印刷、出版、发行，便于处理、储存、检索、利用、交流、传播.现将中华人民共和国国家标准GB 7713-87中有关论文格式、参考文献著录格式摘录如下：论文格式1.论文格式——题目：题目应当简明、具体、确切地反映出本文的特定内容，一般不宜超过20字，如果题目语意未尽，用副题补充说明。2.论文格式——作者：署名的作者只限于那些选定研究课题和制订研究方案、直接参加全部或主要研究工作、做出主要贡献，并了解论文报告的全部内容，能对全部内容负责解答的人。其他参加工作的人员，可列入附注或致谢部分。3.论文格式——摘要：摘要应具有独立性和自含性，有数据结论，是一篇完整的短文。摘要一般200-300字.摘要中不用图、表、化学结构式、非公知公用的符号和术语。4.论文格式——正文：论文中的图、表、附注、参考文献、公式等一律采用阿拉伯数字编码，其标注形式应便于互相区别，如图1，图2-1；表2，表3-2；附注：1)；文献[4]；式(5)，式(3-5)等.具体要求如下；论文格式——图：曲线图的纵.横坐标必须标注量、标准规定符号、单位(无量纲可以省略)，坐标上采用的缩略词或符号必须与正文中一致。论文格式——表：表应有表题，表内附注序号标注于右上角，如“XXX1）”（读者注意：前面“”引号中的实际排版表示方式应该是“1）”在“XXX”的右上角），不用“＊”号作附注序码，表内数据，空白代表未测，“一”代表无此项或未发现，"0"代表实测结果确为零。
具体的范文模板链接：
在学习和工作中，大家都经常看到论文的身影吧，论文是对某些学术问题进行研究的手段。一篇什么样的论文才能称为优秀论文呢？下面是我收集整理的论文中图表标题的格式要求及字体大小，希望能够帮助到大家。
中文题名
（二号宋体）
（中文题名一般不超过20个汉字；题名不得使用非公知公用、同行不熟悉的外来语、缩写词、符号、代号和商品名称。为便于数据库收录，尽可能不出现数学式和化学式。）
作者姓名
（小四号仿宋体）
作者单位 （包括英文摘要中）
（小五号宋体）
（如果作者为两位以上，之间用"，"隔开；如果多个作者为不同单位时，应在作者姓名上打上角标以区别，作者通讯地址应为详细的工作单位、所在城市及邮编和e—mail地址，必须用全称标注，不得简称。
在英文摘要中的作者姓名用汉语拼音，姓前名后，姓全大写，名首字母大写；作者单位，城市，邮政编码。如作者为两位以上，应指定联系人。）
中图分类号
（图书分类法是按照一定的思想观点，以科学分类为基础，结合图书资料的内容和特点，分门别类组成的分类表。采用《中国图书馆分类法》对论文进行中图分类的。）
中、英文摘要
（五号楷体）
（摘要的目的是向读者介绍论文的主要内容，传达重要的可检索信息，其主要内容包括被报导的研究项目的目的，研究方法、结果和结论。篇幅以300字左右为宜。英文摘要要用英语清楚、简明地写作，内容限制在150～180个英文单词以内。）
关键词 （5号楷体）
（关键词是便于读者从浩如烟海的书刊、论文中寻找文献，特别适应计算机自动检索的需要。论文应提供关键词3～8个，关键词之间用分号隔开。在审读文献题名、前言、结论、图表，特别是在审读文摘的基础上，选定能反映文献特征内容，通用性比较强的关键词。
首先要选项取列入《汉语主题词表》、《MeSH》等词表中的规范性词（称叙词或主题词）。对于那些反映新技术、新学科而尚未被主题词表录入的新名词术语，可用非规范的自由词标出，但不能把关键词写成是一句内容"全面"的短语。）
正文 （5号宋体）
文稿正文（含图、表）中的物理量和计量单位应符合国家标准或国际标准（GB3100—3102）。对外文字母、单位、符号的大小写、正斜体、上下角标及易混淆的字母应书写清楚。
文稿章节编号采用三级标题。一级标题（小4号黑体）形如1，2，3……；二级标题（5号黑体）形如：1，，……；，，，……；三级标题（5号宋体）形如：，，，……，，，……引言或前言不排序。若论文为基金项目，请在文章首页下角注明基金项目名称和编号。
图表要求
文中的图题、表题应有中英文对照（小5号黑体），并随文出现，图要精选，一般不超过6幅，请看具体要求。若图中有坐标，要求用符号注明坐标所表示的量（斜体），单位（正体）。若有图注，靠近放在图下部。照片应选用反差较大、层次分明、无折痕、无污迹的黑白照片，或提供*。tif格式的电子文档（分辨率不低于600线）。作者应自留底图。
文中表格一律使用三线表（祥见示例）（不划竖线）。表中参数应标明量和单位（用符号），若单位相同可统一写在表头或表顶线上右侧。若有表注，写在表底线下左侧。表中重复出现的文字，不可用"同前"、"同左"等表示，必须全部重复写出。
参考文献 （小5号宋体）
为了反映文稿的科学依据，尊重他人研究成果以及向读者提供有关信息的出处，正文之后一般应列出参考文献。列出的应确实是作者阅读过的、最主要的且发表在正式出版物上的文献；未公开发表的资料或协作成果，应征得有关方面同意，以脚注方式顺序表明。参考文献选用顺序编码制，按在文章中出现的先后顺序编号。
每条文献著录项目应齐全。文献的作者、编者、译者不超过3人时全部写出，超过者只写前3人，后加“等”或“etal”，作者之间用“，”隔开。外文作者或编者书写时，一律姓前名后，名用缩写，且省略“。”。由于Ei信息部进行收录论文中的参考文献（仅指英文）的录入工作，所以在稿件中参考文献中文期刊论文按中、英两种文字给出（英文参考文献不必给出中文）。
稿件处理
1、文稿要求打印作者也可提供Word文档，用A4幅面纸打印。稿件在书写格式上必须按照前述各项要求定稿，才可刊用。
2、审稿：来稿要经过有关专家2～3人（初、终）审定后才能录用。
3、版面费：对拟刊用的稿件将收取版面费。
4、录用通知：超过90天还未接到编辑部对稿件的处理通知，作者可以改投他刊。
5、稿酬：来稿一经发表，将支付作者稿酬，并赠送期刊2本。
6、版权：作者向学报投稿，编辑部视为得到了作者对该论文印刷版和电子版（包括网络、光盘）专有出版权的授权。对此有异议者，请投稿时向编辑部书面说明。
写论文，格式与样式可能用的不精到，但我想大部分人都是会用的。所以对于大多数人而言，写论文过程中，最痛苦的事情就是图表标题、公式以及参考文献的自动编号。
现在我的论文虽然还没写完，但今天上午也没什么事情，自己总结总结，都是菜鸟知识，精英人士就不用看了。
先说第一个，图表标题的自动编号。
1）插入图片之后，选中该图片，插入——引用——题注，蹦出对话框“题注”。
2）在“题注”对话框，从“标签”下拉菜单中选择合适的标签。写论文的时候，可能会用到诸如“图3—X”这样的情况，在标签下拉菜单中是没有的，那么就新建一个标签。
3）选择“新建标签”，在弹出的对话框中，写“图3—”，就完成了。这样，就可以回到第2步选择标签了。
4）选择完毕标签，要注意一下“标签位置”，图的话一般会在“所选项目下方”，表的话则会在“所选项目上方”，注意一下就OK。
5）单击确定。那么在插入图片的下方就会出现“图3—X”，在其后写入图名就行了。
6）那引用该图咋整呢？选中“图3—X”，插入—书签，在“书签名”中填写图的标题，单击“添加”。
7）需要引用的时候，插入—引用—交叉引用，“引用类型”为“书签”，“引用内容”为“书签文字”，单击“插入”，就可以在引用图表的位置见到诸如“图3—X”的文字了。
8）这就Over了！如果是插入的图片，右键就可以选择“题注”，如果在word中间自己绘制的'，就只能选择插入—引用—题注了！
再说第二个，公式的自动编号
1）装一个一个大家都在用的软件“MathType”！先装上它！
2）装上之后，不仅在标题栏多了“MathType”，在工具栏里面，也多了一行工具，把鼠标放在那里，会有“Insert Inline Equation”"Insert Dispaly Equation"， "Insert Dispaly Equation，Number on Right"，" Inser Equation Reference"，"Insert Chapter/section Break"，最常用的就是这几个了！
3）开始用。设置公式编号的格式。Mathtype—Formate Equation Numbers，到底是“章—节—序号”的格式还是“章—序号”的格式，看您自己了！因为默认的是“3。1。2”的格式，我们常用的是“3—1—2”，在Separator中将“。”修改为“—”，需要章序号呢，就选中“Chapter Number”，不需要呢就不选！设置完毕，OK！
4）插入公式，一般涉及编号的都是，公式居中，编号右对齐，那就在工具栏选择“Insert Display Equation， Number on right”的小图标（是一个连加的符号，上下有横线，右边有个“1”），写公式就可以了！
5）咋引用呢？在引用位置选择“Insert Equation Reference”小图标（一个带小括号的1，左下角有个小箭头）。引用位置会出现“Equation Reference goes Here”，然后选择要引用的公式编号，双击，搞定！
6）要在新的一章或一节写公式，就是要将“3—1—X”变成“3—2—X”或者“4—1—X”的形式，先“Insert Chaper/Secton Break”（它的小图标上边一个，下边一个，中间有个红线），接下来就一样了！
再说第三个问题，参考文献的自动编号
1）要是装了Endnote或者Noteexpress，而且会用，就不用看下面的东西了！
2）要是不会用，那就在引用文献的位置，插入—引用—脚注和尾注，选择“尾注”，选择“文档结尾”（如果一章一参考，那就改为“节的结尾”）。
编号格式改为“1，2，3”的形式，将更改应用于“整篇文档”，单击“插入”，就行了，接下来的工作，写参考文献，就不说了！格式先别管，人家咋样就先咋样！
3）遇到第2次引用该文献，咋整呢！第1遍引用，按照第2步来。第2次引用，插入—引用—交叉引用，引用类型“尾注”，引用内容“尾注编号”。
其缺点在于，一篇文献引用两次，第一次是尾注，第二次是交叉引用，要是把第一次引用文献的那段文字删除了，文献就没了，第二次引用就作废了。所以删除文字之前，要看清楚！我写大论文的原则是，文字可以删除，参考文献绝对不动，移到别处！haha！
4）改格式了！咱们通常用的以用都是[1]，[2]，怎么加这个中括号呢！查找—替换啊！查找和替换对话框，点开“高级”，查找内容：面板下面“特殊字符”，选择“尾注标记（E）”，在查找内容框中会出现“^e”。
替换为：面板下面“特殊字符”，选择“查找内容（F）”，框内会出现“^&”，在“^&”加个中括号，就成了“[^&]”。欧了，替换！交叉引用的，自己加个中括号！别太懒了！
5）继续修改格式！加了中括号，正文中是上标，这符合要求，尾注中可不行，咋办呢？选中，格式—字体，将“上标”勾掉，齐了！要是文献其他地方没有上标文字，全选尾注进行操作就OK，要是其他地方有，记着点，再改过来！文献中出现上下标的情况应该不多见！
6）还要修改格式。要是一处文字引用好几篇文献，就出现了“[1][2][3][4][5][6][7]”的情况，我们可是需要写成“[1—7]”的啊！咋整？将光标放在"[1"右边，按住shift，移动“—>”，就是将不希望看到的文字选中，格式—字体—隐藏文字！再加个“—”，妥了！
7）煞尾工作！文章写完了，不希望参考文献老在文档结尾呆着，咋整呢？复制到写字板，再复制到word中需要的位置，注意在此过程中调整一下空格啊之类的，把中括号也用替换的方法删除！自动编号，调整好格式！把尾注选中，隐藏掉！如果打算做这一步工作，第5步就可以省略了！
最后一个问题
不管咋修改，别忘了最后“更新域”！标题是中英文对照的，把英文标题记得修改好！
一、封面
题目：小二号黑体加粗居中。
各项内容：四号宋体居中。
二、目录
目录：二号黑体加粗居中。
章节条目：五号宋体。
行距：单倍行距。
三、论文题目：
小一号黑体加粗居中。
四、中文摘要
1、摘要：小二号黑体加粗居中。
2、摘要内容字体：小四号宋体。
3、字数：300字左右。
4、行距：20磅
5、关键词：四号宋体，加粗。词3—5个，每个词间空一格。
五、英文摘要
1、ABSTRACT：小二号 Times New Roman。
2、内容字体：小四号 Times New Roman。
3、单倍行距。
4、Keywords：四号加粗。词3—5个，小四号Times New Roman。词间空一格。
六、绪论
小二号黑体加粗居中。内容500字左右，小四号宋体，行距：20磅
七、正文
（一）正文用小四号宋体
（二）安保、管理类毕业论文各章节按照一、二、三、四、五级标题序号字体格式
章：标题小二号黑体，加粗，居中。
节：标题小三号黑体，加粗，居中。
一级标题序号如：一、二、三、标题四号黑体，加粗，顶格。
二级标题序号如：（一）（二）（三）标题小四号宋体，不加粗，顶格。
三级标题序号如：.标题小四号宋体，不加粗，缩进二个字。
四级标题序号如：（1）（2）（3）标题小四号宋体，不加粗，缩进二个字。
五级标题序号如：①②③标题小四号宋体，不加粗，缩进二个字。
医学、体育类毕业论文各章序号用阿拉伯数字编码，层次格式为：1×××（小2号黑体，居中）×××（内容用4号宋体）。×××（3号黑体，居左）×××（内容用4号宋体）。×××（小3号黑体，居左）×××（内容用4号宋体）。①×××（用与内容同样大小的宋体）a.×××（用与内容同样大小的宋体）
（三）表格
每个表格应有自己的表序和表题，表序和表题应写在表格上方正中。表序后空一格书写表题。表格允许下页接续写，表题可省略，表头应重复写，并在右上方写“续表××”。
（四）插图
每幅图应有图序和图题，图序和图题应放在图位下方居中处。图应在描图纸或在洁白纸上用墨线绘成，也可以用计算机绘图。
（五）论文中的图、表、公式、算式等，一律用阿拉伯数字分别依序连编编排序号。序号分章依序编码，其标注形式应便于互相区别，可分别为：图、表、公式等。
文中的阿拉伯数字一律用半角标示。
八、结束语
小二号黑体加粗居中。内容300字左右，小四号宋体，行距：20磅。
九、致谢
小二号黑体加粗居中。内容小四号宋体，行距：20磅
十、参考文献
（一）小二号黑体加粗居中。内容8—10篇，五号宋体，行距：20磅。参考文献以文献在整个论文中出现的次序用[1]、[2]、[3]……形式统一排序、依次列出。
（二）参考文献的格式：
著作：[序号]作者.译者.书名.版本.出版地.出版社.出版时间.引用部分起止页
期刊：[序号]作者.译者.文章题目.期刊名.年份.卷号（期数）.引用部分起止页
会议论文集：[序号]作者.译者.文章名.文集名.会址.开会年.出版地.出版者.出版时间.引用部分起止页
十一、附录（可略去）
小二号黑体加粗居中 英文内容小四号Times New Roman。单倍行距。翻译成中文字数不少于500字，内容五号宋体，行距：20磅。
十二、提示
论文用A4纸纵向单面打印。页边距设置：上，下，左，右。
论文格式由学术堂整理提供一.封面题目:小二号黑体加粗居中.各项内容:四号宋体居中.二.目录目录:二号黑体加粗居中.章节条目:五号宋体.行距:单倍行距.三.论文题目小一号黑体加粗居中.四.中文摘要1、摘要:小二号黑体加粗居中.2、摘要内容字体:小四号宋体.3、字数:300字左右.4、行距:20磅5、关键词:四号宋体,加粗.词3-5个,每个词间空一格.五.英文摘要1、ABSTRACT:小二号、内容字体:小四号、单倍行距.4、Keywords:四号加粗.词3-5个,小四号TimesNewRoman.词间空一格.六.绪论小二号黑体加粗居中.内容500字左右,小四号宋体,行距:20磅七.正文(一)正文用小四号宋体(二)安保、管理类毕业论文各章节按照一、二、三、四、五级标题序号字体格式章:标题小二号黑体,加粗,居中.节:标题小三号黑体,加粗,居中.一级标题序号如:一、二、三、标题四号黑体,加粗,顶格.二级标题序号如:(一)(二)(三)标题小四号宋体,不加粗,顶格.三级标题序号如:.标题小四号宋体,不加粗,缩进二个字.四级标题序号如:(1)(2)(3)标题小四号宋体,不加粗,缩进二个字.五级标题序号如:①②③标题小四号宋体,不加粗,缩进二个字.医学、体育类毕业论文各章序号用阿拉伯数字编码,层次格式为:1××××(小2号黑体,居中)××××××××××××××(内容用4号宋体).××××(3号黑体,居左)×××××××××××××(内容用4号宋体).××××(小3号黑体,居左)××××××××××××××××××××(内容用4号宋体).①××××(用与内容同样大小的宋体)a.××××(用与内容同样大小的宋体)(三)表格每个表格应有自己的表序和表题,表序和表题应写在表格上方正中.表序后空一格书写表题.表格允许下页接续写,表题可省略,表头应重复写,并在右上方写"续表××".(四)插图每幅图应有图序和图题,图序和图题应放在图位下方居中处.图应在描图纸或在洁白纸上用墨线绘成,也可以用计算机绘图.(五)论文中的图、表、公式、算式等,一律用阿拉伯数字分别依序连编编排序号.序号分章依序编码,其标注形式应便于互相区别,可分别为:图、表、公式()等.文中的阿拉伯数字一律用半角标示.八.结束语小二号黑体加粗居中.内容300字左右,小四号宋体,行距:20磅.九.致谢小二号黑体加粗居中.内容小四号宋体,行距:20磅十.参考文献(一)小二号黑体加粗居中.内容8-10篇,五号宋体,行距:20磅.参考文献以文献在整个论文中出现的次序用[1]、[2]、[3]……形式统一排序、依次列出.(二)参考文献的格式:着作:[序号]作者.译者.书名.版本.出版地.出版社.出版时间.引用部分起止页期刊:[序号]作者.译者.文章题目.期刊名.年份.卷号(期数).引用部分起止页会议论文集:[序号]作者.译者.文章名.文集名.会址.开会年.出版地.出版者.出版时间.引用部分起止页十一.附录(可略去)小二号黑体加粗居中.英文内容小四号TimesNewRoman.单倍行距.翻译成中文字数不少于500字内容五号宋体,行距:20磅.
有需药请=联洗俺吧
可以一、复制文字格式 1．选中要引用格式的文本。 2．单击“格式”工具栏上的“格式刷”按钮，此时鼠标指针显示为“I”形旁一个刷子图案。 3．按住左键刷（即拖选）要应用新格式的文字。 二、复制段落格式 1．选中要引用格式的整个段落（可以不包括最后的段落标记），或将插入点定位到此段落内，也可以仅选中此段落末尾的段落标记。 2．单击“格式”工具栏上的“格式刷”按钮。 3．在应用该段落格式的段落中单击，如果同时要复制段落格式和文本格式，则需拖选整个段落（可以不包括最后的段落标记）。
因为刷的格式不对。论文中突然出现一大段空格的原因有两种，一种原因是你的论文格式设置错误，导致中间出现了很多换行符或者分页符，从而出现了一大段空格。格式刷是快速复制单元格格式的工具，相当于复制，选择性粘贴，格式功能，用格式刷复制，只改变单元格格式，不会改变单元格的数值和公式。
毕业论文格式修改技巧指导
说到毕业论文格式的修改，经历过的亲们一定深有感触！确实，毕业论文格式的修改困恼过很多人，而且对电脑办公软件软件的操作要求很高，尤其还有目录、页码等的设置。其实，我们在修改毕业论文格式的时候还是有技巧的，掌握了这些技巧可以为我们节省不少时间！下面是我整理的毕业论文格式修改技巧指导，欢迎大家阅览。
技巧一
一般来说，在毕业论文指导老师宣布毕业论文的相关格式的时候，最终会将毕业论文格式改好的模板放在群共享文件里面。这时，我们可不要傻傻的对照范文一个一个来修改，有一个最简单的办法就是把模板下载在自己的电脑中 ，然后将模板另存一份为自己的！这时，只要在把自己的内容直接复制过去即可，像一些公用的'内容就可以不用管！
当然不是所有的都得复制，要知道Word复制的不仅是内容，还有内容的格式
技巧二
此外，还可以利用我们Word的格式刷来处理。
我们可以先用格式刷把模板的格式复制下来！
技巧三
除了以上两种方法，还可以用查找，替换功能来处理。尤其是需要修改大量的格式，包括标点符号，空格问题都可以，这样可以免去我们一个一个查找的困恼！
技巧四
还得注意的就是，在修改论文格式的时候一定得小心，仔细，因为一点小问题没有注意到最终还是得返工的！
论文标准格式
在各领域中，大家最不陌生的就是论文了吧，论文可以推广经验，交流认识。你所见过的论文是什么样的呢？以下是我收集整理的论文标准格式，仅供参考，欢迎大家阅读。
论文标准格式
一、总论
1、题目。应能概括整个论文最重要的内容，言简意赅，引人注目，一般不宜超过20个字。
论文摘要和关键词。
2、论文摘要应阐述学位论文的主要观点。说明本论文的目的、研究方法、成果和结论。尽可能保留原论文的基本信息，突出论文的创造性成果和新见解。而不应是各章节标题的简单罗列。摘要以500字左右为宜。
关键词是能反映论文主旨最关键的词句，一般3-5个。
3、目录。既是论文的提纲，也是论文组成部分的小标题，应标注相应页码。
4、引言(或序言)。内容应包括本研究领域的国内外现状，本论文所要解决的问题及这项研究工作在经济建设、科技进步和社会发展等方面的理论意义与实用价值。
5、正文。是毕业论文的主体。
6、结论。论文结论要求明确、精炼、完整，应阐明自己的创造性成果或新见解，以及在本领域的意义。
7、参考文献和注释。按论文中所引用文献或注释编号的.顺序列在论文正文之后，参考文献之前。图表或数据必须注明来源和出处。
(参考文献是期刊时，书写格式为：
[编号]、作者、文章题目、期刊名(外文可缩写)、年份、卷号、期数、页码。
参考文献是图书时，书写格式为：
[编号]、作者、书名、出版单位、年份、版次、页码。)
8、附录。包括放在正文内过份冗长的公式推导，以备他人阅读方便所需的辅助性数学工具、重复性数据图表、论文使用的符号意义、单位缩写、程序全文及有关说明等。
二、详述
1、装订顺序：目录--内容提要--正文--参考文献--写作过程情况表--指导教师评议表
参考文献应另起一页。
纸张型号：A4纸。A4 210×297毫米
论文份数：一式三份。
其他(调查报告、学习心得)：一律要求打印。
2、论文的封面由学校统一提供。(或听老师的安排)
3、论文格式的字体：各类标题(包括“参考文献”标题)用粗宋体;作者姓名、指导教师姓名、摘要、关键词、图表名、参考文献内容用楷体;正文、图表、页眉、页脚中的文字用宋体;英文用Times New Roman字体。
4、字体要求：
(1)论文标题2号黑体加粗、居中。
(2)论文副标题小2号字，紧挨正标题下居中，文字前加破折号。
(3)填写姓名、专业、学号等项目时用3号楷体。
(4)内容提要3号黑体，居中上下各空一行，内容为小4号楷体。
(5)关键词4号黑体，内容为小4号黑体。
(6)目录另起页，3号黑体，内容为小4号仿宋，并列出页码。
(7)正文文字另起页，论文标题用3号黑体，正文文字一般用小4 号宋体，每段首起空两个格，单倍行距。
(8)正文文中标题
一级标题：标题序号为“一、”， 4号黑体，独占行，末尾不加标点符号。
二级标题：标题序号为“(一)”与正文字号相同，独占行，末尾不加标点符号。
三级标题：标题序号为“ 1. ”与正文字号、字体相同。
四级标题：标题序号为“(1)”与正文字号、字体相同。
五级标题：标题序号为“ ① ”与正文字号、字体相同。
(9)注释：4号黑体，内容为5号宋体。
(10)附录： 4号黑体，内容为5号宋体。
(11)参考文献：另起页，4号黑体，内容为5号宋体。
(12)页眉用小五号字体打印“上海复旦大学XX学院2007级XX专业学年论文”字样，并左对齐。
5、 纸型及页边距：A4纸(297mm×210mm)。
6、页边距：天头(上)20mm，地角(下)15mm，订口(左)25mm，翻口(右)20mm。
7、装订要求：先将目录、内容摘要、正文、参考文献、写作过程情况表、指导教师评议表等装订好，然后套装在学校统一印制的论文封面之内(用胶水粘贴，订书钉不能露在封面外)。
1.纸张与页面设置
(1)A4，纵向;
(2)页边距：上，下2cm，左侧，右侧2cm
2.页眉
(1)设置：
(2)字体：统一使用汉语：小五号宋体。
(3)分割线：3磅双线;
(4)内容：××学院本科期末论文，居中。
3.页脚
内容：页码，居中。
4.论文基本内容与要求
(1)论文题目：单独成行，居中，日语：小2号黑体;英语：Times New Roman 18号;
(2)作者姓名：另起一行，居中，日语：小4号宋体;英语：Times New Roman 12号;
(3)内容提要：另起一行，日语：4号黑体，内容为小4号黑体，长度要求150字以上;英语：Times New Roman 12号，长度要求在100字左右;
(4)关键词：另起一行，日语：4号黑体，3-5个关键词，每个关键词之间用“;”分割，内容为小4号黑体;英语Times New Roman 12号;
(5)正文
正文部分的要求如下：①正文部分与“关键词”行间空两行;②日语正文文字采用小四号宋体;英语正文文字采用Times New Roman 12号，标题日语采用四号黑体，英语采用Times New Roman 14号，每段首起空两格，倍行距;③段落间层次要分明，题号使用要规范。理工类专业毕业设计，可以结合实际情况确定具体的序号与层次要求;④文字要求：文字通顺，语言流畅，无错别字，无违反政治上的原则问题与言论，要采用计算机打印文稿;⑤图表要求：所有图表、线路图、流程图、程序框图、示意图等不准用徒手图，必须按国家规定的工作要求采用计算机或手工绘图，图表中的文字日语用小五号宋体;英语采用Times New Roman 号;图表编号要连续，如图1、图2等，表1、表2等;图的编号放在图的下方，表的编号放在表的上方，表的左右两边不能有边;⑥字数要求：一般不少于1500(按老师要求);⑦学年论文引用的观点、数据等要注明出处，一律采用尾注。
论文字体格式要求
在平平淡淡的日常中，大家都有写论文的经历，对论文很是熟悉吧，论文是进行各个学术领域研究和描述学术研究成果的一种说理文章。你知道论文怎样写才规范吗？以下是我帮大家整理的论文字体格式要求，仅供参考，欢迎大家阅读。
一、封面
题目：小二号黑体加粗居中。
各项内容：四号宋体居中。
二、目录
目录：二号黑体加粗居中。
章节条目：五号宋体。
行距：单倍行距。
三、论文题目： 小一号黑体加粗居中。
四、中文摘要
1、摘要：小二号黑体加粗居中。
2、摘要内容字体：小四号宋体。
3、字数：300字左右。
4、行距：20磅
5、关键词： 四号宋体，加粗。 词3-5个，每个词间空一格。
五、英文摘要
1、ABSTRACT：小二号 Times New Roman.
2、内容字体：小四号 Times New Roman.
3、单倍行距。
4、Keywords： 四号 加粗。 词3-5个，小四号 Times New Roman. 词间空一格。
六、绪论 小二号黑体加粗居中。内容500字左右，小四号宋体，行距：20磅
七、正文
(一)正文用小四号宋体
(二)安保、管理类毕业论文各章节按照一、二、三、四、五级标题序号字体格式
章：标题 小二号黑体，加粗，居中。
节：标题 小三号黑体，加粗，居中。
一级标题序号 如：一、二、三、 标题四号黑体，加粗，顶格。
二级标题序号 如：(一)(二)(三) 标题小四号宋体，不加粗，顶格。
三级标题序号 如：. 标题小四号宋体，不加粗，缩进二个字。
四级标题序号 如：(1)(2)(3) 标题小四号宋体，不加粗，缩进二个字。
五级标题序号 如：①②③ 标题小四号宋体，不加粗，缩进二个字。
医学、体育类毕业论文各章序号用阿拉伯数字编码，层次格式为：1××××(小2号黑体，居中)××××××××××××××(内容用4号宋体)。××××(3号黑体，居左)×××××××××××××(内容用4号宋体)。××××(小3号黑体，居左)××××××××××××××××××××(内容用4号宋体)。①××××(用与内容同样大小的宋体)a.××××(用与内容同样大小的宋体)
(三)表格
每个表格应有自己的表序和表题，表序和表题应写在表格上方正中。表序后空一格书写表题。表格允许下页接续写，表题可省略，表头应重复写，并在右上方写续表××。
(四)插图
每幅图应有图序和图题，图序和图题应放在图位下方居中处。图应在描图纸或在洁白纸上用墨线绘成，也可以用计算机绘图。
(五)论文中的图、表、公式、算式等，一律用阿拉伯数字分别依序连编编排序号。 序号分章依序编码，其标注形式应便于互相区别，可分别为：图、表、公式()等。
文中的阿拉伯数字一律用半角标示。
八、结束语 小二号黑体加粗居中。内容300字左右，小四号宋体，行距：20磅。
九、致谢 小二号黑体加粗居中。内容小四号宋体，行距：20磅
十、参考文献
(一)小二号黑体加粗居中。内容810篇， 五号宋体， 行距：20磅。参考文献以文献在整个论文中出现的次序用[1]、[2]、[3]……形式统一排序、依次列出。
(二)参考文献的格式：
著作：[序号]作者.译者.书名.版本.出版地.出版社.出版时间.引用部分起止页
期刊：[序号]作者.译者.文章题目.期刊名.年份.卷号(期数). 引用部分起止页
会议论文集：[序号]作者.译者.文章名.文集名 .会址.开会年.出版地.出版者.出版时间.引用部分起止页
十一、附录(可略去)
小二号黑体加粗居中。 英文内容小四号 Times New Roman. 单倍行距。翻译成中文字数不少于500字 内容五号宋体，行距：20磅。
十二、提示
论文用A4纸纵向单面打印。页边距设置：上，下，左，右。
「就学高端版」APP：随身顾问，立即就学！
期刊投稿----核心期刊编辑帮您了解投稿、审稿规则，提高投稿命中率！
考研咨询----国内经管名校研究生，为您解答疑惑、分享经验！
高考择校----高校老师为您介绍学校、专业情况，助您成功选择理想大学！
扫描下方二维码下载并注册APP
一、基本格式
论文只能打印在每页纸的一面上，不得打印在正反面上。论文纸的大小尺寸为a4纸打印。侧面装订。
二、题名页
论文题名页上打印格式基本相近，中、英文对照，中文题目页在第一页，英文题目页在第二页。一般由顶部往下三分之一页处打印论文题目，论文题目都用大写字母，下隔八行打印论文调查者姓名、所属电大，再下隔八行视实际情况打上提交日期xx年xx月xx日以及课程名称：论文项目设计
上述各项内容都应打印在论文题名页的中间部位。
三、摘要及关键词页
摘要及关键词页上打印格式同论文题名页，中、英文对照，中文题目页在上，英文题目页在下。一般根据提要的内容多少安排打印。中文题目摘要采用宋体一号，加粗，摘要正文部分采用宋体，小四号。关键字题目部分采用宋体三号，加粗，关键字短语部分采用宋体，小四号。英文题目摘要采用times new roman字体，字号为一号，加粗，摘要正文部分采用times new roman字体，字号为小四。
四、致谢页
学员可以自选致谢页，一般不要求写中文。英文大标题采用times new roman字体，字号为一号，加粗，正文部分采用times new roman字体，字号为小四。
五、目录页
英文大标题采用times new roman字体，字号为一号，加粗，小标题部分统一采用times new roman字体，字号为三号，加粗。注意在右方注明对应的页号，中间虚线连接。
六、正文页
论文的正文需隔行打印，正文采用times new roman字体，字号为小四。大标题为times new roman字体，字号为三号、加粗字。副标题为times new roman字体，字号为三号、加粗。
七、尾注、参考文献页与附录页
尾注、参考文献页与附录页(大标题采用times new roman字体，字号为一号，加粗)正文部分如尾注、参考文献目录与附录可不必隔行打印，字体为times new roman小四。
一、纸型、页面设置、版式和用字.
毕业论文一律用国际标准A4型纸(297mmX210mm)打印.页面分图文区与白边区两部分,所有的文字、图形、其他符号只能出现在图文区内.白边区的尺寸(页边距)为：天头(上)25mm,地脚(下)20mm,订口(左)25mm,翻口(右)20mm.文字图形一律从左至右横写横排.文字一律通栏编辑.使用规范的简化汉字.除非必要,不使用繁体字.忌用异体字、复合字及其他不规范的汉字.
二、论文封面.
封面由文头、论文标题、作者、学校、年级、学号、指导教师、答辩组成员、答辩日期、申请学位等项目组成.文头：封面顶部居中,占两行.上一行内容为“河南广播电视大学”用小三号宋体;下一行内容为“汉语言文学专业(本科)毕业论文”,3号宋体加粗.文头上下各空一行.论文标题：2号黑体加粗,文头下居中,上下各空两行.论文副题：小2号黑体加粗,紧挨正标题下居中,文字前加破折号.
作者、学校(市级电大)、年级、学号、指导教师、答辩组成员、答辩日期、申请学位等项目名称用3号黑体,内容用3号楷体,在正副标题下适当居中左对齐依次排列.占行格式为：作者：XXX;学校：XXX;年级：XXX;学号：XXX;指导教师：XXX;职称：XXX;XXX(主持人)职称：XXX;XXX职称：XXX;答辩日期：X年X月X日;申请学位：学士(不申请可省略此项).由于论文副题可有可无,学位可申请可不申请,答辩组成员可以是3、5、7人,封面内容占行具有不确定性,为保持封面的整体美观,可对行距做适当调整.
三、论文
论文由论文目录(提纲)和题目、作者姓名、完成日期、摘要、关键词、正文、注释、参考文献、附录等项目组成.需要列目录的论文,目录要独占一页.“目录”二字用3号黑体,顶部居中;以下列出论文正文的一、二级标题及参考文献、附录等项及其对应页码.用小4号宋体.
论文题目用3号黑体,顶部居中排列,上下各空一行;作者姓名：题目下方居中,用四号楷体;完成时间：作者姓名下方居中,字样为“X年X月”,用四号楷体;摘要：作者姓名下空一行,左起顶头,写明“摘要”字样加粗,点冒号,接排摘要内容.一般用五号字,字体用楷体;关键词：摘要下方,左起顶头,写明“关键词”字样加粗,点冒号,接排关键词.词间空一字.字型字体同摘要;正文：关键词下空一行开始.正文文字一般用5号宋体,每段起首空两格,回行顶格,单倍行距;正文文中标题：一级标题.标题序号为“一、”,4号黑体,独占行,末尾不加标点.如果居中,上下各空一行;二级标题,标题序号为“(一)”,与正文字体字号相同,独占行,末尾不加标点;三、四、五级序号分别为“1.”、“(1)”和“①”,与正文字体字号相同,一般不独占行,末尾加句号.如果独占行,则不使用标点.每级标题的下一级标题应各自连续编号.
注释：注释采用脚注形式.加注符号以页为单位排序,标在须加注之处最后一个字的右上角后,用带圈或括弧的阿拉伯数字依次标示.同时在本页留出适当行数,用横线与正文分开,左起空两字后写出相应的注号,再写注文.每个注文各占一段,用小5号宋体.建议使用电脑脚注功能;参考文献：在正文项目后空两行左起顶头用四号黑体写明“参考文献”,另起行空两格用5号宋体编排参考文献内容,每个参考文献都另起行.参考文献的项目见“实施方案”正文;附录：在参考文献后空两行左起顶头用四号黑体写明“附录”字样,另起行编排附录内容,格式参考正文.
知识扩展：毕业论文格式
1、论文题目,有的含副标题.题目之下是作者署名,署名之前或下边一行写作者的校、院、系、年级.
2、“摘要”与“关键词”,或称“内容提要”,一般为300字左右.位于作者署名之后,正文之前.关键词,结合标题和正文内容一般选取3至5个.
3、引论.用“O”标示,常写作“引言”、“引论”、“绪论”,引言较短时可不标出“O.引言”类小标题.引论的内容一般是交代选题背景,主要有:课题来源,本课题在国内外的研究进展状况.已有的研究成果,存在的问题.选题的意义,讨论的问题.本文分几部分,从哪些方面进行讨论,以及指导思想、论证方法等,均可根据内容的需要写在引论中.
4、正论.正论常分几部分写,分别标示“一”“二”“三”“四”等,有的加小标题,或以分论点的形式出现,以凸现论述的观点或主要内容.这部分是对研究过程及分析、归纳、概括的表达,体现出分析方法与思路,充分有力的论证.正论还要体现出明确的'指导思想.
5、结论.一般用“结语”“小结”“余论”等标示.也可不标示“结语”之类的词儿,在正论之后空一行直接写结论或总结.在毕业论文格式中,结论是对整个研究工作的归纳、综合或概括,也可以提出进一步研究的建议.若是在正论之后,对相关联的问题还想简短论述一下,或是对较为重要的问题再说一些想法,可写成“余论”.
6、毕业论文致谢.接上文另起一段.简述自己撰写毕业论文的体会,并对指导老师以及有关人员表示感谢.“毕业论文致谢”并非形式,也不是走过场,是一个大学生修养的表现.
7、注释与参考资料.注释专指“本文注”,即作者对论文有关内容所作的解释,一般用脚注,放在本页末,属毕业论文格式的非必备项.参考文献专指“引文注”,即作者对引用他人作品的有关内容所作的说明,在引文结束处右上角用[1][2]等标示,序号与文末参考文献列表一致.同一著作或文章被多次引用时只著录一次,文后参考文献的著录格式见《参考文献格式》.
8、附录.收录和论文有直接关系的文字材料、图表、数据、试验结果等.中文方面的毕业论文格式中作附录的情况似乎不多见,属毕业论文格式的非必备项.
免责声明：本文仅代表作者个人观点,与本网无关。