发布时间：
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 = 0.3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0.5。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0.5 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0.2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0.5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45.3%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0.29，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。
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=0.9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0.008，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=0.997，epsilon=1e-4，梯度使用指数滑动平均，decay=0.9998，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51.0mAP，比NAS-FPN少使用4x参数量和9.3x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3.2x和8.1x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0.88（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}=0.5 。
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0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；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）。
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 = 0.3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0.5。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0.5 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0.2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0.5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45.3%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0.29，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。
工程测量被广泛应用于测绘、国土规划、土建工程等多领域,包含普通测量、控制测量、地形测量、海洋测量、大地测量、道路测量、建筑测量、地下工程测量、桥梁工程测量、隧道工程测量等技能的专业技术。下面是我为大家整理的有关工程测量论文 范文 ，供大家参考。
《 工程测量在水电水利工程建设中的作用 》
摘要：工程测量可为水利工程建设提供准确的数据、资料，对水利工程建设具有重要意义，保持水利水电工程的安全运行，为人民生命财产安全提供着技术性的支持，对促进水利水电事业起着至关重要的作用。本文从以下几个方面对工程测量在水电水利工程建设中的重要作用进行了详细论述。
关键词：工程建设;工程测量;测量数据;作用
在水利水电工程中，测量是一项很重要的工作，它贯穿着水利水电工程建设全过程。经过准确、周密的测量后，水利工程可以顺利的按图施工，还可以为施工质量提供重要的技术支持与保障，更是质量检查的主要手段与 方法 。在规划设计水利工程时，需要进行地形资料的收集与整理，要提供提供中、小比例尺的地形图以及相关的信息，在进行建筑物的设计时需要注意，应该提供的是大比例尺地形图。所以，工程建设与工程测量是确保水利工程项目建设，能够取得成功的重要基础与关键。
1水电水利工程建设中工程测量重要性
(1)现今测量作为一门专业技术，以其能够将设备、建筑物等按照大小、形状、位置等不同设计要求在实地进行标定，以及够准确的采集和表示各种地貌及地物的几何信息等显著特点，被广泛应用到了各种工程建设之中。水利工程施工测量是保证工程施工测量过程处于受控状态,并严格按设计图纸、修改通知、技术规范和合同等的具体要求，进行控制测量的作业。通过资料和图纸进行规划和设计，同时选定最为经济、合理的方案，再通过测量与各项工程的施工相配合，并确保设计意图的正确执行。为满足竣工后工程在管理、使用、维修乃至扩建时的需要，还需编绘竣工图。工程测量数据还可为确定水利工程的堤坝高度、设计水利工程中的各项水工建筑等提供依据。
(2)水利工程结构定型的依据即工程测量，工程测量决定了水利工程的设计和定位，可以利用工程测量来确定水利工程基础、诊断水利工程问题，并且是诊断水利工程质量的最重要手段，各种测量数据可尽早的发现水利工程存在的问题，其意义十分重大。施工测量准备工作是保证整个工程施工测量工作顺利进行的重要环节，包括施工图纸的审核，监理单位提供的平面坐标点和高程点的交接及校核，施工测量方案的编制与数据的整理等。测量在高程放样方面可为模板施工提供准确的基准点，能够保证模板施工的平整度以及混凝土施工提供标高控制线，以确保其在施工后和平整度。工程测量可以为工程施工管理提供可靠的资料以及技术支持，并可对水利工程项目混凝土施工中混凝土种类的使用、混凝土厚度等提供精确的数据。
2水电水利工程测量存在的问题
(1)在水利工程建设要达到水利工程项目建设质量不断提升的目标，就需要进行详细的工程测量，并将工程测量的数据予以应用，以消除那些不可预见的因素确保工程质量。水利工程的施工质量对区域性经济发展和居民的生命安全有重要的影响，在水利水电工程建设阶段需要明确各个控制要点,满足工程实际测量体系的具体要求。在水利水电工程开工建设前期的测量工作，必须按照建设单位的建设规模和具体要求,以及按照项目所在地的自然条件和预期目的进行规模设计。否则将会出现测量数据的误差，就有可能导致水利工程在施工过程中出现严重的质量问题，甚至是引发重大的安全事故造成严重的经济损失，同时对社会方面也会增加严重的负面舆情。
(2)主体结构的施工过程中，要重视工程测量对多方面数据确定的影响，要做好水利工程的轴线、坡面的平整度、 渠道 的中线、大型水利工程建筑物垂直度控制以及主体标高控制等项工作，以防止出现、变形、偏位、渗漏等常见病害的发生，造成对水利工程质量的严重伤害，从而使水利工程项目在日常运行过程的安全性能受到影响。还要作好水工建筑物的变形观测，杜绝由于水工建筑物沉降、位移所引起的安全质量事故发生，以确保水利工程安全的稳定性。工程测量对水利水电工程建设有一定的指导性意义，因此需要结合施工工程设计形式的要求，对不同的设计环节进行分析,适应水利水电工程的建设需求。
3工程测量在水电水利工程建设中的管理与应用
(1)工程测量不但广泛的应用于建筑、土地测量等领域，其在水利工程建设也占据着重要的位置。工程测量能够为水利工程建设提供各项数据，可能保证水利工程建设基础的质量，从而确保整个水利工程项目的质量。随着计算机技术的飞速发展以及“互联网+”时代的到来，出现了地面测量、数字化测绘和RS、GIS、3S、GPS等，先进技术设备和集成测绘新技术的深入应用，使水利水电工程测量的手段和方法进行着快速的更新换代，同时也在不断的开拓着服务领域。这些测量方法最大的特点就是可对数据进行修正，能够让测量对象的参数得到及时修正，提升测量数据的精准度和连续性。
(2)在结合实际对测量工作进行合理的安排，有效提升测量精度，推动水利水电工程建设、促进区域经济健康发展的同时，还应该注重加强包括测量技术水平提高、责任意提升等施工管理人员综合能力素养方面的培养，这样有助于在具体的工作中，采取切实有效的 措施 与方法，以确保工程测量的准确性。需对具体管理人员以及施工人员的工程测量意识进行巩固与加强，通过培训等对他们的质量意识和责任意识进行不断完善，使其在工作能够做到按部就班、不出纰漏，按照流程根据施工图纸进行放样，确定控制高程，以为后面的施工奠定基础，从而加强工程质量。
(3)现阶段对大坝水底地形的测量，主要还是技术人员根据卫星定位技术与多波束探测仪之间的紧密配合来进行的。近年来，我国水利水电工程测量研究投入增多，发展很快，进步很大，取得了显著成绩，在此基础之上我们还应注意，要加强管理人员以及施工人员的测量意识，要进一步提高对测量工作的重视度，从而达到各个环节工程测量水平的全面提升。随着测量数据传播与应用的多样化、网络化及社会化和测量数据采集与处理的实时化、自动化及数字化，还有测量数据管理的标准化、规格化与科学化，水利水电工程测量技术一定会有一个辉煌的未来。
4结束语
工程测量精准的观测成果，为水利水电工程质量和人民生命财产的安全提供了坚实的保障。水利工程的规划、设计和施工以及运行管理等各环节、各阶段都离不开测量工作。工程测量工作要不断的 总结 工作 经验 ，提升专业素质，引用、掌握先进测量仪器，以满足不同时期水利水电工程的不同需求。
参考文献：
[1]杨玉平,杨玉华.论工程测量在水利水电工程建设中的重要性[J].江西测绘,2014,(4):53-54+57.
[2]李添萍.浅析水利水电工程质量检测的重要作用[J].青海科技,2010,(4):136-138.
《 建筑工程测量施工放样方法及应用 》
摘要:随着我国经济发展水平的不断提高，建筑行业得到了显著发展，建筑工程测量作为建筑工程的重要组成，在整个建筑施工前期阶段发挥着重要作用，需要不断对工程测量施工放样技术进行改进与创新才能满足建筑项目需求。本文将对建筑工程测量施工的放样方法与应用进行分析，从而表现做好测量放样处理对工程的重要性。
关键词:建筑工程测量施工放样方法技术探讨
建筑工程开展过程中对尺寸与施工范围有着严格要求与控制，这就需要应用测量放样技术，工程测量存在于整个施工阶段，对施工质量与施工开展有重要意义，需要对放样精度与测量结果反复对比，增强测量放样的精度。鉴于测量施工结果是施工依据与参照，一旦放样测量出现误差，将会影响立模、打桩、钢筋混凝土施工方方面面，在施工位置上容易出现偏差，对施工方带来损失。
1建筑工程测量施工放样概述
1.1内涵
施工放样就是按照设计图标注的内容实地定标的过程。此过程需要使用到全站仪、测量仪器等设备，需要明确设计图纸上平面位置与高程，使用测量仪将实地位置标记出来，按照建筑物间几何关系将距离与特征确定出来，得到距离、高程、角度等数据，再结合控制点位置，在实际建筑中将建筑物特征点标定出来。
1.2施工放样的主要方式
(1)平面放样。
施工放样分为平面位置放样与高程放样两种。平面位置放样较为常见的方法有直角坐标法、方向线交法以及交汇法，每一种方法基本操作方法都需要按照长度与角度进行;极坐标法则是使用数学极坐标原理将极轴确定为连线轴，将其中的某一极点作为放样控制坐标，将极点距离与放样极点连线方向到极点的夹角计算出来，将其作为放样参考[1]。通常，放样点距离控制点很近，需要极坐标与其保持120米距离，这样在测量时将更加方便，角度测量可以使用经纬仪或者测距仪，在使用电子测距仪时需要将控制点的距离延长，这样才能使放样作业更加方便、灵活;直角坐标法主要就是保持坐标轴的平行控制线，先沿横坐标放样，再沿控制线方向放样，只需将直角测设出来便可。
(2)高程放样。
几何水准测量法应用时需要先控制高程点，将控制点精度引入到施工范围内，使用方便固定与保存的方法，在水准点的保密上可以使用一次仪器完成高程放样。常规测量方法为:放样点附近到控制点存在高差，此时，需要使用较长钢尺对高程测设。具体施工中需要使用木桩将放样高程固定下来，使用红线对木桩侧面标记，需要结合具体情况注记高程。三角高程测量法:对水平距离与天顶距两点进行观测，将两点的高差计算出来，这种观测方法虽然简单，但受条件限制需对大地控制点高程测量。基本原理为:将地面两点设为a、b，站在a点观测b点标高，将竖向角度设为α1.3，两点水平距离为S0，a点仪器高设为i1，i2作为标高，此时a、b两点间高差表示为:S0tgα1.3+i1-i2=h1.3，假设地球表面是一个平面结构，能利用上述公式将直线条件计算出来，大地测量时，还需要对地球弯曲与大气垂直折光度充分考虑[2]。为将三角高程测量精度提高，可以使用对向观测法，将两点高差推导出来。
1.3建筑工程总定位放样方法
可以使用经纬仪将放样方向确定下来，再使用钢尺将测量距离，对地势较平坦的地区需要将定向设置在平缓点位置，再使用测距仪完成测量。曲线定位放线也是常用手段，分为直线、圆曲线等，先将圆曲线桩坐标设计出来，再对坐标加密处理，利用公式进一步对坐标测算。
2放样中注意的问题
放样工作中，有很多内容需要注意:首先，在主轴点放样中，可以使用三点交会法、三边测距法，不能仅使用两点测角定点法，需要选择至少三个方向，将校核点设定为第三点。如果使用测角定点，则要在观测时从四个方向出发，丈量好轮廓距离，不管使用哪种放样法，都需要与理论值对比，防止出现误差。在使用光电测距法放样定点式，现场至少选择一个放样点，丈量设计间距时，能够使校核作用增强。如果通过规则图放样使，则首先要考虑的是放样点间的几何关系，并反复检查几何关系，使用方向法放样时，在使用仪器时可以确定至少两个方向，对方位观察看是否合格，如果精度过低或者存在倾斜，要使用天顶距观测法，防止出现校核偏差。
3放样过程中的现场平差
现场平差就是指在现场放样，现场测量存在偏差消除时可以使用现场平差法。比如，在测放某一个方向时，需要先定点倒镜与正镜，最终将两个方向中点方向值确定下来。在建筑施工中，对测量放样精度有较高要求，分为严密性与松散性要求，从建筑物角度看，严密性与构件存在相关性，如果放样存在的误差较大，将使建筑质量降低。而建筑各部分间的联系则能体现松弛关系，这种情况下需要对建筑各部分有深入了解，将三维数据规定确定下来，也可以结合施工具体情况将放样影响度降低[3]。要想更深刻了解放样精度特征，需要使放样保持严密性，多对严密性进行考虑。如果针对松散构件，则要将误差分散开，确保总体工程质量不会受到影响。与现场平差不同的是，不是将误差全部消除，而是将其放样到质量相关的地方，对其进行吸纳。如果是精密性较高的建筑部位，则要从控制主轴线上实施放样工作，不用考虑控制网精度设计，在完成对主轴线测设后，就可以将建筑部位设定为主轴线基础，将主轴为基准才能确保建筑具备严密性，减少测设带来的精度误差，保证测设的严密性。在具体施工中，还能在主轴基础上将误差分散到建筑各个部分，防止误差过于集中。
4防范误差的对策
受多种因素的影响，测量经常出现误差，极大影响到了建筑施工的顺利开展，人员组成、操作以及施工管理都是重要的影响因素，必须切实做好这些内容的管理与防范才能减少误差。要想将测量放样误差减少，首先就要做好测量准备工作，反复校核设计图纸中的数据，并核实总平面数据与坐标，将基础图与平面图轴线位置确定下来，对符号与标高尺寸进行检查，确保各项数据、参数的准确，对总平面布设位置与分段尺寸进行设定，使分段长度与各段长度一致。其次，还要在人员组织分配上尽量选择技术精湛、有高度责任心的施工人员，将这些人员分为5组。在具体测量中，需要准备好测量仪器与工具，并调整好仪器的温度，增强仪器使用的效率与准确性。及时将测量结果记录下来，确保测量的数据能够更加真实、准确，并能在核对中及时发现问题、解决问题，必须经过两个人反复核对以后才能将最终结果确定下来，使用加减相消法能够及时发现错误。针对问题采取科学、有效的定位复测措施，完成定位以后，复测建筑平面几何尺寸与角度坐标，对建筑物图纸设计与标高是否相符进行核对，对建筑方向准确性进行检查，发现存在的问题。质量监督机构要定期对放样操作进行监督，将质量管理检查机构建设起来，采取自检、互检以及复检方法使放样精度得到保证。
5结束语
建筑工程测量施工是一个复杂且漫长的过程，是建筑施工中必不可少的组成，一个环节出现误差或者遗漏就会对整个施工质量造成影响，为施工单位带来损失。为此，加强放样管理，强化放样操作，做好校核平差工作显得非常重要。这有这样，才能将测量误差消除，确保建筑工程质量与测量精度。
参考文献
[1]邓志永，冯显征.建筑施工测量误差分析及对施工放样精度要求的探讨[J].建筑工程技术与设计，2014(22):779-779.
[2]袁俊利.采用传统测量技术进行复杂立交桥工程测量的方法和措施[J].建筑技术，2012，43(9):806-809.
[3]郝安华，贾涛.试论市政道路工程测量放样控制工作的要点与对策[J].商品与质量•建筑与发展，2014(5):
《 地铁工程测量技术及应用 》
摘要：在地铁工程项目中，地铁测绘工作及测量技术是项目建设的基础工作，它不仅贯穿于整个地铁工程建设始终，还对地铁工程质量产生重要影响。本文结合地铁测绘工作的实践经验，分析了常见的地铁工程测量技术，就具体的实践应用进行了分析探讨，以期对相关的地铁工程测绘工作有所启示作用。
关键词：地铁测绘;测量技术;地铁工程
伴随我国经济建设的蓬勃发展，各地城市交通建设也面临着全新的发展局面，作为城市交通的最基础建设之一，地铁工程与百姓生活密切相关，其工程质量自然也备受社会关注。地铁测绘工作是地铁工程的一项重要环节，它贯穿于整个地铁工程，从地铁工程开始筹划直到工程的后续运营，几乎都离不开测绘工作的支持。因此作为工程施工单位，需重视地铁工程测量技术的应用，保证测量的准确性，提高工程建设水平。本文结合具体工程实例，对上述问题进行探析，具有一定的参考价值。
1.地铁工程概述
为方便本次研究分析，本文选取了某地铁工程的具体实践建设作为研究参考对象。工程为某城市的地铁线路，是南北方向的主干线，线路全长约21.9km，其中地下线长约13.5km，地上线长约8.4km，该项工程是解决主城南北客运主流向出行需求的南北主轴线。结合本次地铁工程概述及以往的施工经验，总结本次地铁工程测绘工作和测量技术工作具有以下特点。首先，本次地铁工程项目属于城市地铁线路主干线，对城市交通影响较大;而且地铁项目投资大，工程建设周期长，因此地铁测绘工作要贯穿于整个项目始终，从地铁工程开始筹划直到工程的后续运营，都需要测量技术支持。其次，地铁工程界限规定严格，施工过程中存在的误差都必须受到严格控制，测量技术必须有精确性和可靠性的保障。最后，地铁测量工作必须抓好每一个细节，要通过测量技术的管理提高项目管理质量，对于施工过程中一些关键环节如铺轨基标测量、隧道施工方面测量等，都要做好严格把控，从整体上提高测量技术水平，为地铁工程打下良好的基础。
2.地铁工程测量技术分析
地铁测绘工作贯穿于整个地铁工程建设项目始终，具体包括工程勘测阶段、地铁施工图设计阶段、地铁施工测量阶段、地铁的运营期等几个方面。本文主要从施工阶段对地铁工程测量技术的应用进行分析，具体如下。
2.1测量机器人的应用
测量机器人是本次地铁工程施工阶段的主要测量技术，其具体实质上属于一种智能型电子全站仪，它能够代替人工来进行一系列的测量工作，如自动搜索、跟踪、识别，此外它还能精确照准目标并获取角度、距离、三维坐标以及影像等信息，在实际工程中取得了良好的测量效果。该项技术的测量优势在于测量精度高，智能自动化，自动照准，锁定跟踪，遥控测量及自动调焦等。本次工程测量实例中应用了测量机器人，对于本次地铁工程测量的可靠性和效率都有明显提升，测量精度度高，测量与绘制工作可以一体化进行。在实际工程中发现，测量机器人有着良好的对数据实时分析处理能力，这对于提高本次工程数据处理能力，提升测量精度发挥了重要作用。此外，电子全站仪的应用实现了集成化管理，可以有效确保数据的共享交换，施工放样的质量和效率都大幅提升，安装误差控制在一个很小的范围内。
2.2定向测量
传统的竖井定向测量手段均采用全站仪、垂准仪和陀螺经纬仪联合的方式，而在本次工程的具体实例中，应用了定向测量系统，在隧道盾构的情况下，利用自动化引导系统进行隧道开挖，而且定向测量能够实现实时显示，对于隧道轴线的点偏移值能够及时发现并处理，保证了隧道开挖的可靠性，提高了隧道开挖的精度程度，对于工程中所存在的误差值也能控制在理想的范围内。此外，在本次工程的地下顶管施工过程中，考虑到传统的施工手段技术(即人工测量)费时费力，施工效益低下，因此在本次实际施工中采用了顶管自动引导测量系统，由计算机远程控制测量机器人来自动完成作业，取得了非常理想的施工效果。
2.3断面测量
在本次工程的断面测量上，施工单位综合采取了断面测量系统，该系统的具体内容包括了全站仪、数据采集器、计算机和觇牌等等。在隧道施工中的各个环节上，该断面测量系统取得了良好的实践效果，放样、测量、检测和计算等诸多环节上都没有出现问题。在隧道的初砌和开挖工作中，测量准确性得到了保证，同时测量效率提升，节约了大量的人力物力。本次施工发现，利用断面测量来保证隧道施工的测量工作，一方面可以大大提高施工进度，测量速度有保障;另一方面，在同等的施工时间内，测量精度可以控制在理想范围内，一般精度范围可控制在毫米，测量精准度大大提升。此外在本次施工工程中，还利用到了无反射和全自动棱镜三维断面测量，一方面保证了测量数据采集的高效性，另一方面由于实现了多断面共同测量，且操作简便高效，可靠性强，因此又进一步提高了测量效率。
2.4无棱镜测量的应用
在本次的地铁工程施工中，还涉及到了无棱镜测量机器人的具体应用。该项技术通过辐射测量极坐标的方式，准确并高效地完成了一系列的工测量工作，具体包括了隧道掘进放样、断面测量、围岩净空位移量测等等，测量精确度高，测量效率好。该项测量技术进行了有针对性的创新，在工程中利用计算机自动处理，有效减少了工程成本，测量起来也十分方便。该项测量技术的一个典型特点是把设计图中的地铁相应物体的位置及大小都放到实地中，这种趋近于真实的参考参照，大大提高了本次工程的放样精确程度。此外，施工基坑监测系统能够实现对数据的及时分析管理，对于地铁基坑监测项目也具有非常高的可行性。
2.5地铁施工铺设阶段
在地铁施工铺设阶段，本次施工也采用了测量机器人。该项技术的主要原理是应用到了无线传输技术，通过它将测量数据持续传输到机载计算机，然后再利用计算机实现对地铁铺设的精确控制。通过该项技术在本次工程施工中的应用，施工铺设的安全性与质量都得到了有效保障。同时在铺设精度得到有效控制的前提下，铺设成本大大降低，工程经济效益得到了有效保证。此外在施工路面扫描系统中，测量机器人也有很高的应用价值，可将监测目标分为圆棱镜，无棱镜和反射贴片三种。
2.6竣工测量阶段
在本次项目的地铁工程竣工阶段，也需要进行大量的数据测量，这些测量的数据将作为竣工验收的参考，并做相应好存档工作。这些具体的测量内容包括了地铁结构的平面位置、埋深、线路等诸多方面。通过测量机器人的应用，可以实现对相关建筑物(包括附属结构)的尺寸测量、线路及高程测量等，提升了轨道测量精度，保障了地铁工程测量放样的顺利实现。
总结
综上所述，地铁测绘工作是一项系统且复杂的内容，它贯穿于整个工程始终，并对工程质量提供了强有力的保障。在当前各地城市交通建设不断发展的新时期，地铁工程自然占据了十分重要的位置，相关单位需要在保证工程质量的前提下，加强工程测量管理工作，强化对地铁工程测量技术的研究，保证测量各个环节的质量与水平，确保工程顺利开展并取得良好的综合效益，推动我国地铁交通事业的发展迈向一个新高度。
参考文献：
[1]张铁斌.地铁工程测量技术及应用分析[J].科技展望,2015,09:39.
[2]龚振文,龙晓敏,胡朝英.昆明地铁工程测量技术分析及测绘新技术应用[J].山西建筑,2013,33:208-210.
[3]程栋.地铁工程测量中平面联系测量的应用[J].科技展望,2015,35:35.
有关有关工程测量论文范文推荐：
1. 有关工程测量论文范文
2. 有关工程测量毕业论文范文
3. 工程测量毕业论文范文
4. 工程测量工程论文范文精选
5. 浅谈工程测量论文范文
6. 工程测量毕业论文例文
7. 工程测量技术论文
高速铁路工程测量精度和测量模式论文范文
无论是在学校还是在社会中，大家都写过论文，肯定对各类论文都很熟悉吧，论文一般由题名、作者、摘要、关键词、正文、参考文献和附录等部分组成。那么一般论文是怎么写的呢？下面是我整理的高速铁路工程测量精度和测量模式论文，供大家参考借鉴，希望可以帮助到有需要的朋友。
根据摘要的介绍，我们对于高速铁路测量的现今发展状况有了一个简单的了解，首先，我们要知道，随着现代道路铁路工程的发展，国内外，特别是近几年国内的高速铁路的发展使铁道工程勘测、设计、施工和运营组织都发生了巨大变化。这些变化不仅体现在我们对于铁路工程的发展前景的一个预测，更加体现我们对于铁路发展的当前形势的一个把握，铁路工程的发展来势迅猛，测量工程师们还没来得及做好充分的技术准备，但我们的新的发展模式就已经被需要。迫于形势需要，除借鉴国外已有先进技术外，讨论得比较多的就是提高测量精度。其实除适当提高测量精度外，改进测量方法和流程，降低成本，提高效率，是当前铁路工程测量更为重要的课题。下面，本文就来具体的谈一谈这一内容，从它的问题的出现和解决措施作出一个叙述。
1、各设计院测量工程师的想法——从经济、效率、和质量各方面考虑有如下困难
1.1 控制测量每提高一个等级，其经费增长约40%，观测时间成倍增加。就目前情况来看，多数工程项目给予勘测的工期都十分紧张。对于各设计院的测量，有着许多方面的考虑因素，也在不断地解决中，首先，经费问题是一个重要问题，我们必须确保我们的经费被控制在一定的范围内，经费的有效合理的利用和规划对于我们的工程的实施有着非常重要的作用，没有经费的支持，我们的测量工程就不能得到一个很好的发展和顺利进行。
1.2 二、三等控制网精度
控制网的精度控制是保证我们的工程准确测量的一个重要方面，也是我们应该注意的方面，我们知道控制网是以对应十几至几十公里的长边为条件的，其密度不能满足铁路测量需要，当进一步用短边加密时，其精度回落到一级导线的精度。
1.3 布设高等级控制网除精度要求高外还面临其他难题：如起算联测的一等控制点少，平差、计算不同于低等级控制网，更复杂，要进行天文、重力测量需要更专业的部门来完成，铁路设计院和工程局一般不具备施测能力。这些问题就是需要我们亟待解决的，我们必须明白这些问题的出现原因和解决措施，才能从根本上解决这些问题，并且能够在很大程度上将这些问题控制在我们可以解决以及利用的范围内。
1.4 关于建立独立的高速铁路二、三等控制网，不强制闭合到国家等级控制网上的设想因下列原因而不可取：
1.4.1 独立坐标系统一般用于区域性小范围地区，地球面可近似当作平面，不需做高斯投影，长大铁路途经几省，其球面特性不可忽略。
1.4.2 不具备进行高精度天文、重力测量的能力，数百公里控制网呈狭窄线形，其精度不易控制。精度的控制是我们在工程测量过程中一个比较重要的方面，精度的控制也是我们可以切实实施的方面。
1.4.3 已有的各种比例尺地形图及沿途经由的道路、江河、城市、机构等，都是以国家统一大地坐标定位，铁路另辟蹊径，相关关系很难理顺。地形图的测量是以实际的情况来考虑的，同时也是我们对于铁路工程测量的重要途径，我们必须保证，我们对于铁路的测量有着一定的现实基础和研究支撑。
2、关于新测量流程的建议
对于新测量的实施，是我们解决高速铁路工程测量的一个重要方法，为了扭转这种状况，使得图纸上定线放样到实地后消除系统误差，需要改变铁路测量流程如下。
2.1 一次布网把原航外控、加密四等控制点、初测导线、定测交点，合并为3～5km一对GPS点或边长500 ～1 000m的导线，做相对精度为1/115～1/2万的一次布网，并对其作五等水准测量。除能消除地形图和实地同名点的系统差外，还有以下主要作用：
2.1.1 简化测量程序，减少测量工作量，我们要将测量的程序尽量的简化，将测量的工作量控制在我们可以掌握和控制的范围内，同时也使得我们对于工程的顺利进行更加有信心，以及实施的措施更加的有效，使得我们对于程序化的流程更加的了解。
2.1.2 勘测、设计、施工都只用一次布网的资料和控制桩，资料简单清晰，差错少。资料的支持是我们对于工程测量的基础保证，同时也是我们对于工程测量设计的一个重要考虑方面，资料的尽量简单化和对程序的简化是保证我们铁路工程顺利进行的重要方面，也是必要的解决方式。
2.2 从一次布网控制点直接测设中线，则可改变铁路测量的模式，铁路工程测量精度一直是一个倍受测量工程师关注的问题，但铁路测量从未因精度问题对设计和施工产生过影响。问题都出在测量错误、测量资料处理错误等方面。理清各个测量环节之间的关系，简化测量过程使其更简洁、明晰、规范，以容易控制的内业逐步取代难以控制的外业测量。
2.3 坐标控制测设中线具有明显的优越性
2.3.1 直接从一次布网控制点测设中桩，不用长距离，连续转点，避免了误差累积。一个工程的进行必定会伴随着工程误差的出现，如何迅速有效的处理好误差，是我们在工程测量过程中的必要步骤，也是我们应该尽可能避免的一步，我们不能保证零误差，但我们至少可以保证尽可能的减少误差的发生，以及对于误差的解决方案。
2.3.2 可以任何里程切入测量，只要不是改线都不会出现断链。这一特点使得中线测量能够不连续进行，可以先测设桥、隧地段，使地质、桥梁、隧道等专业能及早开展工作。提高航测精度后，还可以只对重点地段测设中桩，一般路基在航测模型上直接量测。
2.4 从航测模型量测横纵断面在航测模型上量测横纵断面，国外多家机构进行过研究且已投入使用。国外采用1/3 000～1/5000大比例尺摄影，或初测做小比例尺摄影，定测再做一次大比例尺摄影。国内有许多单位，特别是铁道部属各设计院进行过研究，但因精度达不到《新建铁路工程测量规范》的规定限差而未能进行下去。
3、结论
就如上面介绍的一样，笔者对于铁路工程测量的过程中的测量精度和测量模式的内容作出了一定的总结和看法，铁路工程的实施作为我们现代社会铁路的重要组成部分，同时铁路工程的测量又作为铁路工程实施的重要方面，这几点是息息相关的，同时也是需要我们联合在一起考虑的内容，只有做到了这些方面的准备工作，同时做好了一定的预防措施和误差分析，我们的铁路工程的测量过程中可能出现的.问题就会有一个很好的解决，同时也会使得我国的铁路工程发展的越来越好，我们的铁路工程测量开展的越来越顺利。
1 引言
交通运输业与国家经济的发展有很大的联系， 在高速发展的今天，我国大力发展高铁建设，国家对高速铁路工程测量的要求也不断提高， 对高速铁路测量中应用到的技术要求也越来越高。一般情况下，传统的测量技术都存在一些不足，甚至跟不上时代发展得脚步，因此，这就需要将先进的测量技术应用到高速铁路工程测量中。我国的高速铁路工程测量技术在不断提高，以适应我国高速铁路建设的发展，只有保证了工程测量的精度要求，才能够很好的满足高速铁路发展需求。
2 高速铁路工程测量
2.1 高速铁路工程测量的内容
就铁路建设来看，无论是铁路的勘测设计、工程施工，还是项目完成后的验收和维护， 这些都离不开对工程的精密测量工作。工程测量工作需要贯穿于整个高速铁路建设的过程中，其对高铁工程建设具有非常重要的意义。高速铁路工程测量的内容也包含了多个方面，例如对轨道施工的测量、对高速铁路平面高程控制的测量以及对铁路运行维护的测量等。这些测量内容的精确度都是确保高速铁路建设质量的重要依据，所以，铁路工程相关工作人员必须高度重视工程测量问题。
2.2 高速铁路工程测量的目的
在高速铁路工程建设过程中， 做的所有工作都是为了确保高铁工程的质量及安全，高速铁路工程测量也不例外。工程测量主要是根据高铁工程的实际情况， 合理设计各级平面高层控制网，然后在精密测量网的控制下，对工程建设中每个施工环节有效实施，最终顺利完成高速铁路的建设。由于高速铁路的建设在各方面的要求都很高，所以，在进行高速铁路工程测量的时候，应该根据铁路工程的实际情况，按照设计的线型对铁路线路进行施工。为了确保轨道的平顺性，精度要控制在毫米级的范围内，来确保在车辆行驶中具有舒适性和安全性。
2.3 高速铁路测量技术的要求
轨道是高速铁路的重点建设环节。高铁轨道一般可以分为有砟轨道和无砟轨道。无砟轨道较有砟轨道平顺性以及稳定性要好，轨道的耐久性也随之大幅提升。但应注意的是，无砟轨道对工程基础的质量有非常高的要求， 如果工程基础有沉降等问题，不仅会影响行车安全，甚至造成灾难。这就对工程测量精度提出了极高的要求。另外，对于无砟轨道而言，在施工完毕后，很难对其进行调整，所以，为避免多个环节的误差积累，高铁轨道工程测量必须具有严格的控制网标准。
3 高速铁路工程测量技术存在问题
3.1 测量仪器导致的质量问题
在实际铁路工程测量中， 测量仪器的质量问题以及使用不当是导致工程测量数据不准确的一个重要因素， 主要表现在：①测量仪器相对落后，达不到当前工程测量的标准要求。在一些工程施工中，为了节省成本，不能及时的换新的仪器，还在使用比较老式的测量仪器，这样难保证测量精度;②测量人员在使用测量仪器进行工程测量时， 往往凭借自己的经验对工程测量，没能够按照相关的规范来使用仪器，这很可能使测量的数据与实际不符，最终导致铁路工程出现质量问题;③没能按照相关的规定来管理仪器，造成仪器失真。而对于工程测量仪器来说，其管理及保养都需要专业人员来进行，不能让其他人员随意使用或放置，以防仪器失去精度。
3.2 未能控制好测量质量
对于高速铁路工程质量监控来说， 它既涉及到铁路工程的质量问题，又涉及到人们的生命和财产安全问题，不仅需要相关部门的监察，更加需要政府的职能监督。政府及社会监理要和相关部门协同进行工程验收， 高铁质量重中之重不可忽视。然而，许多工程监理没能担负起应尽的责任，没有按照监理要求对工程质量进行评估。其次有一些监理人员未使得当的测量仪器进行工程监理，这会很大程度上影响监理质量。
3.3 工程测量产生误差
3.3.1 GPS 测量误差
对于高铁工程测量的前两个阶段， 都是需要采用GPS 测量方式，而此种方式很容易出现误差，其误差的来源可以分为以下三类：
(1)与控制段相关的误差，包括星历误差和卫星时钟误差，指的是在卫星传播过程中导航电文的参数值产生误差。
(2)与接收机有关的误差，一般是接收机噪声引起的误差。
(3)与卫星信号有关的误差，指信号受到接收机和卫星之间的传播介质的影响而造成的误差。
3.3.2 CPⅢ控制测量误差
CPⅢ控制网测量方式是采用后方交会全站仪自由设站的形式。误差来源主要是：
(1)由观测值误差产生的自由设站点误差，主要原因是出现了方向观测误差;
(2)两相邻测站在平面位置和高程产生的相对误差;
(3)全站仪测量轨道各点的误差。
4 工程测量问题的解决措施
4.1 提高工程测量中的技术创新
我们的社会在不断进步发展， 对于铁路工程测量技术来说，也需要不断的创新。把先进的科学技术运用到工程测量之中，有效的提高铁路工程测量技术水平。科学技术是第一生产力，在一定意义上说，测量技术的提升以及测量标准的提升既能够降低高铁工程测量的花费， 又能够确保高铁工程施工的进度和质量。因此，我国要推动高速铁路工程测量技术的进一步发展与革新，保证我国高速铁路事业顺利发展。
4.2 加强对高速铁路工程测量中各项制度的制定与实施
这包含了在高速铁路工程测量取得成果的复测、交接、施工过程等环节上要严格遵守相关的管理办法， 进而使工程测量行为规范起来，确保高铁工程测量成果的质量。如今高速铁路工程建设不断发展， 铁路施工技术要求的精度也在不断增高。对此高铁工程的负责人要把眼光放长远，同时要根据实际发展情况，引进先进、实用的设备仪器，为提高高速铁路工程的测量质量打下一个良好的基础， 为我国的高速铁路工程事业提供推动力量。
4.3 要加强对工程测量工作的监督与管理
把高速铁路工程测量的监督工作放到首位。①工作人员必须了解高速铁路工程测量过程中的每一个细节， 遵守相应的标准规范， 施工人员也不能仅仅依赖自己的工作经验来测量。②高铁工程测量工作人员要担负起自身的责任，对测量数据严格把关，并反复审查所得数据，确保数据万无一失。在高速铁路工程测量的数据应用到实际中，必须要再次核实数据，数据的真实有效性是保证铁路工程质量的首要前提，因此，必须将监督工作有效落实。
4.4 减弱工程测量误差
4.4.1 GPS 测量误差的减弱措施
卫星时钟造成的误差是系统误差， 它包括时钟的随机误差及频偏、钟差等所产生的误差。对于这种误差往往可以通过差分技术和钟差改正法来减弱。此外还有星历误差，它可采用相位观测量求差法来获取高精度的相对坐标， 从而减弱或消除误差。对于高精度、长距离的测量可以采取精密星历法来削弱。另外，对于整体的星历误差还可以通过轨道改进法、同步求差法等来减弱误差。
要消除与卫星传播有关的误差， 可以通过倾斜因子系数来解决电离层的折射使得码相位测量变长， 载波相位变短的问题，也可以选择一个特定的时间段观测，然后使用同步观测量求差法来消除误差。
可采用差分法来处理与接收站有关的误差， 如果要求高精度定位，可以使用外接频标，给接收站提供高精度的时间标准。或者是在求解的时候把接收机的钟差作为独立未知数处理。
4.4.2 CPⅢ控制误差的减弱
我们不能完全的消除全站仪测量所造成的误差， 只能采取一定的方法来合理的减弱误差， 所测量的轨道各点在竖直方向的不平顺性跟观测高度角是有关的， 观测水平方向与在水平方向的不平顺性有关， 正矢误差与测量距离和误差角度有关，想要减弱正矢误差，就要控制观测距离和观测角度的误差，还要尽量缩小观测距离。
5 结语
工程测量对于工程施工来说是一个非常重要的环节，工程测量精度对工程项目施工质量会有着很大作用。施工前要运用工程测量技术重新核实测量结果， 一旦测量技术出现问题，整个工程可能就会出现严重的质量问题。高速铁路工程施工是一项系统且又复杂的工程项目， 必须保证铁路轨道的平顺性，才能确保高速运行的列车安全稳定运行。因此，对高速铁路工程测量技术要求非常高。想要使高速铁路发展的更好更快，就要继续深入研究工程测量技术，还要加大对高速铁路工程测量的监督力度，在严格的审查制度下，工作人员才会具有高度责任心的工作态度， 并且能够认真完成自己的工程测量任务，进而促进我国高铁工程事业的快速发展。
嗯！原理很简单，就是通过检测红外线的探透率而转换成酒精浓度的。一对红外传感器（发射+接收）通过接收到的红外线（光电反应）形成的电流信号的大小来判断酒精浓度（相当于红外线传播的介质）。不过要求的器件灵敏度和线性度非常高。
实验：酒精可燃雨不可燃的临界浓度，4000-5000实验论文我有你需要的，就是太多篇目了怎么联系你呢？？
测量酒精酒度通常用酒精表，酒精表又称酒精比重计。酒精表是根据酒精浓度不同，比重不同，浮体沉入酒液中排开 酒液的体积不同的原理而制造的。当酒精计放入酒液中时，酒的浓度越高，酒精计下沉也越多，比重也越小；反之，酒的浓度越低，酒精计下沉也越少，比重也越大。测量浓度时，将部分酒精倒入量筒中，注意不要倒得过满，再把温度表和酒精表放入量筒里不要贴筒壁，稍等片刻，目光平视看准温度与酒度，通过《酒度、温度换算表》，然后查出标准(20℃的酒度)。使用酒精计测量酒度时，应注意：由于表面张力的原因，酒精表面与酒精计长轴的接触处会出现弯月面。因此，在读数时，应以水平面为准。
随着生活水平的提高，家用安全防范产品逐步进入家庭。市面上的报警器—般价格偏高，普通家庭很难接受。下面介绍一款比较便宜实用的无线报警器，该报警器检测与报警部分分离，一个报警器可以带有多个检测头，检测与报警部分利用无线电波进行通信。参考资料：
cornerNer论文链接： github： CenterNet论文链接： github： CornerNe-Lite论文链接: github: 所谓基于关键点进行目标检测，其实就是使用one-stage网络将目标边界框检测为一对关键点（即边界框的左上角和右下角）。通过将目标检测为成对关键点，就可消除现有的one-stage检测网络中对一组anchors的需要，这个最近火热的anchor-free也是不谋而合。接下来，先简单介绍下CornetNet和CenterNet这两个基于特征点的目标检测网络。最后对CornerNet-Squeeze做个简单介绍！ CornerNet网络的整体思路是，首先通过Hourglass Network网络进行特征提取，紧接着将网络得到的特征输入到两个模块： Top-left Corner pooling 和 Bottom-right Corner pooling 提取关键点的特征，对于每个Corner Pooling模块都会进行目标框的左上角关键点和右下角关键点的类别分类（ Heatmaps ），并找到每个目标的一对关键点（ Embeddings ），以及减少基于坐标回算目标目标位置时的偏置（ offsets ）。网络的整体结构图如下： 很显然，CornerNet的核心是四个部分： 最终，如下图所示，上半支路的网络结果如下所示，网络最终是由两条支路组成的。 CenterNet网络主要是基于CornerNet网络存在的问题，而提出的基于关键点目标检测的网络。其实现了目前为止在one-stage系类算法中最高的MAP。CenterNet的作者发现，CornerNet是通过检测物体的左上角点和右下角点来确定目标，但在此过程中CornetNet使用corner pooling仅仅能够提取到目标边缘的特征，而导致CornetNet会产生很多的误检。基于此，CenterNet利用关键点 三元组 即 中心点、左上角关键点和右下角关键点 三个关键点而不是两个点来确定一个目标，使得网络能够获取到目标内部的特征。而CornerNet在论文中也说道了，约束其网络性能最重要的部分是关键点的提取，因此CenterNet提出了 Center Pooling 和 cascade corner Pooling 用来更好的提取本文提出的三个关键点。 作者基于Corner Pooling的系列思想，提出了Center Pooling的思想，使得网络提取到的中心点特征能够更好的表征目标物体。 最终，CenterNet在CornerNet的基础上增加了中心点的预测，以及修改了关键点特征的提取方式，大大减小了网络的误检，并且实现了one-stage系列算法中的最好效果。 普林斯顿大学在4月19号提出了两种更高效的基于关键点的目标检测算法，分别为： CornetNet-Saccade 和 CornetNet-Squeeze ，若将两种策略结合则称为 CornerNet-Lite 。以下是Cver对这两个网络的介绍，个人感觉写的很好，我就不造轮子了： 最终我最感兴趣的网络CornerNet-Squeeze和YOLOv3进行对比，达到了如下图所示的效果。 然而，就在我学习并总结这篇文章的过程中，我发现CornerNet-Squeeze是基于CornerNet改进的，但正如上文中介绍CenterNet的时候提到过的CornerNet所具有的那些弊端，我总觉得CornerNet-Squeeze在误检的部分不一定会很优秀，所以接下来就是看源码阶段了，希望CornerNet-Squeeze能够不负我望哈~
对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下：
在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了 层， 代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于0.5，就认为是正类。 对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。
框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的 ，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。 如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。 这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：
RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成 块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。 为了提高效率，Fast-RCNN首先选取 个图像，再从每个图像上选择 个RoI，这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：
为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为 ，输入后会映射（用 的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用 的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：
在每一个滑动窗口（可以参考 ），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：
自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。
对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。 与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。
不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程： 第一个：从roi proposal到feature map的映射过程。 第二个：从feature map划分成7*7的bin，每个bin使用max pooling。
为此，作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别，回归框，mask的网络使用如下图结构：
整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。