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 ：
【中文摘要】随着信息社会和科学技术的发展
,
计算机在日常生
活中起着越来越重要的作用。而算法是计算机工作的基础
,
了解算法
知识及其思想成为现代社会每一个公民所应具备的基本素养。
在许多
发达国家
,
算法知识早已成为中学教材的重要内容。
2003
年
4
月教育
部颁布《普通高中数学课程标准
(
试验
)
》
,
新课程开始陆续实施。作
为新课程中首次出现的内容之一
,
算法的教学问题被人们所关注。湖
北省于
2010
年才第一次进行必修
3(
含算法初步的内容
)
的教学。由
于算法内容对刚实行新课改地区的中学数学老师来说是比较陌生的
,
心理上存在着畏惧情绪
,
在实际教学中缺少有效的教学指导
,
因此给
他们的教学带来了全新的挑战。
本文研究了国内外关于算法教学的研
究及教学设计理论的发展
,
重点是国内的“双主”教学设计与“以活
动为中心”
的教学设计
,
对高中数学算法初步的内容进行了功能分析。
结合教学实际
,
对算法初步的部分内容进行了教学设计。旨在为自己
及同行的教学提供一个有益的探索与尝试。
本文所给出算法设计方案
只是初步的
,
有待于在今后的教学实践中进一步检验完善。
【英文摘要】
Algorithm is an ancient concept,with the
development
of
computational
science,algorithm
has
become
more
and more important.The idea of Algorithm has already become a
mathematical quality for modern citizens. In many developed
countries, Algorithm has become an important part in senior
教研专区全新登场
教学设计教学方法课题研究教育论文日常工作
high
school
teaching.In
April
2003,
The
Mathematics
Curriculum
Standard
of
High School
began
to
be
carried
on in our
country,
and algorithm has appeared in the text-books of high school
mathematics. But the problem of teac...
【关键词】算法
功能分析
教学设计
【英文关键词】
algorithm function analysis instructional
design
【目录】高中数学算法初步的功能分析及教学设计
摘要
4-5
ABSTRACT
5
1
绪论
8-11
1.1
研究问题的提
出
8-9
1.2
研究意义
9-10
1.2.1
研究的理论意义
9
1.2.2
研究的实践价值
9-10
1.3
研究方法
10-11
2
研究综述
11-18
2.1
算法的研究综述
11-14
2.1.1
国外的算法研究
11-13
2.1.2
国内的算
法研究
13-14
2.2
教学设计的相关研究综述
14-18
2.2.1
国外教学设计理论的发展
14-16
2.2.2
国内教学设计理论的发展
16-18
3
算法初步的功能分析
18-20
3.1
有助于提高学生的信息素养
18
3.2
有助于
培养学生的逻辑思维与创造性思维
18-19
3.3
有助于发扬优
秀的算法传统
19-20
4
算法初步的教学设计
20-40
4.1
算法初步的教学设计策略
20-21
4.1.1
以内容分析和学情分
析为起点
20
4.1.2
以现代信息技术为辅助手段
20
4.1.3
以思维训练为目的
20
4.1.4
以数学文化为
驱动力
20-21
4.2
算法初步的教学设计案例
21-40
4.2.1
算法概念的教学设计
21-24
4.2.2
程序
框图与算法基本逻辑结构的教学设计
24-29
4.2.3
基本算法
语句的教学设计
29-32
4.2.4
循环语句的教学设计
32-35
4.2.5
秦九韶算法的教学设计
35-40
5
教学建
议及需要进一步研究的问题
40-42
5.1
教学建议
40-41
5.2
需要进一步研究的问题
41-42
参考文献
42-45
附录
A
：攻读硕士期间发表的论文
45-46
附录
B
：听课笔记节选
46-50
致谢
50
论文提纲，是指论文作者动笔行文前的必要准备，是论文构思谋篇的具体体现。构思谋篇是指组织设计毕业论文的篇章结构，以便论文作者可以根据论文提纲安排材料素材、对课题论文展开论证。有了一个好的提纲，就能纲举目张，提纲挚领，掌握全篇论文的基本骨架，使论文的结构完整统一；就能分清层次，明确重点，周密地谋篇布局，使总论点和分论点有机地统一起来；也就能够按照各部分的要求安排、组织、利用资料，决定取舍，最大限度地发挥资料的作用。[1]
论文提纲可分为简单提纲和详细提纲两种。简单提纲是高度概括的，只提示论文的要点，如何展开则不涉及。这种提纲虽然简单，但由于它是经过深思熟虑构成的，写作时能顺利进行。没有这种准备，边想边写很难顺利地写下去。
