发布时间：
论文查重是借助论文查重系统进行的，论文作者只需要把论文上传到查重系统，系统会根据论文目录进行分段查重。
1、在查重报告中，标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。
2、查重是以“连续13个字重复”做为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。
3、论文中引用的参考文献部分也是会计算相似度的。
4、在知网的对比文库中，外文资料相对较少。
5、对比文库里不包括书籍，教材等。但有一个问题要注意，当你“参考”这些书籍教材中的一些经典内容时，很可能别人已经“参考”过了，如果出现这样子的情况，那就会被检测到相似。
6、检测系统对论文的分节是以“章”作为判断分节的。封面、摘要、绪论、第一章、第二章、等等这样一系列的都会各自分成一个片段来检测，每一个片段都计算出一个相似度，再通过这样每章的相似度来计算出整篇论文的总重复率。
7、当查重系统识别到你论文中有某句话涉嫌抄袭的时候，它就会对这句话的前面后面部分都重点进行模糊识别，这个时候判断标准就变得更严格，仅仅加一些副词或虚词(比如“的”、“然后”、“但是”、“所以”此类词语）是能够识别出来的。
8、在查重进行中，检测系统只能识别文字部分，论文中的图片、word域代码、mathtype编辑的公式、是不检测的，因为检测系统尚无法识别这些复杂的内容格式。可以通过[全选]——[复制]——[选择性粘贴]——[只保留文字]这样步骤的操作来查看具体的查重部分。另外，在编辑公式时，建议使用用mathtype，不要用word自带的公式编辑器。
9、在论文提交到学校之前，一定要自己先到网站查一下，如果有检测出来相似度较高的片段，自己先改一改。 论文修改一次以后，不要以为就肯定能过了，因为系统会根据论文内容的不同自动调整着重检测的段落，所以有时候第一次查重的时候是正常的，一模一样的句子，第二次检测的时候会判断为“抄袭”。这也是没有办法的，只能多查多改。
10、官方检测系统不对个人开放，学生自己是无法自行到知网去检测论文的，只能通过第三方检测平台进行。
论文查重的相关说明
论文查重，不同学校要求也不同，当然对于硕博与本科等区别也比较大；本科院校30%以内的也有，15%的也有；硕博的10%内的也有，所以同学们在查重前咨询下学校的要求，这样才能够有把握。
对于查重的原理基本上是一致的，没有区别；但是对于投稿的论文查重，建议使用跟杂志社要求的系统一致，比如知网期刊；如果需要排除作者自己的论文，那么只有查知网的才可以，其他的系统无法进行排除。
对于论文查重系统，并不是什么内容都查的出的，主要看文献库是否收录了当前内容，如果没有，那么就是查不出的。
对于论文查重系统来说并没有那么神秘的地方，同学们查重完成后，只要根据查重报告好好的修改，基本上都是没问题的。
每个学校的要求都不同，有的是看总复制比，有的看总复制比还有引用比。
PaperFree论文查重软件通过海量数据库对提交论文进行对比分析，基于大数据指纹比对算法，相比常规比对速度提升10倍，在保证查重质量的情况下，几秒钟就可以出查重结果，准确地查到论文中的潜在抄袭和不当引用。
论文检测完系统都会出具一份报告，这里已知网和paperfree的报告和大家分享一下。
知网本科和硕博报告有四份
1、简洁报告
简洁报告顾名思义就是简单的报告，里面包含总文字复制比、去除引用复制比、去除本人文献复制比，没有具体重复的文献只用于打印交给学校老是看的一份成绩单的意思。
2.全文标明引文全文标明就是论文的全文进行标注的详细报告，会把抄袭、引用的地方一一用颜色标注，在此各位对各个颜色代表什么意思呢：标注红色文本的表示抄袭部分，标注绿色的表示为引用显示基本文献的检测信息，重复文本的起源，以及文本的详细抄袭比例。3.全文对照论文检测报告。红色抄袭文献的来源以及标注为绿色引用文献来源一一罗列出重复文献的出处，原文重复的部分在左边，重复文献来源在在右边，所以看起来很清楚。显示基本文档检测信息。细心的同学可能还会发现重复文献来源右边对同一重复可能会罗列多个文献来源，是因为同一个文字表述可能会在多个文献中已经发表过，所以会出现罗列多个重复文献的情况。
4.去除本人已发表
去除本人已发表就是说自己已经发表的文献这部分重复不计入，对于这一点有些同学可能比较难理解，也就是说就只计算和别人的重复而得出的一个文章重复率。
paperfree报告就综合了简洁和全文标明引文报告，方便同学一次性查看
报告中黑色（绿色）表示没有重复，黄色表示重复在50-80%之间，红色表示重复在80%以上
原文-报告-重复文献来源
原文-报告-重复文献来源在同一界面展示方便同学查看，修改以及在线查重
1、论文里明明标注了引用，什么原因使最后还会加倍检测为抄袭？论文检测系统设置了论文引用的阀值，通常情况下引用的内容不可以超过全文字数的百分之五，一旦超出此比例系统即认定为抄袭。2、论文查重时论文总字数怎样计算？如今大多数学校都是使用的知网论文查重系统，当我们在知网对论文进行查重时，通常都是将全篇论文提交到系统，再就是系统会对论文的封面、摘要、目录、正文以及参考文献进行计算。那么就说明在Word文档里面所显示的全部字数都会计算在里面，但需要注意的是，Word文档里面英文字母为一个单词，检测系统在进行识别时是根据字符数进行计算的，因此一般我们在提交查重报告显示的总字数要比Word文档要多一些。论文查重时会遇到什么问题？3、怎样判定那篇论文是抄袭的呢？要清楚不同的高校对重复率的要求是不一样的，但都是有限定的数值的。通常学校对本科论文重复率要求在百分之三十以内，硕博论文的重复率要求则要求在20%-10%之间。那么一定也存在学校很严格的要求，比如本科要在20%以内，硕博论文要求则在10%-5%以内等等。论文上传知网查重后会得到三方查重报告，总字数的复制率/删除引文后的复制率/单篇论文的最大复制率。一般学校都会把第一种情况作为你考试的最终成绩，其他两种情况只作为参考，如果你的单词总数复制率非常高，你就越有可能抄到。有没有发现没有被学校查到的论文呢？一般情况下，学校都会有规定，如果你的论文初稿不及格，学校会给你一次修改机会。但如果修改后仍达不到学校规定的要求，将无法进行论文答辩，甚至有延期毕业的可能。
1、注意论文的格式毕业论文查重是需要特别看重论文格式的，因为系统检测是机器检测的，所以也会提前设置好格式，那么在论文查重前是需要我们弄清楚格式是否正确，符合要求。只要按照学校的要求提交，并且保证论文格式没有问题，那么检测结果也是比较准确的。2、注意论文检测的结果毕业论文查重是需要多次检测的，因为在不同时间检测的结果也是有所区别的鱿鱼系统数据库和算法都是完全不同的，而且有的系统数据库每天都在更新，所以事隔几天再检测同一篇文章，可能得到的结果也是不同的3、注意重复率的范围毕业论文查重需要我们重点关注重复的内容，许多高校都会设置重复率标准，所以我们在写论文时需要去查阅文献作为证据。有时候需要我们去引用一些文献资料，学校也会按照实际情况来判断重复率的问题，这也就要求我们在检测前需要弄清楚学校要求的重复率，范围是多少？如果高于这个范围，那么就是不达标的。不同学校对于重复率的要求都是不同的，有的要求比较宽松，有的就显得比较严格了。1.写论文时，不要把重点放在检测上。写作时，不要让你的论文查重限制自己的想法。单词方面最好要比论文要求的字数高。2.论文查重时，一定要注意自己的信息安全。3.不要一味地照搬教科书上的内容，尤其是一些经典理论已被大量使用。4.不要用一个软件进行翻译，注意论文的语句一定要简洁易懂。5.在知网举行论文查重时，尽管只查正文部份，有些时候表格也可以进行识别，所以最好是将表格截图后放在论文里面。6.引用参考文献时也要计算重复率，因此，在引用他人文学作品时，可以用自己的话进行重写。7.外文文献，在已知网的数据库中存储很少。应多阅读外国文献，多学习国外先进的科学知识、工程技术，并在翻译中运用到你的论文中去。
在做一件事之前，我们必须知道这件事的原理和标准。在这种情况下，我们可以根据它的标准和原理来做。对于每个大学生来说，他们都需要写论文。在写论文之前，他们必须知道论文查重的标准和原则。在写作过程中，他们可以避免一些雷区。论文查重的标准和原则是什么？让我们和小编一起看看。论文查重能有效地降低我们论文的重复率，一般我们查重需要选择查重软件。现在使用较多的查重软件有paperfree、papertime等等。那论文查重的原理和标准是什么呢？1、论文查重标准。一般情况下，本科论文查重标准在30％以内，只要重复率不高，30％以上就能顺利通过。硕士论文查重标准在15％以内。与本科相比，硕士论文要求更严格。2、是论文查重原则。论文上传完以后，系统会根据上传的文字生成目录，自动检测出论文章节信息。每一章的副本都可以和同一目录中的灰色内容进行比较，如果连续13个字相似或相似，就会被标记为红色。那么，您的这个段落是严重重复的，如果您有参考，您需要设置好格式。并对参考文献进行排版、插入注释和引用。查重时，您的这个段落不会被标红。根据这些原则，我们可以有针对性地在论文写作过程中进行预防和修改，有效地避免这些论文查重雷区。以上是关于论文查重原理和标准是什么的问题解答，希望能够对大家有所帮助。
又到大学毕业季了，毕业之前都需要进行论文写作，有的同学会觉得写论文的时候很困难，有些会觉得简单。有的同学写完很快顺利通过了查重和答辩，有的同学要写很长时间，后期反复修改才能通过。那为什么有的同学很快就通过了，而有的同学却要经过多次修改才能通过？会不会是查重出了问题？今天小编给同学们讲了毕业论文查重中不可忽视的地方，希望对同学们有所帮助！一、知网的论文查重采用模糊算法。如果整体结构和轮廓被打乱，可能会导致同一篇文章检测第一个和第二次重复的内容不同，这样就会导致查重结果的差异。二、整篇论文上传后，系统会根据文章生成的目录检测本次毕业论文的章节信息，然后系统会对论文进行分章节检测，格式目录正确的目录不会参与正文检测，显示灰色，如果目录格式不对，可能同时被检测为文本，重复的将被标记为红色。三、知网论文检测的条件是连续13个有相似抄袭的词会被标上红字，因为知网的敏感度设置了一个阈值，低于5%的抄袭或引用是检测不到的，除非你要抄袭的文本摘要在每段都高于5%才能被检测到。写论文是一段艰辛的旅程，需要我们努力，努力。没有一个同学是不学习就能一次性通过的。机会总是留给有准备的人。人生苦短。请不要浪费我们的时间，把宝贵的时间花在努力创造更多的价值，实现自己的人生梦想上。
验证性实验教学法分析论文
一、把实验的主动性交还给学生
一般地，验证性实验教学采用教师讲解的方式。每次实验，老师先给学生讲解一遍实验内容、实验目的、实验原理、实验仪器、实验步骤、注意事项，然后学生开始操作实验，记录原始实验数据，实验结束后编写实验报告。在这个实验过程中，学生到底学到了多少知识，理解了多少知识，是要打问号的。因为上实验课前有老师的讲解，学生往往不愿意真正去预习实验（虽然教学要求学生预习实验，并编写实验预习报告）。把实验任务主动性还给学生最好的方法是，实验指导老师只给学生指导，而不讲解实验。要求学生在实验前认真预习实验指导书，理解实验原理，明确实验要求，熟悉实验内容及步骤，写好实验预习报告。学生进入实验室后，老师提供实验仪器、实验材料，在没有详细实验讲解的情况下，让学生自己操作实验，老师在旁边予以适当的指导，直到实验完成。在这种情况下，学生要靠自己把老师讲解的知识点理解、掌握，并自主完成实验任务。可能这种实验教学方式需要花费教师和学生更多的实验时间（有些学生在课前还是不预习实验，进入实验室后，由于没有人讲解，只能一边看实验指导书，一边做实验，往往会拖延时间），实验教师也要面对由于学生操作不当损坏仪器，需要临时维修仪器的突发情况。但是，授人以鱼不如授人以渔，只有学生主动去做实验，才能更好地掌握、理解实验知识。
二、激发学生实验兴趣
学生的兴趣是实验教学的动力。要激发学生对验证性实验的兴趣，重点在于通过各种教学方法激发学生参与到实验中来。
1.实验结果比较，激发学生学习兴趣
学生在做验证性实验时，往往照着教师讲授或者实验指导书的要求按部就班完成试验，对实验结果进行一个简单的验证，有点像机械操作，不容易激发学生兴趣。下面以土木工程材料实验中水泥胶砂强度试验为例进行阐述。实验结果横向对比。对每个小组的实验结果进行对比，以此来激发学生的学习兴趣。在实验开始前，要求每组学生对本组的试件做好标志，进行编号，等到养护期后，压试块强度的时候，互相比较每组试块的抗折强度和抗压强度。每个人都有好胜心，希望自己组比别人组的试块强度大一些。学生在互相比较强度的过程中，反思试块制作过程中存在的问题，激发学生更加认真地做好每个实验，保证学生学习动力。实验结果纵向对比。水泥胶砂强度试验是在其他材料（标准砂和水）相同的情况下，来验证水泥的强度[2]。如果在专门的检测机构，当然采用材料越统一，结果就越标准。但对我们学生实验就没有这么严格的要求。在学生熟悉主要土木工程材料的技术要求，并具有对常用土木工程材料独立进行质量检定的能力后，可以让学生对材料进行选择。在做水泥胶砂强度试验时，每组在完成一个标准试件制作后，自己选择实验材料再制作一个试件。为找出规律，在采用相同的水泥和水，相同材料比例的情况下，学生选择普通的河砂为材料，制作试件。并要求学生对不同的水泥胶砂试块强度结果进行思考，为什么会产生这样的结果。这组学生在教师提问之前，主动提出了问题：为什么只差别一种材料，强度结果却相差这么多？学生在仔细查看试块断口后，自己思考并解答问题：第一种水泥胶砂所用的砂子颗粒级配良好且颗粒较大，第二种水泥胶砂所用的砂子颗粒粗细程度单一。接着学生想到混凝土的集料选择对混凝土性能的影响，开始重视接下来要做两个试验，混凝土用集料试验和普通混凝土试验。
2.给定实验结果，选择实验方法
尽量提供多种实验方法，让学生可以自由选择实验方法，提高学生做实验的兴趣。水泥试验的细度试验结果单一，学生容易草率对待。在做细度试验时，因为水泥在出厂时符合水泥细度要求，所以直接告诉学生细度试验结果，需要符合水泥试样筛余百分数F≤10%。试验方法就让学生自己选择，可以采用负压筛法、水筛法、手工干筛法[3]，如果细度结果没符合要求，则让学生寻找原因，仔细分析。
3.提问题，引起学生的`思考
做实验时提一些小问题，有待学生在实验过程中去解决、发现，通过实验找到答案。预留小问题的优点是，学生带着问题做实验，在实验过程中会去思考并解决这些问题。例如在做水泥试验的标准稠度用水量试验时，提一个小问题：“在理论上，根据测得的试锥下沉深度S（mm）按P=334–0185S[3]计算得到的标准稠度用水量P%和在标准稠度测定仪上对应标尺读得的P%应该是一样的，但是实际上两个P%有所差异，请解释一下其中的原因。”这个问题看似要从很多方面去解释，其实很简单，两个P%的差异是标准稠度测定仪标尺上的指针没在水平方向所造成的。再如在做混凝土用集料试验的集料近似密度（视密度）试验前，提个小问题：“试解释近似密度（视密度）计算公式as=（m0m0+m2—m1—αt）×1000[3]中的（m0+m2—m1）表示试样体积。”这个问题需要学生结合容量瓶画图来理解。
三、结语
验证性实验是实验教学中重要的组成部分，由于验证性实验自身的限制，比较枯燥乏味，降低学生的学习积极性和学习兴趣。文章通过学生自主学习为主，教师指导为辅的教学原则偿还学生对验证性实验的学习主动性，通过实验结果比较、自主选择实验方法、提小问题等三个教学方法激发学生对验证性实验的学习兴趣。验证性实验是重要的基础性实验，在倡导拓展性、创新性实验的同时，必须重视验证性实验教学。验证性实验教学还是提高学生学习自主性的重要途径，通过学生自主预习实验，自主完成实验任务的教学方法来提升学生的学习自主性。因此，实验教学应该注重验证性实验教学方法的探讨。
公路桥梁工程试验检测技术研究论文
近几年，我国的公路桥梁工程中的试验检测技术取得了很好的发展，但是在实际的工程施工中，试验检测技术还是没有得到应有的重视，这样就致使了我国的公路桥梁事故的频发。通过这些施工事故，我们可以得出要想保障公路桥梁的施工质量，最为保险的一项工作就是要进行公路桥梁施工的试验检测。本文针对公路桥梁施工中的试验检测技术的应用从三个方面进行叙述。第一个方面是简单阐述公路桥梁工程中试验检测技术的应用重要性；第二个方面是简要阐述公路桥梁施工工程中的试验检测技术的具体原因和相关的内容。第三个方面是简要阐述公路桥梁施工工程中的试验检测技术的具体的技术点。下面进行详细的介绍。
一、公路桥梁工程中试验检测技术的应用重要性
关于公路桥梁工程中试验检测技术的应用重要性的阐述，本文从四个方面进行阐述。第一个方面是公路桥梁工程施工中的试验检测技术的应用是对整个桥梁工程的施工质量的一种保障。第二个方面是公路桥梁工程施工中的试验检测技术的应用能够找出施工中应用的正确的施工材料，节约了施工的成本。第三个方面是公路桥梁工程施工中的试验检测技术的应用可以推进这项新技术的发展和推广。第四个方面是公路桥梁工程施工中的试验检测技术的应用能够检测工程中使用的材料的优劣性。下面进行详细的叙述。（1）公路桥梁工程施工中的试验检测技术的应用是对整个桥梁工程的施工质量的一种保障。我们在进行公路桥梁的试验检测应用是要采集相关的检测理论，并且要熟练的掌握试验检测的相关的操作技能和有关的公路桥梁的知识，只有这样才能够进行较为准确的试验检测数据。这些数据主要包含了施工的工程参数，施工中的质量控制参数和施工结束时的验收评定数据等等。（2）公路桥梁工程施工中的试验检测技术的应用能够找出施工中应用的正确的施工材料，节约了施工的成本。通过公路桥梁的`施工中的试验检测技术的应用，我们可以甄别施工用的材料的特性，这样可以通过施工现场的条件来进行材料的选取和供应。这样就会减少施工材料的运输时间和采买成本。通过试验检测我们可以大幅度的降低工程的实际造价。同时还可以就地取材，通过试验可以很准确的得出当地材料的基本信息，是否符合我们施工中的要求等。（3）公路桥梁工程施工中的试验检测技术的应用可以推进这项新技术的发展和推广。在试验检测技术的应用中，我们可以使用新型的工艺和新型的材料来进行公路桥梁的施工。我们要通过新型的技术的应用来判断这种新技术的可行性和有效性等特性，为我们的公路桥梁的施工提供更多的可能。整体推进施工的进程和施工进度及施工质量。（4）公路桥梁工程施工中的试验检测技术的应用能够检测工程中使用的材料的优劣性。我们通过试验的新型技术来辨别施工用的材料的质量的好坏，进而我们可以总结出来一套相关的鉴别材料优劣的手段，这样对于提升公路桥梁施工的质量有很大的帮助。
二、公路桥梁施工工程中的试验检测技术的具体原因和相关的内容
关于公路桥梁施工工程中的试验检测技术的具体原因和相关的内容的阐述，本文主要从两个方面进行阐述。第一方面是公路桥梁施工中的试验检测技术的应用具体原因；第二个方面是公路桥梁施工中的试验检测技术的相关的内容。下面进行详细的叙述。（1）简述公路桥梁施工中的试验检测技术的应用具体原因。首先是试验检测技术的应用可以为公路桥梁的施工提供充足的施工和设计的材料；其次是试验检测技术的应用能够提升公路桥梁的质量要求，可以通过试验给出桥梁承载力的最大值，提升桥梁的质量。第三是试验检测技术的应用可以提前检测出施工过程中的施工质量事故，排除施工质量的隐患。第四是试验检测技术的应用可以提升施工的质量规范要求。最后是试验检测技术的应用能够为公路桥梁的施工提供正确的设计标准。（2）简述公路桥梁施工中的试验检测技术的相关的内容。试验检测技术主要是检测施工中的使用材料，包括石沙和混凝土等，还包括成品和半成品等。我们通过这些材料的检测得出最优的施工用材料。对于不合格的施工用材料进行打废处理。我们在这一个过程中，要严格的按照相关的程序进行试验检测。
三、公路桥梁施工工程中的试验检测技术的具体的技术点
关于公路桥梁施工工程中的试验检测技术的具体的技术点的阐述，主要是通过简述试验检测技术中的静载试验技术。简述试验检测技术中静载试验的试验主要技术点。首先，我们要进行三种变形的监测和试验。我们要对桥梁的竖向挠度，桥梁的侧向挠度及桥梁的扭转变形量这三个数据进行实时的监控。我们在进行桥梁的钢结构的相关检测时，我们要至少采用三个试验点来进行相关的试验，并且我们要通过实验来得出最大值和最小值，通过比较来得出相应的施工应力区间，总结得出桥梁的偏载特性。其次，我们要详细的检查桥梁的本体是否出现裂缝。我们应该采用相关的技术设备来检测初始的裂缝，通过设备的检测，我们可以得出相应的载荷值，我们要对裂缝的位置，长短发展的方向及闭合情况进行详细的记录。如果在试验中，我们没有得到预期的最大负荷值，我们要停止相关的负荷试验，只是进行裂缝的观察，通过经验来完成相关的载荷的收集工作。如果我们在试验中遇到结构较为复杂的桥梁，我们要对桥梁的静载试验作出详细的记录，要观察应力载荷的变化的趋势，并且要对桥梁的制作进行结构上的评定，对伸缩量和伸缩角度进行试验。
药品生物测定的发展趋势 作者:吕会成 【关键词】 生物测定；药理；药品 ［摘要］ 生物测定是经典的药品检测专业之一，现代仪器分析的广泛应用，给其带来了极大的挑战和机遇，面对目前的基本状况，阐明了生物测定专业在中药开发、新药研制、药物安全性评价及微生物限度检查方面的应用和发展趋势。 ［关键词］ 生物测定；药理；药品 药品是特殊商品，药品质量直接关系到用药者的安全和疗效。药品检测方法和检测水平随着制药工业的发展不断改进提高。由于现代科学技术的发展，相邻学科之间的相互渗透，分析化学的发展经历了三次巨大的变革，使分析化学发展成为以仪器分析为主的现代分析化学。面对生命科学中复杂的分离分析任务，发展了色谱分析方法。结构分析、价态分析、晶体分析等方面的研究又促进了光谱分析的发展。以计算机应用为主要标志的信息时代的来临，仪器分析迅速发展，为药物检测提供各种非常灵敏、准确而快速的分析方法［1］。生物测定受到了极大的挑战，其发展前景令我们从事药品生物测定工作者所关注。 1 药品生物的特点与业务范围 药品生物测定的定义与特点 药品生物测定（简称生测）是利用药品（或药品中的有害杂质）对生物（或离体器官及组织）所引起的反应来测定药品的含量或安全性的一种方法。 生测法的优点是测定的结果与医疗要求基本一致，能直接反映药品的效果或毒副作用，这是其他物理学方法或化学方法所不能达到的。因此，目前各国药典仍大都采用这一方法。 生测法的缺点是检验周期长，微生物有生长繁殖过程，动物有生理代谢过程，观察分析时间一般在2~7天，有些试验会更长。影响因素多，有生物差异性，也有系统操作误差和环境条件等造成的影响。用品用具、动物质量、仪器设备都会对结果产生影响［2］。所以，以生测主检的品种在中国药典中逐版减少。 药品生物测定的业务范围 中国药典是法定的药品标准，它将药品质量控制项目归为四类：性状、鉴别、检查和含量。生测的业务主要涉及到中西药品的检查类和含量类。 其中作为药品安全性检查项目最多，包括：无菌、热原、细菌内毒素、异常毒性、安全试验、急性全身毒性、过敏物质、刺激性、溶血、降压物质、微生物限度等。含量（或效价）测定包括：抗生素微生物检定法，胰岛素、硫酸鱼精蛋白、缩宫素、卵泡刺激素、黄体生成素、升压素等生物检定法。 2 药品生物测定的现状 由于现代化检测仪器的广泛应用，药品生物测定的品种和范围，方法和要求，也发生了很大变化。 品种和范围的变化 抗生素的含量测定，最初大部分抗生素用微生物法测定含量。随着制药工业发展，提纯方法不断改进，有效组分更加明确，许多品种检测方法不断改为仪器测定和化学测定。例如：2000年版中国药典收载约219个抗生素品种，其中有15个原料药及其制剂从1995年版的化学法和微生物法改为高效液相色谱法（简称HPLC），使该法达到97种，微生物法仅有24个，其中9个品种是新增加的。有人预计本世纪初，HPLC法会发展成为中国药典使用频率最高的一种仪器分析法［3］。规定取消抗生素过期检验，抗生素微生物效价测定的业务工作量更是明显减少。 药品注射剂的热源检查。1942年美国首先将家兔法收入药典，相继世界各国药典均规定用该法。中国药典从1953年开始收载。自1973年以来，鲎试剂被证明是一种检测细菌内毒素（热原）存在的灵敏试剂。用鲎试剂要比家兔试验迅速、经济，所需样品量少，操作过程工作量小，每天可进行许多样品检测。1980年美国药典20版首载“细菌内毒素检查法”，1985年USP21版收载5种注射用水及40种放射性药品。1991年11月执行的USP22版第五增补版公布了185种药品删除家兔法，用细菌内毒素检查法代替。1995年USP23版注射剂的热源项几乎都被细菌内毒素检查法代替［4］。 我国从20世纪70年代开始研究制备鲎试剂，1988年卫生部颁布细菌内毒素检查法，1993年中国药典第二增补本收载该法，但未涉及任何品种，1995年中国药典二部正式收载，并规定了注射用水、氯化钠注射液和二十多种放射性药品并删除热源检查，以内毒素代替。2000年版中国药典进一步扩大到68种。预计2005年版中国药典还要继续增加品种，热源项都将被内毒素代替。动物试验改为生化试验。 实验动物 生测离不开实验动物，在实验中，为了减少生物差异，提高动物反应敏感性，以最少的动物达到最满意的结果。国家非常重视实验动物，1988年国务院颁布了《实验动物管理条件》，对实验动物的饲管、管理、使用等做出了明确规定，实行达标认证制度，严格管理。按微生物控制程度把实验动物分为四级：普通动物、清洁动物、无特殊病原体动物和无菌动物［5］。一般动物实验必须达到清洁动物标准，种系清楚，不杂乱，无规定指出的疾病。动物级别越高，饲养管理条件越严，设施投资越大。实验动物是实验研究的活试剂，既要有纯度，也要有数量，背景明确，来源清楚，符合要求才能使用。（随着药品纯度的提高，凡是有准确的化学和物理方法或细胞学方法能取代动物实验，进行药品和生物制品质量检测，应尽量采用，以减少动物的使用。） 药品生物测定在方法上的改进与变化 为了缩短操作时间，减少实验误差，近年来生测方面也研制并投入使用了部分仪器设备，如：抗生素抑菌圈测定仪、微机热原测温仪、集菌仪、细菌数测定仪等，减轻了工作强度，提高了工作效率，检测结果更加准确可靠。 3 药品生物测定的发展趋势 生测作为经典方法沿用至今，表明它有其他方法不能替代的特点，在药品检验中发挥了重要作用。不少老产品改为其他方法控制质量，也会不断有新产品离不开生测法，我们应当充分发挥它的优点，尽量克服它的不足，开拓新的业务范围。 微生物限度检查工作量大 为了控制药品染菌限度，1975年美国药典19版首载微生物限度检查，1980年英国药典收载，我国在1990年由卫生部颁布了药品卫生标准及检验方法，1995年版中国药典正式收载［6］。2000年版中国药典按剂型规定了微生物限度标准，执行范围除注射剂和中药饮片外几乎包括中西药的所有制剂和原料。该项检查成为药典品种适用最多的检查项目，占当前地市级药品检验所生测室业务工作量的80%以上。在这项检查中，有大量的业务技术需要我们进一步研究，改进试验条件，使数据准确，探讨快速检测的新方法。药包材的检查，国家药监局已经发布试行标准，业务范围将更加扩大，这是我们进一步做好工作，努力探讨研究的新领域。 药品生物测定在中药开发中的作用 我国是中药王国，2000年版中国药典一部共收载920种，其中中成药398种。有含量测定的157种，仅占总数的17%，中药成分多，杂质和干扰物质很多。复方制剂，尤其大复方制剂专属性的检出处方中所含药材很困难，有大量的研究工作需要做。中成药中的杂质如重金属、残留农药等达到一定水平会产生毒副作用，影响药物安全性［7］。要让中药制剂打进国际市场，我们在检查类的控制项目和含量类的方法探讨方面有大量工作要做，生物测定可以在毒理、药理方面进行研究、探讨，逐步完善质量控制标准，提高制剂质量发挥更大的作用。 新药研制开发与安全性评价 新药研制开发是多学科合作的系统工程。在获得一个具有生物活性的化合物后，研究开发组织者要在生物医学领域进行药物评价研究，首先必须组织药理学、毒理学、病理学、兽医学、遗传学、生物化学、药代动力学方面的专家进行合作研究，按药物非临床研究管理规范GLP进行管理。组织药理、毒理（包括一般毒理和特殊毒理）、病理、药代动力学和毒代动力学、药物分析、临床化学、实验动物、生物统计、质量保证等部门有关人员进行讨论，分阶段做出评价［8］。生测在这方面可以参加开发研究或进行技术指导。 综上所述，药品生物测定是药物分析的重要组成部分，是不可缺的检测专业，现代仪器的大量使用，不仅不会影响其发展，而是如虎添翼，让药品生物测定展示出新的前景。 ［参考文献］ 1 倪坤义，田颂九，丁丽霞.21世纪药物分析学的发展趋势.中国药学杂志，2000，35（12）：798
原文： Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.
译文参考： Faster R-CNN论文翻译——中英文对照
目标检测网络依赖于Region Proposal算法假设目标位置，通过引入Region Proposal（网络RPN），与检测网络共享全图像卷积特征，使得Region Proposals的成本近乎为零。
如下图所示，图a采用的是图像金子塔（Pyramids Of Images）方法；图b采用的是滤波器金字塔（Pyramids Of Filters）方法；图c引入“锚”盒（"Anchor" Boxes）这一概念作为多尺度和长宽比的参考，其可看作回归参考金字塔（Pyramids Of Regression References）方法，该方法可避免枚举图像、多尺度滤波器和长宽比。
为了将RPN与Fast R-CNN相结合，本文提出了一种新的训练策略：在region proposal任务和目标检测任务之间交替进行微调，同时保持proposals的固定。该方案能够快速收敛，两个任务之间并共享具有卷积特征的统一网络。
Faster R-CNN由两个模块组成：
RPN以任意大小的图像作为输入，输出一组矩形的目标proposals，每个proposals都有一个目标得分。在实验中，假设两个网络（RPN和Fast R-CNN）共享一组共同的卷积层，并研究了具有5个共享卷积层的 Zeiler和Fergus模型（ZF） ，以及具有13个共享卷积层的 Simonyan和Zisserman模型（VGG-16） 。
为了生成region proposals，对最后的共享卷积层输出的卷积特征图谱使用一个小网络。该网络以卷积特征图谱的 空间窗口作为输入，且每个滑动窗口映射到一个低维特征，所有空间位置共享全连接层。
该低维特征作为两个子全连接层———边界框回归层（box-regression layer, reg）和边界框分类层（box-classification layer, cls）的输入，其卷积核均为 大小。
对于每个滑动窗口位置，可同时预测多个region proposals，最大region proposals数为 。因此，reg层具有 个输出，用于编码k个边界框的坐标；cls层具有 个得分，用于估计每个proposal是目标或不是目标的概率。
Anchors：k个proposals相对于 个参考框是参数化形式。
anchor位于滑动窗口的中心，并与尺度和长宽比相关。默认情况，使用3个尺度和3个长宽比，在每个滑动位置产生 个anchors。对于大小为 的卷积特征图谱，共产生 个anchors。
基于anchor的方法建立在anchors金字塔（pyramid of anchors）上，参考多尺度和长宽比的anchor盒来分类和回归边界框，用于解决多尺度和多长宽比问题。
为了训练RPN，为每个anchor分配一个二值标签。
正标签：
负标签：IoU值低于。
对Fast R-CNN中的多任务损失进行最小化。图像的损失函数为：
其中， 是mini-batch数据中anchor的索引， 是第i个anchor作为目标的预测概率。若anchor为正标签，真值 ；反之， 。 是表示预测边界框4个参数化坐标的向量， 是正真值框的向量。分类损失 为两个类别的对数损失；回归损失 ，其中 为在 Fast R-CNN 一文中定义的鲁棒损失函数（平滑 ）。 表示回归损失仅对正anchor激活，否则被禁用（ ）。cls和rge层的输出分别由 和 组成。该两项使用 和 进行标准化，并使用平衡参数 加权处理。等式中cls项根据mini-batch的大小进行归一化，而reg项根据anchor位置的数据进行归一化。默认情况下， 从而使得cls和reg项的权重大致相等。
对于边界框回归，采用 Rich feature hierarchies for accurate object detection and semantic segmentation 一文中的4个坐标参数化方法：
其中， 和 表示边界框的中心坐标及其宽和高。变量 和 分别表示预测边界框、anchor和真值框。
采样策略：以图像为中心。
在图像中随机采样256个anchors，用于mini-batch数据中损失函数的计算，正负样本的比例为 。
从标准差为的零均值高斯分布中提取权重来随机初始化所有的新网络层，而共享卷积层通过预训练ImageNet分类模型来初始化。同时，调整ZF网络的所有网络层，以及VGG网络的conv3_1之上的网络，用于节省内存的使用。对于60k的mini-batch数据，学习率为；对于PASCAL VOC数据集中的20k的mini-bacth数据，学习率为。随机梯度下降算法的动量设置为，重量衰减率为。
训练具有共享特征网络的三个方法：
版权印版权标识
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
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。
AnchorFree有两种不同的输出方式，一种是它可以作为一个路由器来连接多台设备，另一种是它可以直接插入一台设备，并将网络信号传输给此设备。
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）。
Anchorfree的输出可以有多个。它是一种网络安全解决方案，它可以帮助您保护您的网络流量，并且可以防止您的网络流量被窃取或拦截。它可以让您在网络上自由浏览，而不必担心被攻击者攻击或拦截。Anchorfree的输出可以通过它的安全服务器来实现，它可以帮助您访问被墙的网站，并且可以提供更安全的网络连接。此外，Anchorfree还提供了一些其他的安全功能，例如VPN，可以帮助您更好地保护您的网络安全。
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 ：