发布时间：
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 ：
深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。 目标检测可以理解为是物体识别和物体定位的综合 ，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。 2014年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。它的算法结构如下图 算法步骤如下： R-CNN较传统的目标检测算法获得了50%的性能提升，在使用VGG-16模型作为物体识别模型情况下，在voc2007数据集上可以取得66%的准确率，已经算还不错的一个成绩了。其最大的问题是速度很慢，内存占用量很大，主要原因有两个 针对R-CNN的部分问题，2015年微软提出了Fast R-CNN算法，它主要优化了两个问题。 R-CNN和fast R-CNN均存在一个问题，那就是 由选择性搜索来生成候选框，这个算法很慢 。而且R-CNN中生成的2000个左右的候选框全部需要经过一次卷积神经网络，也就是需要经过2000次左右的CNN网络，这个是十分耗时的（fast R-CNN已经做了改进，只需要对整图经过一次CNN网络）。这也是导致这两个算法检测速度较慢的最主要原因。 faster R-CNN 针对这个问题， 提出了RPN网络来进行候选框的获取，从而摆脱了选择性搜索算法，也只需要一次卷积层操作，从而大大提高了识别速度 。这个算法十分复杂，我们会详细分析。它的基本结构如下图 主要分为四个步骤： 使用VGG-16卷积模型的网络结构： 卷积层采用的VGG-16模型，先将PxQ的原始图片，缩放裁剪为MxN的图片，然后经过13个conv-relu层，其中会穿插4个max-pooling层。所有的卷积的kernel都是3x3的，padding为1，stride为1。pooling层kernel为2x2, padding为0，stride为2。 MxN的图片，经过卷积层后，变为了(M/16) x (N/16)的feature map了。 faster R-CNN抛弃了R-CNN中的选择性搜索（selective search）方法，使用RPN层来生成候选框，能极大的提升候选框的生成速度。RPN层先经过3x3的卷积运算，然后分为两路。一路用来判断候选框是前景还是背景，它先reshape成一维向量，然后softmax来判断是前景还是背景，然后reshape恢复为二维feature map。另一路用来确定候选框的位置，通过bounding box regression实现，后面再详细讲。两路计算结束后，挑选出前景候选框（因为物体在前景中），并利用计算得到的候选框位置，得到我们感兴趣的特征子图proposal。 卷积层提取原始图像信息，得到了256个feature map，经过RPN层的3x3卷积后，仍然为256个feature map。但是每个点融合了周围3x3的空间信息。对每个feature map上的一个点，生成k个anchor（k默认为9）。anchor分为前景和背景两类（我们先不去管它具体是飞机还是汽车，只用区分它是前景还是背景即可）。anchor有[x,y,w,h]四个坐标偏移量，x,y表示中心点坐标，w和h表示宽度和高度。这样，对于feature map上的每个点，就得到了k个大小形状各不相同的选区region。 对于生成的anchors，我们首先要判断它是前景还是背景。由于感兴趣的物体位于前景中，故经过这一步之后，我们就可以舍弃背景anchors了。大部分的anchors都是属于背景，故这一步可以筛选掉很多无用的anchor，从而减少全连接层的计算量。 对于经过了3x3的卷积后得到的256个feature map，先经过1x1的卷积，变换为18个feature map。然后reshape为一维向量，经过softmax判断是前景还是背景。此处reshape的唯一作用就是让数据可以进行softmax计算。然后输出识别得到的前景anchors。 另一路用来确定候选框的位置，也就是anchors的[x,y,w,h]坐标值。如下图所示，红色代表我们当前的选区，绿色代表真实的选区。虽然我们当前的选取能够大概框选出飞机，但离绿色的真实位置和形状还是有很大差别，故需要对生成的anchors进行调整。这个过程我们称为bounding box regression。 假设红色框的坐标为[x,y,w,h], 绿色框，也就是目标框的坐标为[Gx, Gy,Gw,Gh], 我们要建立一个变换，使得[x,y,w,h]能够变为[Gx, Gy,Gw,Gh]。最简单的思路是，先做平移，使得中心点接近，然后进行缩放，使得w和h接近。如下：我们要学习的就是dx dy dw dh这四个变换。由于是线性变换，我们可以用线性回归来建模。设定loss和优化方法后，就可以利用深度学习进行训练，并得到模型了。对于空间位置loss，我们一般采用均方差算法，而不是交叉熵（交叉熵使用在分类预测中）。优化方法可以采用自适应梯度下降算法Adam。 得到了前景anchors，并确定了他们的位置和形状后，我们就可以输出前景的特征子图proposal了。步骤如下： 1，得到前景anchors和他们的[x y w h]坐标。 2，按照anchors为前景的不同概率，从大到小排序，选取前pre_nms_topN个anchors，比如前6000个 3，剔除非常小的anchors。 4，通过NMS非极大值抑制，从anchors中找出置信度较高的。这个主要是为了解决选取交叠问题。首先计算每一个选区面积，然后根据他们在softmax中的score（也就是是否为前景的概率）进行排序，将score最大的选区放入队列中。接下来，计算其余选区与当前最大score选区的IOU（IOU为两box交集面积除以两box并集面积，它衡量了两个box之间重叠程度）。去除IOU大于设定阈值的选区。这样就解决了选区重叠问题。 5，选取前post_nms_topN个结果作为最终选区proposal进行输出，比如300个。 经过这一步之后，物体定位应该就基本结束了，剩下的就是物体识别了。 和fast R-CNN中类似，这一层主要解决之前得到的proposal大小形状各不相同，导致没法做全连接。全连接计算只能对确定的shape进行运算，故必须使proposal大小形状变为相同。通过裁剪和缩放的手段，可以解决这个问题，但会带来信息丢失和图片形变问题。我们使用ROI pooling可以有效的解决这个问题。 ROI pooling中，如果目标输出为MxN，则在水平和竖直方向上，将输入proposal划分为MxN份，每一份取最大值，从而得到MxN的输出特征图。 ROI Pooling层后的特征图，通过全连接层与softmax，就可以计算属于哪个具体类别，比如人，狗，飞机，并可以得到cls_prob概率向量。同时再次利用bounding box regression精细调整proposal位置，得到bbox_pred，用于回归更加精确的目标检测框。 这样就完成了faster R-CNN的整个过程了。算法还是相当复杂的，对于每个细节需要反复理解。faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。 针对于two-stage目标检测算法普遍存在的运算速度慢的缺点， yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。 yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式， yolo可实现45帧每秒的运算速度，完全能满足实时性要求 （达到24帧每秒，人眼就认为是连续的）。它的网络结构如下图： 主要分为三个部分：卷积层，目标检测层，NMS筛选层。 采用Google inceptionV1网络，对应到上图中的第一个阶段，共20层。这一层主要是进行特征提取，从而提高模型泛化能力。但作者对inceptionV1进行了改造，他没有使用inception module结构，而是用一个1x1的卷积，并联一个3x3的卷积来替代。（可以认为只使用了inception module中的一个分支，应该是为了简化网络结构） 先经过4个卷积层和2个全连接层，最后生成7x7x30的输出。先经过4个卷积层的目的是为了提高模型泛化能力。yolo将一副448x448的原图分割成了7x7个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内包含物体的置信度confidence，以及物体属于20类别中每一类的概率（yolo的训练数据为voc2012，它是一个20分类的数据集）。所以一个网格对应的参数为（4x2+2+20) = 30。如下图 其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0。第二项代表bounding box和真实标记的box之间的重合度。它等于两个box面积交集，除以面积并集。值越大则box越接近真实位置。 分类信息： yolo的目标训练集为voc2012，它是一个20分类的目标检测数据集 。常用目标检测数据集如下表： | Name | # Images (trainval) | # Classes | Last updated | | --------------- | ------------------- | --------- | ------------ | | ImageNet | 450k | 200 | 2015 | | COCO | 120K | 90 | 2014 | | Pascal VOC | 12k | 20 | 2012 | | Oxford-IIIT Pet | 7K | 37 | 2012 | | KITTI Vision | 7K | 3 | | 每个网格还需要预测它属于20分类中每一个类别的概率。分类信息是针对每个网格的，而不是bounding box。故只需要20个，而不是40个。而confidence则是针对bounding box的，它只表示box内是否有物体，而不需要预测物体是20分类中的哪一个，故只需要2个参数。虽然分类信息和confidence都是概率，但表达含义完全不同。 筛选层是为了在多个结果中（多个bounding box）筛选出最合适的几个，这个方法和faster R-CNN 中基本相同。都是先过滤掉score低于阈值的box，对剩下的box进行NMS非极大值抑制，去除掉重叠度比较高的box（NMS具体算法可以回顾上面faster R-CNN小节）。这样就得到了最终的最合适的几个box和他们的类别。 yolo的损失函数包含三部分，位置误差，confidence误差，分类误差。具体公式如下： 误差均采用了均方差算法，其实我认为，位置误差应该采用均方差算法，而分类误差应该采用交叉熵。由于物体位置只有4个参数，而类别有20个参数，他们的累加和不同。如果赋予相同的权重，显然不合理。故yolo中位置误差权重为5，类别误差权重为1。由于我们不是特别关心不包含物体的bounding box，故赋予不包含物体的box的置信度confidence误差的权重为，包含物体的权重则为1。 Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，的mAP。 SSD网络结构如下图： 和yolo一样，也分为三部分：卷积层，目标检测层和NMS筛选层 SSD论文采用了VGG16的基础网络，其实这也是几乎所有目标检测神经网络的惯用方法。先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。 这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。SSD认为目标检测中的物体，只与周围信息相关，它的感受野不是全局的，故没必要也不应该做全连接。SSD的特点如下。 每一个卷积层，都会输出不同大小感受野的feature map。在这些不同尺度的feature map上，进行目标位置和类别的训练和预测，从而达到 多尺度检测 的目的，可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo中，只在最后一个卷积层上做目标位置和类别的训练和预测。这是SSD相对于yolo能提高准确率的一个关键所在。 如上所示，在每个卷积层上都会进行目标检测和分类，最后由NMS进行筛选，输出最终的结果。多尺度feature map上做目标检测，就相当于多了很多宽高比例的bounding box，可以大大提高泛化能力。 和faster R-CNN相似，SSD也提出了anchor的概念。卷积输出的feature map，每个点对应为原图的一个区域的中心点。以这个点为中心，构造出6个宽高比例不同，大小不同的anchor（SSD中称为default box）。每个anchor对应4个位置参数(x,y,w,h)和21个类别概率（voc训练集为20分类问题，在加上anchor是否为背景，共21分类）。如下图所示： 另外，在训练阶段，SSD将正负样本比例定位1：3。训练集给定了输入图像以及每个物体的真实区域（ground true box），将default box和真实box最接近的选为正样本。然后在剩下的default box中选择任意一个与真实box IOU大于的，作为正样本。而其他的则作为负样本。由于绝大部分的box为负样本，会导致正负失衡，故根据每个box类别概率排序，使正负比例保持在1：3。SSD认为这个策略提高了4%的准确率 另外，SSD采用了数据增强。生成与目标物体真实box间IOU为 的patch，随机选取这些patch参与训练，并对他们进行随机水平翻转等操作。SSD认为这个策略提高了的准确率。 和yolo的筛选层基本一致，同样先过滤掉类别概率低于阈值的default box，再采用NMS非极大值抑制，筛掉重叠度较高的。只不过SSD综合了各个不同feature map上的目标检测输出的default box。 SSD基本已经可以满足我们手机端上实时物体检测需求了，TensorFlow在Android上的目标检测官方模型，就是通过SSD算法实现的。它的基础卷积网络采用的是mobileNet，适合在终端上部署和运行。 针对yolo准确率不高，容易漏检，对长宽比不常见物体效果差等问题，结合SSD的特点，提出了yoloV2。它主要还是采用了yolo的网络结构，在其基础上做了一些优化和改进，如下 网络采用DarkNet-19：19层，里面包含了大量3x3卷积，同时借鉴inceptionV1，加入1x1卷积核全局平均池化层。结构如下 yolo和yoloV2只能识别20类物体，为了优化这个问题，提出了yolo9000，可以识别9000类物体。它在yoloV2基础上，进行了imageNet和coco的联合训练。这种方式充分利用imageNet可以识别1000类物体和coco可以进行目标位置检测的优点。当使用imageNet训练时，只更新物体分类相关的参数。而使用coco时，则更新全部所有参数。 YOLOv3可以说出来直接吊打一切图像检测算法。比同期的DSSD(反卷积SSD), FPN（feature pyramid networks）准确率更高或相仿，速度是其1/3.。 YOLOv3的改动主要有如下几点：不过如果要求更精准的预测边框，采用COCO AP做评估标准的话，YOLO3在精确率上的表现就弱了一些。如下图所示。 当前目标检测模型算法也是层出不穷。在two-stage领域， 2017年Facebook提出了mask R-CNN 。CMU也提出了A-Fast-RCNN 算法，将对抗学习引入到目标检测领域。Face++也提出了Light-Head R-CNN，主要探讨了 R-CNN 如何在物体检测中平衡精确度和速度。 one-stage领域也是百花齐放，2017年首尔大学提出 R-SSD 算法，主要解决小尺寸物体检测效果差的问题。清华大学提出了 RON 算法，结合 two stage 名的方法和 one stage 方法的优势，更加关注多尺度对象定位和负空间样本挖掘问题。 目标检测领域的深度学习算法，需要进行目标定位和物体识别，算法相对来说还是很复杂的。当前各种新算法也是层不出穷，但模型之间有很强的延续性，大部分模型算法都是借鉴了前人的思想，站在巨人的肩膀上。我们需要知道经典模型的特点，这些tricks是为了解决什么问题，以及为什么解决了这些问题。这样才能举一反三，万变不离其宗。综合下来，目标检测领域主要的难点如下： 一文读懂目标检测AI算法：R-CNN，faster R-CNN，yolo，SSD，yoloV2 从YOLOv1到v3的进化之路 SSD-Tensorflow超详细解析【一】：加载模型对图片进行测试 YOLO C#项目参考： 项目实践贴个图。
生产力在不断进步，推动着科技的进步与革新，以建立更加合理的生产关系。自工业革命以来，人力劳动已经逐渐被机械所取代，而这种变革为人类社会创造出巨大的财富，极大地推动了人类社会的进步。时至今天，机电一体化，机械智能化等技术应运而生并已经成为时代的主旋律。人类充分发挥主观能动性，进一步增强对机械的利用效率，使之为我们创造出愈加巨大的生产力，并在一定程度上维护了社会的和谐。工业机器人的出现是人类在利用机械进行社会生产史上的一个里程碑。在发达国家中，工业机器人自动化生产线成套设备已成为自动化装备的主流及未来的发展方向。国外汽车行业、电子电器行业、工程机械等行业已经大量使用工业机器人自动化生产线，以保证产品质量，提高生产效率，同时避免了大量的工伤事故。全球诸多国家近半个世纪的工业机器人的使用实践表明，工业机器人的普及是实现自动化生产，提高社会生产效率，推动企业和社会生产力发展的有效手段。机器人的历史并不算长，1959年美国英格伯格和德沃尔制造出世界上第一台工业机器人，机器人的历史才真正开始。德沃尔曾于1946年发明了一种系统，可以“重演”所记录的机器的运动。1954年,德沃尔又获得可编程机械手专利，这种机械手臂按程序进行工作，可以根据不同的工作需要编制不同的程序，因此具有通用性和灵活性，英格伯格和德沃尔都在研究机器人，认为汽车工业最适于用机器人干活，因为是用重型机器进行工作，生产过程较为固定。1959年，英格伯格和德沃尔联手制造出第一台工业机器人。我国1993年的机器人装机台数约在1000台,仅占全世界的,显得无足轻重,其中,国产机器人所占比例更低。 目前我国的机器人总数虽然较少,但国内机器人市场需求却很大,并呈上升趋势。在国家"七五"和"八五"攻关以及"863"计划等的推动下,我国机器人技术已有较大发展。智能机器人的研究获得进展,在机器人技术型号、机器人应用工程和机器人基础技术研究等方面取得显著成绩,跟踪了国际高级机器人技术,缩短了与国际先进水平的差距。1993年,全国机器人装机台数比1991年翻了一番,相对增长率很大。 尽管有人对我国发展机器人技术尚存模糊认识,但是,越来越多的人已经认识到,高级机器人(包括工业机器人和智能机器人)是关键的自动化技术之一,是我国现代化建设必不可少的重要技术。这种高技术涉及柔性加工系统(FMS)、计算机集成制造系统(CIMS)、智能制造系统(IMS)、柔性自动化(FA)和自动工厂(AF)等, 机器人是多学科交叉的产物，集成了运动学与动力学、机械设计与制造、计算机硬件与软件、控制与传感器、模式识别与人工智能等学科领域的先进理论与技术。同时，它又是一类典型的自动化机器，是专用自动机器、数控机器的延伸与发展。当前，社会需求和技术进步都对机器人向智能化发展提出了新的要求。 随着社会进步的步伐日益加快，对自动化的需求正在从制造业向工程、社会、生活等广泛领域扩展。原来在工厂结构化环境下工作的自动机器或工业机器人，适合于大规模、较少柔性和变动的生产环境，对智能程度并无过高要求，而在广泛领域内所需要的自动机器，则要满足不同的非结构环境下的不同需求，必须具有综合集成和自主的能力，向以技术集成为特征征的智能机器人发展。信息技术需要载体，用信息化改造传统工业和各行各业，最后都要落实到用自动机器去完成信息的物化，机器人就是其载体之一。而另一方面，信息技术的发展，特别是高性能计算机、通讯网络和电子器件、模式识别和信号处理、软件等技术的进展，又可促进机器人本身“智力”和“体质”的增强，为机器人向智能化、多样化发展创造条件，机器人技术与信息技术的这种互动发展在信息技术飞速发展的今天更为突出，这使机器人的高技术含量不断得到提升，始终处于高技术研究的前沿。 机器人由于本身具有无限的想象空间，历来是概念创新、技术创新的源泉，无论是在空间、水下、救灾、服务、医疗、娱乐……领域，都可根据需要设想出具有对应功能的智能机器人，而且这种想象空间由低到高，永无止境。当前，由于自动化的概念正在急速向广泛领域扩展，而信息技术的发展又极大地提高了机器人的智能程度，使这种想象空间的扩展有了需求和实现的可能，从而会更加激励围绕机器人的概念创新和技术创新，并蕴含着产生各种竞争前核心技术的可能性，从而必然是国际科技创新的重要竞争点。 机器人是多学科交叉的产物，但随着机器人应用环境和任务的复杂化，在非结构复杂环境下的信息综合与处理、针对复杂任务的规划和协调的难度和影响变得突出，需要采用信息反馈、优化控制、协调集成的理论、方法与技术去解决，控制学科在系统优化和综合集成方面的优势，将越来越在智能机器人中发挥主导作用。而智能机器人作为一种自动化系统，无论在理论与技术的覆盖面与前沿性、与各种先进信息技术的结合以及物理实现的多样性方面都是其它任何一类自动化系统所不能比拟的。因此，机器人在自动化科学技术中的代表性和地位将随着其应用范围的拓宽、所采用信息技术的更新和智能程度的提高，得到进一步的认可。 在机器人向智能化的发展中，多机器人协作系统是一类具有覆盖性的技术集成平台。如果说单个机器人的智能化还只是使个体的人变得更聪明，那么多机器人协作系统则不但要有一批聪明的人，还要求他们能有效地合作。所以它不仅反映了个体智能，而且反映了集体智能，是对人类社会生产活动的想象和创新探索。 多机器人协作系统有着广泛的应用背景，它与自动化向非制造领域的扩展有着密切的联系，由于应用环境转向非结构化，多移动机器人系统应能适应任务的变化以及环境的不确定性，必须具有高度的决策智能，因而，对多移动机器人协作的研究已不单纯是控制的协调，而是整个系统的协调与合作。在这里，多机器人系统的组织与控制方式在很大程度上决定了系统的有效性。多机器人协作系统还是实现分布式人工智能的典范。分布式人工智能的核心是把整个系统分成若干智能、自治的子系统，它们在物理和地理上分散，可独立地执行任务，同时又可通过通信交换信息，相互协调，从而同完成整体任务，这无疑对完成大规模和复的任务是富有吸引力的，因而很快在军事、信及其他应用领域得到了广泛重视。多机器协作系统正是这种理念的具体实现，其中每机器人都可看作是自主的智能体，这种多智体机器人系统MARS（Multi—AgentRoboticSystems）现已成为机器人学中一个新的研究热点。 多移动机器人系统由于具有移动功能，能在非结构环境下完成复杂任务，是多机器人协作系统中最具典型意义和应用前景、也是得到最广泛研究的一类系统。 体系结构是系统中机器人之间逻辑上和物理上的信息关系和控制关系，以及问题解能力的分布模式，它是多移动机器人协作行为的基础。一般地，多移动机器人协作系统的体系结构分为集中式（Centralized）和分式（Distributed）两种。集中式体系结构可用一个单一的主控机器人（Leader）来规划，该机器人具有关于系统活动的所有信息。而分布式体系结构则没有这样一个机器人，其中所有机器人相对于控制是平等的。尽管集中式体系结构可实现全局最优求解，但因考虑到不确定性影响，实际上人们更偏好分布式结构。近年采，在分布式体系结构中，为了克服机器人在实际环境中对环境建模的困难，，提高多移动机器人协作系统的鲁棒性和作业能力，一些学者采用了基于行为的反应式控制体力，一些学者采用了基于行为的反应式控制体系结构，将合作行为建立在一种反应模式上，加快了移动机器人对外界的响应，避免了复杂的推理，从而提高了系统的实时性。 感知是智能机器人行动的基础，包括“感觉”（传感）和“知道与理解”信息融合与利用）。在移动机器人中最主要的感知问题是定位和环境建模问题[7]o虽然已有里程计推算、基于视觉的路标识别、基于地图匹配的全局定位、陀螺导航、GPS等多种定位方法，但在未知非结构环境中，目前有GPS才能实现可实用的全局定位。但GPS同时受到精度、安全等因素的限制。如何借助机器人之间的配合提高定位和环境建模能力，是研究多移动机器人系统智能的重要内容。近年来，提出了多种环境地图建立与定位的同步处理方法[8]，其中环境建模与定位过程是相互伴随的，两者在彼此迭代的过程中逐步清晰化，但往往要求苛刻的环境条件。此外，在不少协作任务中只需要合作者间的相对位置信息，如编队及局部避碰等，因此基于传感器的局部定位也受到关注，机器人之间通过超声、红外、激光或视觉等传感器相互探测，然后通过统计、滤波等算法进行信息融合，由此得到系统中各机器人的相对位置。 我国在该领域的研究工作已经起步，在863计划、自然科学基金等资助下，经过多年的持续研究，国内已经有一批单位，在局部领域达到了较高的研究水平，实验研究情况也有了明显改善，但也遇到了诸多困难，尤其是在复杂系统控制与分布式智能领域的相关基础研究明显不足，缺乏强有力的理论和技术支持，而且大部分技术对环境的要求比较苛刻这诸多原因限制了多移动机器人系统的发展和向实用系统的转化面对真实世界的非结构化和动态特点，高适应性，、高柔性的协作理论、方法与技术将是今后的研究重点。
高速公路开车看路标可以看以下方式：
1、高速公路属于高等级公路，属于全封闭道路，通行速度较国道和省道高出很多。在路牌标识中高速公路与国道相同用字母G开头
2、各国尽管对高速公路的命名不同，但都是专指有4车道（包括）以上、两向分隔行驶、完全控制出入口、全部采用立体交叉的公路。此外，有不少国家对部分控制出入口、非全部采用立体交叉的直达干线也称为高速公路。
3、服务区路标：服务区路标告知高速公路的服务区以及其距离。
4、交汇点路标：交汇点路标告知高速公路与重点国道及其他高速公路的连接。
5、高速终点路标：高速终点路标告知在（一般是1000-500米时）马上要到达终点，标志是两条平行竖线和桥之间有一条红斜杠。
6、高速起点路标：高速起点告知马上要到达起点，标志平行竖线和桥。
无可奈何需要
深度学习在计算机视觉领域内的广泛使用给人们的日常生活带来了很多的便利。使用深度学习的方法进行视频分析的速度非常快,平均每一帧图像仅需要左右的处理时间，所以应用深度学习方法对视频分析具有很高的研究价值与意义。
一，目标检测技术现状
目标检测问题在深度学习领域一直受到研究者的关注，目标检测的目的简单来说就是要在待检测的--幅图像中找出目标的位置并预测类别概率。在实际应用中，目标容易受到背景的干扰，比如当目标的颜色与背景颜色相似时，就会导致检测的效果不理想，再者，当目标发生形变或者各种姿态变化等原因也会导致最后的检测受到影响。传统的目标检测方法通常采用人工来设计目标特征，这样做的缺点是成本太高。
二，深度学习在乒乓球比赛视频分析中的应用
深度学习的核心思想是模拟哺乳动物大脑皮层的层级抽象结构，并以无监督学习的方式从输入数据(图片、视频、声音、文本等)中逐级提取特征，利用提取的特征完成目标任务。深度学习是当前人工智能学中的一-个 热点研究方向，是相对于浅层学习( Shallow Leaning) 来说的，浅层学习是基于反向传播算法( Back Propagation) 的人工神经网络的基础上提出来的，利用反向传播算法，人工神经网络模型可以从大量训练数据集中应用统计学的方法得到特征规律进而对目标进行预测，其隐藏层只有一层。
由于浅层人工神经网络隐藏层较少，对于复杂问题参数难调，训练出来的效果不佳，当样本数量和计算单元有限时表示能力较差，同时算法的泛化能力差，浅层学习也就慢慢淡出了人们的视线。相较于浅层学习，深度学习模型层数通常为5层，甚至更多。另一方面含有更多隐藏层可以学习到更多的目标特征，对特征的学习也更加深刻，从而可以提高识别物体的精度。
可以通过乒乓球视频来进行分析学习，可以从视频里学习一些技术，学习一些手法，也可以学习一些击球和发射的动作，可以对自己的动作进行改善，还可以提高自己的动作活跃度。
这是基于深度学习的计算机视觉分析方法在某个领域的一种新奇应用，是多种子任务的集合和集大成者。对赛事的分析，不仅需要球的位置，还需要外界环境信息，并对多种信息进行融合处理，最后才能综合得出比赛状态。
人脸识别的原理是使用者首先需要采集自己的人脸特征信息，在应用的过程中，使用摄像头获取当前人物的面相特征。最后将当前捕获到的人像特征与之前存储的人脸数据档案进行对比。人脸识别技术经历了20多年的发展历史，从最初的2D识别到现在的3D识别，识别精度达到了99%以上，未来以3D是主流，而且会是融合方案，就是为了提高识别的精准度和应用场景，他会同时用多个摄像头。人脸识别主要是靠硬件进步+AI来推动，在硬件方面主要是这几种：1、3D结构光：通过近红外激光器，将具有一定结构特征的光线投射到被拍摄物体上，再由专门的红外摄像头进行采集。这种具备一定结构的光线，会因被摄物体的不同深度区域，而采集不同的图像相位信息，然后通过运算单元将这种结构的变化换算成深度信息，以此来获得三维结构。3D结构光的好处就是精准度高，但是有个bug就是，对距离有要求，要隔得近才能识别，大家可以试试自己手机的识别距离，所以适合做前置摄像头。2、TOF是飞行时间(Time of Flight)技术的缩写，其原理是：传感器发出经调制的脉冲红外光，遇物体后反射，传感器通过计算光线发射和反射时间差或相位差，来换算被拍摄景物的距离，以产生深度信息，此外再结合传统的相机拍摄，就能将物体的三维轮廓以不同颜色代表不同距离的地形图方式呈现出来
首先用海量数据，基于深度学习卷积网络训练出人脸特征模型。在人脸识别过程中，对于前端在各种环境下采集到的人脸图像，先采用光线规整、图像增强、关键点分析、人脸对齐等先进行人脸图像预处理，并检测出人脸，检测出人脸后采用训练出来的特征模型进行人脸特征值的提取，并对提取出来的特征值进行比对，输出比对结果确定是否为同一个人。相关内容你可以去虹软官网了解一下
最基础，也是最开始的方式用神经网络，提取你人脸图像的特征向量，它是一个高维的浮点数向量。训练这个网络的时候，要尽量让模型做到，同一个人脸的不同照片，得到的多个特征向量，计算出的数学上的相似度，尽可能的近（常用的是余弦距离），但不同人的人脸照片，得到的特征向量，计算的相似度又要尽量的相差很远。。。以这个特征向量，代表这个人脸。当下一次再拍到你人脸的时候，迅速提取出拍到的这个人的脸照片的特征向量，与库中保存的这个人的人脸照片的特征向量就行相似度计算，如果高于某个阈值，就认为是这个人了，低于就不是这个人。如果是人脸搜索，那得在所有照片库种就行比对了，很耗时。
深度学习可以看成是一个规则模式提取器，首先让它看了很多带标签的图像，它会把图像规则学习到并且存放在参数中（即模型）．当有新的照片来着之后，直接加载学习的参数（模型），按照参数的规则对新的照片进行分类．
毕业论文答辩5大技巧
毕业论文答辩是一种有组织、有准备、有计划、有鉴定的比较正规的审查论文的重要形式。下面我为大家介绍毕业论文答辩5大技巧，赶紧GET起来!
(一)掌握总体
以下五点是同学们答辩时必须做到：1、脱稿汇报;2、突出重点;3、抓住兴趣;4、掌握时间;5、留下伏笔;
(二)开场白的准备
答辩开始时要向专家问好，开场白是整个论文答辩的正式开始，它可以吸引注意力、建立可信性、预告答辩的意图和主要内容。好的开始是成功的一半，要切合主题、符合答辩基调、运用适当的语言。应避免负面开头，如自我辩解等(如“我最近找工作压力太大，准备不充分……”“我工作太忙，准备不太好……)，既不能体现对答辩委员会专家的尊重，也是个人自信不足的表现，答辩者在各位专家的第一印象中大打折扣。牢记谦虚谨慎是我国的传统美德，但是谦虚并非不自信。同时也要避免自我表现，洋洋得意，寻求赞赏。过度的表现，会引起答辩委员会专家的反感。(如“经过这么多年的思考，我认为我的这种制度设计已经达到最科学，最完美的……”)
(三)报告论文
报告时应注意：掌握时间、扼要介绍、.沉着冷静，语音优美，用普通话，抑扬顿挫，表情丰富，表达淋漓尽致，语气上要用肯定的语言，是即是，非即非，不能模棱两可。内容上紧扣主题，表达上口齿清楚、流利，声音要响亮，富于感染力，可使用适当的手势，以取得答辩的最佳效果。我参加的答辩会上大部分同学是用比较小的音量进行陈述，估计只有前两排的人才听得清楚。声音大有三个好处：一是增强胆量，减少怯场，二是更加引起老师的注意力，三是会使自己更富激情，从而感染老师。当然，语言的流畅性、信服力等，非一日之功，看临场发挥了。
(四)如何回答答辩委员会专家提出的问题
研究生报告结束后，答辩委员会专家将会每人提出二到四个问题，记录问题时注意进行确认是否理解正确，有些专家的声音比较低沉(如重庆大学的许明月教授)，你听不清时，一定要追问一下“如老师您的意思是...?”。理解错问题就麻烦了，导致回答问题时非常被动。我校允许有20分钟的准备时间，你可专家提问不管妥当与否，都要耐心倾听，不要随便打断别人的问话。对专家提出的问题，当回答完整、自我感觉良好时，不要流露出骄傲情绪。如果确实不知如何回答时，应直接向专家说明，不要答非所问。对没有把握的问题，不要强词夺理，实事求是表明自己对这个问题还没搞清楚，今后一定要认真研究这个问题。总之，答辩中应实事求是，不卑不亢，有礼有节，时刻表现出对专家的尊重和感谢。注意答辩不纯粹是学术答辩，非学术成分大约占一半，要显示出自己各方面的成熟，要证明自己有了学术研究的能力。
有时答辩委员会的老师对答辩人所作的回答不太满意，还会进一步提出问题，以求了解论文作者是否切实搞清和掌握了这个问题。遇到这种情况，答辩人如果有把握讲清，就可以申明理由进行答辩;如果不太有把握，可以审慎地试着回答，能回答多少就回答多少，即使讲得不很确切也不要紧，只要是同问题有所关联，老师会引导和启发你切入正题;如果确是自己没有搞清的问题，就应该实事求是地讲明自己对这个问题还没有搞清楚，表示今后一定认真研究这个问题，切不可强词夺理，进行狡辩。因为，答辩委员会的老师对这个问题有可能有过专门研究，再高明的也不可能蒙他。这里我们应该明白：学员在答辩会上，某个问题被问住是不奇怪的，因为答辩委员会成员一般是本学科的专家。他们提出来的某个问题答不上来是很自然的。当然，所有问题都答不上来，一问三不知就不正常了。
答辩中，有时主答辩老师会提出与你的论文中基本观点不同的观点，然后请你谈谈看法，此时就应全力为自己观点辩护，反驳与自己观点相对立的思想。主答辩老师在提问的问题中，有的是基础知识性的问题，有的是学术探讨性的问题，对于前一类问题，是要你作出正确、全面地回答，不具有商讨性。而后一类问题，是非正误并未定论，持有不同观点的人可以互相切磋商讨。如果你所写的论文的基本观点是经过自己深思熟虑，又是言之有理、持之有据，能自圆其说的，就不要因为答辩委员会成员提出不同的见解，就随声附和，放弃自己的观点。否则，就等于是你自己否定了自己辛辛苦苦写成的论文。要知道，有的答辩老师提出的与你论文相左的观点，并不是他本人的观点，他提出来无非是想听听你对这种观点的评价和看法，或者是考考你的答辩能力或你对自己观点的坚定程度。退一步说，即使是提问老师自己的观点，你也应该抱着“吾爱吾师，吾更爱真理”的态度，据理力争，与之展开辩论。不过，与答辩老师展开辩论要注意分寸，运用适当的辩术。一般说，应以维护自己的观点为主，反驳对方的论点要尽可能采用委婉的语言，请教的口气，用旁说、暗说、绕着说的办法，不露痕迹地把自己的观点输入对方，让他们明理而诚服或暗服。让提问老师感受到虽接受你的意见，但自己的自尊并没受到伤害。
(五)结束语和致谢
报告结束前一定要进行致谢。论文答辩之后，作者应该认真听取答辩委员会的评判，进一步分析、思考答辩老师提出的意见，总结论文写作的经验教训。一方面，要搞清楚通过这次毕业论文写作，自己学习和掌握了哪些科学研究的方法，在提出问题、分析问题、解决问题以及科研能力上得到了提高。还存在哪些不足，作为今后研究其他课题时的借鉴。另一方面，要认真思索论文答辩会上，答辩老师提出的问题和意见，修改自己的论文，加深研究，精心修改自己的论文，求得纵深发展，取得更大的战果。使自己在知识上、能力上有所提高。
毕业论文答辩思路
准备工作
校方
答辩前的准备，对于校方来说，主要是做好答辩前的组织工作。这些组织工作主要有：审定学员参加毕业论文答辩的资格，组织答辩委员会，拟订毕业论文成绩标准，布置答辩会场等。
(一)审查学员参加毕业论文答辩的资格
凡是参加毕业论文答辩的.学生，要具备一定的条件，这些条件是：
1、必须是已修完高等学校规定的全部课程的应届毕业生和符合有关规定并经过校方批准同意的上一届学生。
2、学员所学课程必须是全部考试、考查及格;实行学分制的学校，学员必须获得学校准许毕业的学分。
3、学员所写的毕业论文必须经过导师指导并有指导老师签署同意参加答辩的意见。
以上三个条件必须同时具备，缺一不可，只有同时具备了上述三个条件的大学生，才有资格参加毕业论文答辩。另一方面，具备了上述三个条件的大学生，规定要进行论文答辩的除了个别有特殊情况经过批准者外，只有经过答辩并获得通过才准予毕业。
(二)组织答辩委员会或答辩小组
毕业论文的答辩，必须成立答辩委员会或答辩小组。答辩委员会是审查和公正评价毕业论文、评定毕业论文成绩的重要组织保证。
答辩委员会由学校和学校委托下属有关部门统一组织。答辩委员会一般由三至五人组成，其中应有两人或两人以上具有高级或中级职称，从中确定一位学术水平较高的委员为主任委员，负责答辩委员会会议的召集工作。
(三)拟订毕业论文成绩标准
毕业论文答辩以后，答辩委员会要根据毕业论文以及作者的答辩情况，评定论文成绩。为了使评分宽严适度，大体平衡，学校应事先制定一个共同遵循的评分原则或评分标准。
毕业论文的成绩，一般分为优秀(90—100分)、良好(80—89分)、中等(70—79分)、及格(60—69)分、不及格(60分以下)五个档次。而中共中央党校函授学院是采用四级打分制，即优秀(相当于90—100分)、良好(相当于75—89分)、及格(相当于60—74分)、不及格(60分以下)。四级的具体评分标准见本书第10章。
(四)布置答辩会场
毕业论文答辩会场地的布置会影响论文答辩会的气氛和答辩者的情绪，进而影响到答辩会的质量和效果。因此，学校应该重视答辩会场的设计和布置，尽量创造一个良好的答辩环境。
答辩委员会
答辩委员会成员确定以后，一般要在答辩会举行前半个月把要答辩的论文分送到答辩委员会成员手里，答辩委员会成员接到论文后，就要认真仔细地审读每一篇要进行答辩的论文，找出论文中论述不清楚、不详细、不确切、不周全之处以及自相矛盾和有值得探讨之处，并拟定在论文答辩会上需要论文作者回答或进一步阐述的问题。
在答辩时，答辩老师会提出多少问题，提些什么问题?这是每一个需要参加答辩的学员都十分关心的问题，同时这又是一个十分复杂，很难把握的问题。因为，每一篇论文各有自己的内容、形式、特点和不足。根据论文的不同情况，答辩老师拟出提问的问题也就必然是千差万别的。另一方面。即使是同一篇论文，不同的答辩老师所要提问的重点也会有所不同。所以说，就某一篇论文来说，主答辩老师会提什么问题，是很难说得准，猜得到的。论文作者在准备答辩时，猜题是没有必要，也没有益处的。但这并不等于说答辩老师出题是任意的、毫无规律可循的，学员没有必要准备了。
事实上，答辩老师拟题提问是有一定的范围并遵循一定的原则的。了解答辩老师的出题范围和原则，对学员如何准备答辩是有帮助的。下面就答辩老师的出题规则作些说明。首先，答辩老师出题是有严格的界定范围的，即答辩老师在论文答辩会上所提出的问题仅仅是论文所涉及的学术范围之内的问题，一般不会也不能提出与论文内容毫无关系的问题，这是答辩老师拟题的大范围。在这个大范围内，主答辩老师一般是从检验真伪、探测能力、弥补不足三个方面提出三个问题。
(1)检验真伪题，就是围绕毕业论文的真实性拟题提问。它的目的是要检查论文是否是学员自己写的。如果论文不是通过自己辛勤劳动写成，只是抄袭他人的成果，或是由他人代笔之作，就难以回答出这类问题。
(2)探测水平题，这是指与毕业论文主要内容相关的，探测学员水平高低、基础知识是否扎实，掌握知识的广度深度如何来提出问题的题目，主要是论文中涉及到的基本概念，基本理论以及运用基本原理等方面的问题。
(3)弥补不足题，这是指围绕毕业论文中存在的薄弱环节，如对论文中论述不清楚、不详细、不周全、不确切以及相互矛盾之处拟题提问，请作者在答辩中补充阐述或提出解释。例如，在一篇题为《把股份合作制引入开发农业之我见》的论文中，答辩时，主答辩老师提出了如下三个问题：
(1)请简要谈谈学术界对股份合作制性质方面的争议。
(2)合作经济与股份制经济有何区别?
(3)稳定家庭联产承包责任制与发展股份合作制有无矛盾?请简述理由。又譬如，在《把山区经济推向市场的思考与对策》一文中，答辩时，主答辩老师提出的三个问题是：
(1)你在写这篇论文时，收集了哪些方面的资料，是怎样收集的?
(2)市场有几重含义?与此相联系，你是怎么理解市场经济的?
(3)请你谈谈把山区经济推向市场的有利条件和不利因素。当然，在答辩过程中，根据论文的内容和答辩的具体情况，答辩老师还可以适当插问。例如，在上述第一篇论文中，答辩老师觉得学员对合作经济说得很含糊，就在学员回答完了第二个问题后，插问了“请你谈谈我国50年代农村有哪几种合作制形式，它们的性质有何区别”的问题。通过对这些问题的提问和答辩，答辩委员会就会了解毕业论文是不是学员自己通过辛勤劳动写成的，即检查了论文的真实性;也大体上摸清了学员对所学知识掌握的深广度，以及学员临场的应对能力和对知识理解的透彻程度;同时也可以搞清论文中薄弱环节的原因。从而有利于对论文的质量和学员的知识能力作出合理、公平的评价。
主答辩老师在具体的出题过程中，还需要遵循以下几个原则：
第一，理论题与应用题相结合的原则。一般地说，在三个问题中，应该有一个是关于基础理论知识的题目，有一个是要求学员运用所学知识分析和解决现实问题的题目。
第二，深浅适中，难易搭配的原则。即在三个问题中，既要有比较容易回答的问题，又要有一定深度和难度的问题。同时，对某一篇论文所提问题的深浅难易程度，应与指导老师的建议成绩联系起来。凡是指导老师建议成绩为优秀的论文，答辩老师所提问题的难度就应该大一些;建议成绩为及格的论文，答辩老师应提相对浅一些，比较容易回答一些的问题。
第三，点面结合，深广相联的原则。
第四，形式多样，大小搭配的原则。
论文答辩开场白和结束语范例
毕业论文答辩的主要目的，是审查文章的真伪、审查写作者知识掌握的深度，审查文章是否符合体裁格式，以求进一步提高。下面是我为大家整理的论文答辩开场白和结束语范例，仅供参考，大家一起来看看吧。
1、为什么选择这个课题（或题目），研究、写作它有什么学术价值或现实意义。
2、说明这个课题的历史和现状，即前人做过哪些研究，取得哪些成果，有哪些问题没有解决，自己有什么新的看法，提出并解决了哪些问题。
3、文章的基本观点和立论的基本依据。
4、学术界和社会上对某些问题的具体争论，自己的倾向性观点。
5、重要引文的具体出处。
6、本应涉及或解决但因力不从心而未接触的问题；因认为与本文中心关系不大而未写入的新见解。
7、本文提出的见解的可行性。
8、定稿交出后，自己重读审查新发现的缺陷。
9、写作毕业论文（作业）的体会。
10、本文的优缺点。总之，要作好口头表述的准备。不是宣读论文，也不是宣读写作提纲和朗读内容提要。
实例一：
各位老师，下午好！我叫xxx，是xx级xx班的学生，我的论文题目是xxxxxx，论文是在xx导师的悉心指点下完成的，在这里我向我的导师表示深深的谢意，向各位老师不辞辛苦参加我的论文答辩表示衷心的感谢，并对三年来我有机会聆听教诲的各位老师表示由衷的敬意。下面我将本论文设计的目的和主要内容向各位老师作一汇报，恳请各位老师批评指导。
首先，我想谈谈这个毕业论文设计的目的及意义。
作为计算机应用的一部分，图书销售管理系统对图书销售进行管理，具有着手工管理所无法比拟的优点，极大地提高图书销售管理效率及在同行业中的竞争力、因此，图书销售管理系统有着广泛的市场前景和实际的应用价值、
其次，我想谈谈这篇论文的结构和主要内容。
本文分成五个部分、
第一部分是综述、这部分主要论述本系统开发的目的和意义，与业务相关的管理原理，以及与系统相关MIS系统开发原理与方法。
第二部分是系统分析、这部分分析用户需求，进行调查研究和分析，目的是根据用户的需求和资源条件，以现状为基础，确定新系统的逻辑模型，即从抽象的信息管理角度出发，为使用户满意，系统应对哪些信息做怎样一些存储、变换与传递，具备哪些功能，从而明确系统应该做些什么。
第三部分是系统设计、通过系统总体设计及详细设计对系统分析的`结果进行整合，目的是要得到一个令用户满意的良好的实现方案。
第四部分是系统实现、根据系统设计的内容，讨论了该系统对人员与平台的要求，以及数据库表结构的建立与数据输入，并进行应用程序设计与测试、
第五部分是系统运行、这部分描述了系统操作使用的方法，进行一些系统测试，并评价了该系统、
最后，我想谈谈这篇论文和系统存在的不足。
这篇论文的写作以及系统开发的过程，也是我越来越认识到自己知识与经验缺乏的过程。虽然，我尽可能地收集材料，竭尽所能运用自己所学的知识进行论文写作和系统开发，但论文还是存在许多不足之处，系统功能并不完备，有待改进、请各位评委老师多批评指正，让我在今后的学习中学到更多。
谢谢！
实例二：
各位老师好！我叫xxx，来自xxx，我的论文题目是“行政系统中的非正式组织评估”。在这里，请允许我向xx老师的悉心指导表示深深的谢意，向各位老师不辞劳苦参加我的论文答辩表示衷心的感谢。下面我将从论文的思想内容、结构框架、遣词造句三个方面向各位老师作一大概介绍，恳请各位老师批评指导。
首先，在思想内容上，本文以行政管理学的一个遗漏点，即行政系统中的非正式组织为切入点进行探索。通过对图书馆近百本著作进行调查，我发现其中仅有复旦大学出版社出版的行政学原理、公共行政学涉及到了行政系统中的非正式组织。非正式组织作为官场中的“第二种友谊”，对公共部门人力资源管理会产生很大影响。因此，论题本身具有一定的理论和现实意义。作为矛盾的统一体，任何行政组织内都会产生一定的非正式组织结构。行政组织或多或少受到非正式组织的影响，纵观非正式组织正反两方面的作用，它可能成为正式组织发展的助力，也可能成为正式组织发展的阻力。因此，组织管理者应对其加以正确认识并积极引导，把握其概念、和特点和作用，正确运用其正向功能，克服其负向功能，从而使非正式组织朝着更有利于组织发展和目标实现的方向迈进。
其次，在结构框架上，本文分成三个部分：
第一部分为行政系统中非正式组织概述，包括行政系统中非正式组织的概念、特点及其沟通。
第二部分从正反两方面对行政系统中非正式组织的作用进行剖析。
第三部分介绍了行政系统中非正式组织的管理对策。
最后，在遣词造句上，虽然我对全文做了细致修改，但个别语句语序凌乱、语句僵硬、口语化的问题依然不可避免。另外，全文仅是对行政系统中非正式组织的一次初探，对管理心理学、组织行为学、领导科学等方面的知识涉及较少，期盼今后加以完善。
书到用时方恨少，事非经过不知难。在老师的指导下，我知道了毕业论文怎么写。通过此次毕业论文写作，我愈发感觉到自己知识的匮乏和视野的狭窄。路漫漫其修远兮，吾将上下而求索。小小拙作，敬请各位老师雅正。
再一次谢谢各位老师。
实例三：
各位老师，下午好！我叫xxx，是xx级xx班的学生，我的论文题目是《基于C/S的图书销售管理系统》，论文是在朱xx导师的悉心指点下完成的，在这里我向我的导师表示深深的谢意，向各位老师不辞辛苦参加我的论文答辩表示衷心的感谢，并对三年来我有机会聆听教诲的各位老师表示由衷的敬意。下面我将本论文设计的目的和主要内容向各位老师作一汇报，恳请各位老师批评指导。
首先，我想谈谈这个毕业论文设计的目的及意义。
作为计算机应用的一部分，图书销售管理系统对图书销售进行管理，具有着手工管理所无法比拟的优点，极大地提高图书销售管理效率及在同行业中的竞争力、因此，图书销售管理系统有着广泛的市场前景和实际的应用价值、
其次，我想谈谈这篇论文的结构和主要内容。
本文分成五个部分、
第一部分是综述、这部分主要论述本系统开发的目的和意义，与业务相关的管理原理，以及与系统相关MIS系统开发原理与方法。
第二部分是系统分析、这部分分析用户需求，进行调查研究和分析，目的是根据用户的需求和资源条件，以现状为基础，确定新系统的逻辑模型，即从抽象的信息管理角度出发，为使用户满意，系统应对哪些信息做怎样一些存储、变换与传递，具备哪些功能，从而明确系统应该做些什么。
第三部分是系统设计、通过系统总体设计及详细设计对系统分析的结果进行整合，目的是要得到一个令用户满意的良好的实现方案。
第四部分是系统实现、根据系统设计的内容，讨论了该系统对人员与平台的要求，以及数据库表结构的建立与数据输入，并进行应用程序设计与测试、
第五部分是系统运行、这部分描述了系统操作使用的方法，进行一些系统测试，并评价了该系统、
最后，我想谈谈这篇论文和系统存在的不足。
这篇论文的写作以及系统开发的过程，也是我越来越认识到自己知识与经验缺乏的过程。虽然，我尽可能地收集材料，竭尽所能运用自己所学的知识进行论文写作和系统开发，但论文还是存在许多不足之处，系统功能并不完备，有待改进、请各位评委老师多批评指正，让我在今后的学习中学到更多。
谢谢！
答辩程序
1、自我介绍
自我介绍作为答辩的开场白，包括姓名、学号、专业。介绍时要举止大方、态度从容、面带微笑，礼貌得体的介绍自己，争取给答辩小组一个良好的印象。好的开端就意味着成功了一半。
2、答辩人陈述
收到成效的自我介绍只是这场答辩的开始，接下来的自我陈述才进入正轨。自述的主要内容归纳如下：
（1）论文标题。向答辩小组报告论文的题目，标志着答辩的正式开始。
（2）简要介绍课题背景、选择此课题的原因及课题现阶段的发展情况。
（3）详细描述有关课题的具体内容，其中包括答辩人所持的观点看法、研究过程、实验数据、结果。
（4）重点讲述答辩人在此课题中的研究模块、承担的具体工作、解决方案、研究结果。
（5）侧重创新的部分。这部分要作为重中之重，这是答辩教师比较感兴趣的地方。
（6）结论、价值和展望。对研究结果进行分析，得出结论；新成果的理论价值、实用价值和经济价值；展望本课题的发展前景。
（7）自我评价。答辩人对自己的研究工作进行评价，要求客观，实事求是，态度谦虚。经过参加毕业设计与论文的撰写，专业水平上有哪些提高、取得了哪些进步，研究的局限性、不足之处、心得体会。
3、提问与答辩
答辩教师的提问安排在答辩人自述之后，是答辩中相对灵活的环节，有问有答，是一个相互交流的过程。一般为3个问题，采用由浅入深的顺序提问，采取答辩人当场作答的方式。
答辩教师提问的范围在论文所涉及的领域内，一般不会出现离题的情况。提问的重点放在论文的核心部分，通常会让答辩人对关键问题作详细、展开性论述，深入阐明。答辩教师也会让答辩人解释清楚自述中未讲明白的地方。论文中没有提到的漏洞，也是答辩小组经常会问到的部分。再有就是论文中明显的错误，这可能是由于答辩人比较紧张而导致口误，也可能是答辩人从未意识到，如果遇到这种状况，不要紧张，保持镇静，认真考虑后再回答。还有一种判断类的题目，即答辩教师故意以错误的观点提问，这就需要答辩人头脑始终保持清醒，精神高度集中，正确作答。
仔细聆听答辩教师的问题，然后经过缜密的思考，组织好语言。回答问题时要求条理清晰、符合逻辑、完整全面、重点突出。如果没有听清楚问题，请答辩教师再重复一遍，态度诚恳，有礼貌。
当有问题确实不会回答时，也不要着急，可以请答辩教师给予提示。答辩教师会对答辩人改变提问策略，采用启发式的引导式的问题，降低问题难度。
出现可能有争议的观点，答辩人可以与答辩教师展开讨论，但要特别注意礼貌。答辩本身是非常严肃的事情，切不可与答辩教师争吵，辩论应以文明的方式进行。
4、总结
上述程序一一完毕，代表答辩也即将结束。答辩人最后纵观答辩全过程，做总结陈述，包括两方面的总结：毕业设计和论文写作的体会；参加答辩的收获。答辩教师也会对答辩人的表现做出点评：成绩、不足、建议。
5、致谢
感谢在毕业设计论文方面给予帮助的人们并且要礼貌地感谢答辩教师。
答辩注意事项
（1）克服紧张、不安、焦躁的情绪，自信自己一定可以顺利通过答辩。
（2）注意自身修养，有礼有节。无论是听答辩教师提出问题，还是回答问题都要做到礼貌应对。
（3）听明白题意，抓住问题的主旨，弄清答辩教师出题的目的和意图，充分理解问题的根本所在，再作答，以免答非所问的现象。
（4）若对某一个问题确实没有搞清楚，要谦虚向教师请教。尽量争取教师的提示，巧妙应对。用积极的态度面对遇到的困难，努力思考做答，不应自暴自弃。
（5）答辩时语速要快慢适中，不能过快或过慢。过快会让答辩小组成员难以听清楚，过慢会让答辩教师感觉答辩人对这个问题不熟悉。
（6）对没有把握的观点和看法，不要在答辩中提及。
（7）不论是自述，还是回答问题，都要注意掌握分寸。强调重点，略述枝节；研究深入的地方多讲，研究不够深入的地方最好避开不讲或少讲。
（8）通常提问会依据先浅后深、先易后难的顺序。
（9）答辩人的答题时间一般会限制在一定的时间内，除非答辩教师特别强调要求展开论述，都不必要展开过细。直接回答主要内容和中心思想，去掉旁枝细节，简单干脆，切中要害。
答辩常见问题
在答辩时，一般是几位相关专业的老师根据学生的设计实体和论文提出一些问题，同时听取学生个人阐述，以了解学生毕业设计的真实性和对设计的熟悉性；考察学生的应变能力和知识面的宽窄；听取学生对课题发展前景的认识。
常见问题的分类如下：
（1）辨别论文真伪，检查是否为答辩人独立撰写的问题；
（2）测试答辩人掌握知识深度和广度的问题；
（3）论文中没有叙述清楚，但对于本课题来讲尤为重要的问题；
（4）关于论文中出现的错误观点的问题；
（5）课题有关背景和发展现状的问题；
（6）课题的前景和发展问题；
（7）有关论文中独特的创造性观点的问题；
（8）与课题相关的基本理论和基础知识的问题；
（9）与课题相关的扩展性问题。