小目标检测论文推荐

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。

检测推荐论文

汽车检测是指为了确定汽车技术状况是否达到标准或工作能力是否正常而进行的检查和测量。下面是我为大家精心推荐的汽车检测技术论文，希望能够对您有所帮助。

国内汽车检测技术概况

[摘要]本文通过了解我国国内汽车检测技术的概念及其分类，介绍了我国一些先进前沿的汽车检测技术，阐述了我国汽车检测技术的发展概况，针对我国汽车检测技术中的不足之处，结合我国汽车检测技术的具体发展形势，提出了我国汽车检测技术的发展方向，这对我国汽车检测技术的发展具有一定的现实指导意义。

[关键词]汽车检测;检测技术;国内现状;发展概况

中图分类号：文献标识码：A 文章编号：1009-914X(2015)03-0056-01

1.汽车检测的概念

汽车检测是指为了确定汽车技术状况是否达到标准或工作能力是否正常而进行的检查和测量。汽车检测技术则是指在汽车检测这一过程中所有与之相关的检测硬件和检测软件的研发和使用技术。

2.汽车检测技术的分类

安全环保检测

安全环保检测主要是针对汽车的安全运行和环境保护方面的检测，这种检测又分为定期检测和不定期检测。该检测的目的是为了确定车辆是否具备符合要求的外观容貌以及良好的安全性能，同时对汽车的环境污染程度进行有效控制。在汽车不解体的情况下，对汽车建立安全监控体系，确保汽车能高效、安全和低污染的运行。

综合性能检测

综合性能检测是指对汽车的综合性能实行定期或者不定期的检测。该检测的目的是为了确定汽车是否具有良好的动力性、可靠性、安全性、噪声污染性以及排气净化性。该检测主要针对汽车的故障及其原因或隐患部位实行质量监督和检测，从而建立汽车质量监控体系，来达到该检测技术的目的。

3.国内汽车检测技术的发展情况

国内汽车检测技术的发展历程

(1)20世纪60年代，我国汽车检测技术处于起步阶段。我国开始研究汽车检测技术开始于20世纪60年代，为了满足当时的汽车维修需要，我国交通部门研究和开发了发动机汽缸漏气量检测仪以及点火正时灯等一些基本的检测仪器。

(2)20世纪70年代，我国汽车检测技术进入发力发展阶段。随着我国汽车生产技术以及人们汽车使用率的飞速增长，我国交通部门开始进入大力发展汽车检测技术的阶段。汽车检测的仪器设备增多，检测项目增多，检测标准和规则也得到进一步的完善，建立了汽车性能综合检验台。

(3)20世纪80年代，我国汽车检测技术进入快速发展阶段。随着我国科学技术和国民经济的飞速发展，我国汽车制造业和交通运输业也得到了飞速发展。因此，对汽车检测技术和设备的需求也日益增涨。我国汽车检测技术因此进入其发展的蓬勃向上时期。

(4)20世纪90年代至今，我国汽车检测技术已经发展相对成熟。迈入90年代后，我国汽车检测技术从其设备的研制、开发以及生产都有了自身的一套运作体系。90年代是我国汽车检测技术的发展高潮时期。虽然目前我国的汽车检测技术与外国仍存在一定的差距，其发展的过程中也存在有一些问题和不足，但我国汽车检测技术也在不断的吸收借鉴完善自己，保证自身良好的发展态势，努力为其创造广阔的发展前景。

目前国内具有代表性的先进前沿的汽车检测技术

(1)虚拟仪器检测技术

虚拟仪器检测技术是指通过自由增减测试系统配置，利用系统配置单元器件，按照每一个项目测试的要求标准，可以直观和有效的得出监测结果，从而提高测试技术的效率。

(2)将GPS技术与车辆检测相结合

该技术主要是利用了能够接受卫星定位信号的GPS系统，将其与汽车检测技术系统相结合，从而达到快捷有效的检测过程。

(3)利用汽车四轮定位进行检测

四轮定位仪主要是依据车轮定位得到检测数据，它利用图像显示并记录汽车四轮的运作情况，与汽车检测数据结果分析相结合，从而达到检测目的。

4.国内汽车检测技术发展过程中存在的问题

国内汽车检测站的经营管理过程中存在行政干预问题

在我国，安全检测是由公安部门来建立管理的。因此我国的综合性能检测站都由交通部门直接建立并管理或者由地方企业建立但仍由交通部门管理。这种行政管理形式，往往造成了检测结果的不真实、检测过程的不规范或者检测项目不完善的情况，甚至是伪造一些监测数据。

我国汽车检测存在重复检测的问题

目前，我国有权对汽车进行检测的机构至少有三种，即安检站、机动车尾气排放检测站以及汽车综合性能检测站。这三个机构又分别归隶属于公安、环保、和交通管理部门。这些部门从各自的职能要求出发对车辆进行必要的检查和监测，容易造成车辆的重复检查，在加大汽车检测工作量的同时，给车主也带来不便。

检测技术有待进一步完善

目前，我国的进口汽车检测标准体系主要依赖于外国检测标准，因此针对我国汽车具体发展情况，我国的汽车检测技术有待进一步提高和完善。例如，我国目前的技术可以对车辆的正面、侧面、追尾等事故进行检测，但对侧面碰撞、追尾碰撞等事故却缺乏相关的检测标准。这也急需我国汽车检测技术的提高和完善。

我国汽车检测人员的整体专业能力和专业素质有待提高

一方面，我国的汽车检测人员的专业检测能力有待提高。一些检测人员本身缺乏基本的汽车知识，检测操作不规范，对检测结果的分析能力不够，不能很好的判断汽车是否达到检测标准。另一方面，我国汽车检测人员的自身素质不够，一些检测人员故意抬高检测收费标准，为了个人利益不顾集体利益，甚至为一些没有达到标准的车辆伪造数据。这些都是造成安全隐患的个人因素，也不利于我国检测技术的研发和推广。

5.解决国内汽车检测技术发展过程中的问题的有效措施

汽车检测技术基础实现规范化

在我国汽车检测技术的发展过程中，汽车检测的硬件技术一直以来都比汽车检测技术中的软件技术更受重视。这种想法往往会导致对一些基础性技术研究的忽略。因此，我国汽车检测技术的发展方向应该注重与硬件配套的软件检测技术的完善和提高。这方面主要做到三点：一，制定并完善汽车检测项目的限值标准和检测方法 ;二，完善汽车技术状况检测的评定细则，将全国各地的检测要求和具体操作技术进行统一和规范化;三，严格执行综合性能检测站对大型检测设备的认证规则，确保综合性能检测站有能力胜任并履行其检测职责。

汽车检测设备实现智能化

虽然目前我国的汽车检测技术以及检测设备的智能化与国外的检测存在一定的差距，但是我国汽车检测设备正积极学习并通过进口一些外国先进检测设备来提高并完善我国汽车检测设备的智能化。检测设备的智能化使检测设备具有专家检测和诊断系统以及智能化的功能，可以在较短时间较快较准确的对汽车状况进行检测，并诊断出汽车发生故障的部位以及故障原因，从而让维修人员能够迅速解除故障。节约了劳动成本，提高了劳动效率。

汽车检测管理实现网络化

随着计算机和网络技术的飞速发展，我国各个行业都在逐步实现其管理的网络化，汽车检测行业也不例外。目前，虽然我国的部分汽车综合性能检测站已经实现了计算机管理系统检测，但计算机监控系统并不完善，而且各个检测站之间采用的计算机检测方式也都一致。为了逐步实现我国汽车检测管理的一致性和有效性，我国汽车检测应该积极推进其管理的网络化。

6. 总结

随着我国经济和社会的进步以及汽车工业的发展，我国汽车检测技术也必须不断的提高和完善。为了使汽车维修人员的工作越来越轻松，提高汽车检测结果准确性，我国汽车检测技术的发展越来越趋向于自动化、网络化和智能化。汽车检测技术的完善和提高有利于我国交通事业以及环保事业的发展，从而为我国经济和社会的发展提供良好的外在环境。

参考文献

[1] 初君浩;浅析汽车检测技术的发展[J];科技致富向导;2014(08)25.

[2] 王洪亮;汽车检测技术的若干问题的思考[J];无线互联科技;2013(12)15.

作者简介

张彦(1975-)女，汉族，山东菏泽人，助理工程师，大学学历，毕业于山东省委党校经济管理专业，研究方向为车辆检测、维修。

点击下页还有更多>>>汽车检测技术论文

现代医学发展过程中,随着医学检验到检验医学的飞速发展,在患者的临床诊疗工作中,检验医学结果为临床医学诊疗工作提供着重要的客观诊断和疗效判断依据。下面是我为大家整理的医学检验论文，供大家参考。

临床医学检验质量控制问题研究

医学检验论文摘要

摘要：目的：探讨临床医学检验质量控制过程中存在的问题及对策。方法：本次选取我院2013年5月-2015年5月收治的医学检验患者200例，随机分组，就常规检验管理(对照组，n=100)与依据检验过程中存在的问题行针对性管理(观察组，n=100)的效果展开对比。结果：观察组选取的标本检验患者准确率为98%，明显高于对照组的85%，差异有统计学意义(P<)。观察组患者临床检验满意度为98%，明显高于对照组的86%，差异有统计学意义(P<)。结论：针对实验室质量管理中存在的问题，制定针对性对策，包括标本采集、检验仪器设备和试剂、检验人员等多方面管理，可提高检验质量。

医学检验论文内容

关键词：医学检验;质量控制;问题;对策

现代医学中，临床检验为重要内容，可为疾病诊治、监测、预后评估提供准确参考依据，随着医疗科技取得的卓越发展成就，医学检验技术随之也不断发展，而检验结果的准确性是保障疾病有效诊断和控制的关键，直接关系到医疗质量，故重视医学检验质量控制，对提高治疗效果，改善医患关系意义重大[1]。本次调查选取临床检验患者，随机分组，就加强质量控制管理与常规管理成效展开对比，现总结结果如下。

1资料与方法

一般资料

选取我院2013年5月-2015年5月收治的临床检验患者200例，男104例，女96例，分别行化学检验、微生物检验、免疫学检验、血液学检验等。随机分为观察组和对照组各100例，两组间一般情况无明显差异(P>)，具可比性。

方法

对照组在检验过程中应用常规管理方案，观察组重视针对存在问题，制定针对性解决对策并实施，具体操作步骤如下：

质量控制问题：

(1)标本采集问题：受检者饮食、运动、所用药物均可对检测结果产生影响，同时，患者地理位置、年龄、性别、民族也可影响检测结果。采集标本时，需嘱患者将正在使用的药物停用，在安静或正常活动下对标本采集。但若操作不当，如完成静脉血采集后，将血液直接在试管内注入，而针头不拔掉，会出现标本溶血。从正输液的手臂血管行采血操作，会稀释血液标本。

(2)试验和检验设备问题：仪器保养不妥、仪器老化，均可使检测的灵敏度受到影响，在准确性上出现问题;因检验人员水平有限，或未掌握仪器的功能，标准操作，注意事项，引发检验过程中出现问题;如试剂更换时，相关仪器参数未改变，规范保存样品的意识不强，诱导操作失误，促使检测结果出现较大的误差。所应用的试剂，未按规范要求设定，有误差事件发生。

(3)人为问题：医疗科技在近年发展迅猛，检验仪器渐趋高端，有越来越高的自动化程度，但仍需人来对各项操作完成。故检测试验中，检验人员操作误差是引发结果误差的主要原因之一。人员操作误差主要包括：样品暴露时间过长、操作习惯不标准、样品检测峰面积积分存在习惯上的差异及对检测结果的重视度不足等，均可引发不良事件发生。

(4)室间质评和室内质控：室内质控即室内质量控制，重视室内质控的开展是监测仪器设备、检验方法、操作环境、过程、试剂等稳定性检测的重要举措，也是保障获取正确检验结果的风向标。实验室间质量评价为室间质评，加强室间质评，可对检验结果的准确性和可信性评价，确保结果与其他单位一致或具可比性。

(5)检验分析后问题：医学检验中，结果的复查和审核为最后一道保障质量的防线，检验人员通常对先进仪器设备过分依赖，易有出错报告的情况，如全自动血液分析仪检出异常结果，未按人工规则复查，出具错误报告等。

应对措施分析：

(1)检验前质量控制：①保证标本质量：采集样本前，重视应用人文关怀理念，与患者及家属积极沟通和解释，对病情、情绪、生理变化了解，将所需检查项目的目的、意义、采样和自留样本注意事项、影响检查因素告知，以提高配合依从，在平静、安静状态下完成采集，保障了样本的真实、合格，避免了由此引发的误差事件。②样品合格：严格执行三查七对采集，确认和核查患者信息，标本采集时，对时间、部位、体位、取样方式、数量严格要求。如采集血样，通常在空腹16h内，早上9：00前，患者保持平静、安静正常状态进行。尿标本采集时，患者需饮食规律，避免性生活、体育运动、饮酒，女性月经后采集，需注意清洁尿道口、外生殖器及周围皮肤清洁，以避免被经血、阴道分泌物污染。样品一经采集，即具实效应，需及时送检，若不具备及时送检条件，需正确存放，以防变质或变性，对检测结果造成影响[2]。

(2)检验中质量控制：①仪器维护：仪器正常运行在检验过程中意义重大，检验人员需做好保养和维护，定期性能评价和校准，确保性能稳定和正常运行，一旦有问题出现，需向供应商及时通知，更换或修理。同时培训检验科医技人员，防止人为操作失误。②需保证检验试剂合格，对试剂保存环境、时效严格管理，启用前需注意防保质期和生产日期，避免因试剂失效或变质诱导结果错误。建立保管和使用试剂制度，确保有效性和安全性，提高检验结果的准确性。③提高检验人员综合素养：现代仪器均为精细化操作，检验人员需具备理论知识和操作技能。故需加强技术操作培训和业务学习，娴熟掌握仪器操作规程、检测原理、干扰因素、检测结果的图形、数据，报警的含义及如何维护，保养调试，掌握性能评价和校准标准，防范操作失误。同时，要具备强烈的责任心和爱心，与自身技术水平结合，针对患者疑问，合理做出解释，主动与其他科室交流，对患者病情进行了解，并与临床症状结合，对结果是否准确做出评估，以使自身检验能力提高。

(4)积极开展室内质控、室间质评管理：检测标本前，校准仪器，行室内质控，对仪器设备各项检验参数和性能检测，正常状态下，才可对标本检测。如失控，需记录，并分析原因，积极纠正，再行检测。注意质控品精密度。重视室间质评，确保检测结果与其他单位具有一致性、可比性。

统计学分析

文中涉及数据采用统计学软件分析，计数资料行χ2检验，P<差异有统计学意义。

2结果

观察组选取的标本检验患者准确率为98%，明显高于对照组的85%，差异有统计学意义(P<)。观察组患者临床检验满意度为98%，明显高于对照组的86%，差异有统计学意义(P<)。

3讨论

医学检验在现代医学中作用显著，是一门综合性学科，其质量管理的好坏直接影响整体医疗水平[3]。引发检验结果出现误差的问题较多，需行综合分析，针对问题积极防控，以降低标本检验不合格率。本次调查中，观察组针对检验前标本采集、检测过程中存在的不足以及人员、仪器设备、试剂等因素引发问题的原因展开探讨，并制定针对性防控对策，如重视采集标本前与患者沟通，加强仪器、设备保养和检测，重视针对检验人员综合素养加以培养，积极开展室内质控和室间质评，对降低检验失败率，提高患者满意度意义重大[4]。本次结果证实观察组情况明显优于对照组。综上，针对实验室质量管理中存在的问题，制定针对性对策，包括标本采集、检验仪器设备和试剂、检验人员等多方面管理，可提高检验质量。

医学检验论文文献

[1]郝莉丽.临床医学检验分析前的质量控制〔J〕.基层医学论坛，2014，18(20)：2672-2673.

[2]毛颖华.医学检验分析前的质量管理与控制〔J〕.实验与检验医学，2012，30(1)：50-51.

[3]董大光.浅谈医学检验分析前质量控制〔J〕.中华全科医学，2012，10(7)：1143-1144.

[4]薛建丽.谈在检验操作过程中如何控制医学检验中的误差〔J〕.按摩与康复医学：下旬刊，2011，2(11)：221.

民办高校医学检验本科新生认同思考

医学检验论文摘要

【摘要】目的了解民办医学院医学检验本科新生专业认同现状，探讨其影响因素，为加强专业认同教育提供依据。方法采用自编的“医学检验学生专业认同调查问卷”，采取整群抽样方式对长沙医学院2015级医学检验专业本科新生进行问卷调查。结果医学检验专业本科新生专业认同(±)分;户口所在地、录取方式、在校担任干部对专业认同无明显影响，性别、家庭收入及就读原因对专业认同影响较大，女性、因自己喜欢而就读、家庭收入低的学生专业认同更高。结论医学检验本科新生的专业认同处于一般水平;就读原因是影响专业认同的最主要因素。教育工作者应根据新生专业认同现状采取相应措施加强学生专业认知教育，提高新生专业认同感。

医学检验论文内容

【关键词】学生，医科;教育，医学，本科;专业认同;调查分析

专业认同是学习者在了解所学专业的基础上，产生情感上的接受和认可，并伴随积极的外在行为和内心适切感，是一种情感、态度乃至认识的移入过程[1]，专业的认知既是学生形成积极专业情感的基础，又是学生学习活动积极化的必要条件[2]。在以专业教育为主的本科人才培养模式下，我国大学生专业认同度的高低对其学习有重要影响[3]。目前，国内各大高校医学类专业针对于大学生专业认同情况及影响因素开展了诸多研究，其中以临床与护理专业最多，医学检验专业相对较少，而对民办院校医学检验专业的认知调查则是少之又少。而医学检验专业认同作为专业态度的重要组成成分，不仅要求检验生应具有检验相应学科知识，还是检验生对检验专业设定的目的、意义及作用的看法和认识，对检验工作的理解和信念，直接关系到我国高素质、高水平检验人才队伍的培养。了解新生的专业认同情况，有助于检验教育者发现在专业教育过程中出现的问题，从而稳定检验技术队伍，促进医学检验专业的发展。本文通过调查长沙医学院医学检验专业在校本科生的基本情况，了解专业认同现状，分析其影响因素，为教育工作者优化专业课程建设和教学实践、开展专业认知教育、提高培养质量提供依据。

1资料与方法

调查对象

以长沙医学院2015级医学检验专业本科学生120人为调查对象，采取整群抽象的方式对每一个体进行问卷调查。发放及回收调查表120份，经整理后有效问卷116份，有效回收率为，其中男31人，女85人。由调查员采用集体方式进行问卷发放，被调查者当场完成问卷并进行回收。

调查内容及评价方法

采用自编的“医学检验学生专业认同调查问卷”进行调查。该问卷重测信度大于，内容效度指数为。调查内容包括学生的基本情况、专业认识、专业情感、专业意志、专业技能、专业期望和专业价值观等，采用Likert-5分制评分，分5个等级：非常不符合(非常不满意)为1分，不符合(不满意)为2分，无法确定(一般)为3分，符合(满意)为4分，非常符合(非常满意)为5分。总分125分，得分25~<50分为不认同，50~<100分为一般认同，100~<125分为高度认同[4]。

统计学处理

应用统计软件进行数据分析，计量资料以x±s表示，采用t检验，多组比较采用单因素方差分析，计数资料采用频数或率表示，采用χ2检验，P<为差异有统计学意义。

2结果

医学检验学生专业认同总体状况

专业认同得分为(±)分，专业认同度一般。大部分学生专业认同处于一般认同(50~<100分)占，其中专业认同处于高度认同(100~<125分)占，无不认同学生。

基本情况

医学检验专业新生年龄17~21岁，以女生居多，为85人()，男生31人()，女生专业认同大于男生专业认同;学生生源与家庭经济情况方面，户口在农村64人()略高于户口在城镇的52人()，家庭月收入低于2000元的家庭占，大部分学生家庭经济收入较低，负担可能较大，家庭月收入低于1000元的学生专业认同得分最高。录取方式方面，第一志愿录取的学生较多78人()，其次为第二志愿录取学生()，且专业认同得分第一志愿[(±)分]大于第二志愿[(±)分]，大于第三志愿[(±)分]大于其他方式[(±)分];在校担任班干部人数占，普通同学占，班干部与普通学生专业认同得分接近;就读的主要原因中听从父母意见的学生人数最多，占，其次是好找工作占，仅有是因自己喜欢而就读。

专业认同在不同就读原因上的差异

专业认同总分自己喜欢高于父母意见、好找工作、其他原因，差异有统计学意义(P<)。且因自己喜欢而就读本专业的学生在专业认识、专业情感、专业意志、专业价值观、专业技能5个维度方面得分均高于其他三组，且与其他三组在专业意志、专业价值观与专业技能维度上比较，差异均有统计学意义(P<)。

3讨论

专业认同结果分析

本调查结果显示，民办院校医学检验专业新生专业认同一般，高于马杰等[5]调查的廊坊卫生职业学院的高职医学检验技术学生专业认同，与康晓琳等[6]调查的内蒙古地区护理本科新生专业认同比较接近，原因可能与民办学校学生生源有关。基本情况调查结果显示，户口所在地、录取方式、在校担任职务情况对专业认同得分影响并不明显，性别、家庭收入及就读本专业的原因对专业认同影响较大。男生专业认同总分低于女生，与__红[7]、胡忠华[4]、彭艳红[8]对大学生专业认同的调查结果部分一致。可能受到传统性别文化对专业认同造成的影响[9]，如幼师专业、护理专业与社会工作等这一类服务性专业中，男生的专业认同度明显要低于女生。生源与家庭经济情况方面，农村户口的学生仍然较多，占，略高于城镇户口的学生，且家庭月收入低于2000元的家庭占，说明2015级新生大部分家庭经济收入较低，负担依然较大。而该调查结果显示家庭月收入低于1000元的学生专业认同得分最高，可能来自农村家庭收入较低的学生更珍惜入学机会，均比较热爱自己所学的专业，对学习与生活比其他学生有更成熟的认识，所以专业认同比其他家庭收入组的学生高。新生专业认同在就读原因上呈自己喜欢大于父母意见大于好找工作大于其他原因。虽然自己喜欢而就读本专业的学生仅占，但在专业认识、专业情感、专业意志、专业价值观与专业技能唯度得分方面却均高于其他三组，所以就读原因是影响新生专业认同的最主要因素。个人的喜好会直接影响对所学专业的认识与了解，本调查中，自己喜欢而就读本专业的学生()为自己所学的专业而感到自豪，内心已完全接受检验专业，会积极乐观地去面对和解决专业学习中的问题，经常关注检验动态，认为当检验师能够实现人生价值。还有的学生是因父母意见或好找工作而选择本专业，多可能是这部分学生来自农村或低收入家庭，学生和家长在选择专业时更多的是考虑容易就业和将来可以给家人提供医疗便利条件，很少家庭会根据孩子的喜好而选择专业，导致大部分学生缺少对专业的了解，盲目选择而导致专业认同感降低。

提高医学检验技术新生专业认同的对策

刚迈入大学校门的新生，处于建立专业思想和专业情感的特殊阶段，其专业认知的程度直接影响到今后4年的大学学习，因此，如何提高大学生专业认识、树立专业思想、规划职业生涯、培养专业能力显得十分重要。所以，针对医学检验专业大学新生开展的专业认同现状的调查，总结提升大学生专业认知教育的对策，有助于教育管理与教育工作者更好地为学生提供专业指导、日常管理和优质服务。

积极开展专业认知的实践教育活动，拓宽专业认知途径

专业认知教育已成为新生入校后的第一课，建议将专业认知教育纳入学生在校期间专业学习的全过程，还可以结合高校院系专业自身实际情况和专业特点，开展有针对性、多样性的专业认知实践教育活动，聘请专业认知教育讲师或具备资深学术造诣的教授、专家、学科主任、学院院长等，对专业进行权威解读，对就业进行全面分析，使大学新生对所学专业形成初步认识，逐渐明确检验工作人员在医院工作中所承担的角色和检验工作的重要性及意义;还可以通过各种形式的讲座或优秀的学生、毕业生现场宣讲和经验交流，激发新生对专业产生兴趣，对未来的学业和就业充满信心，对未来的职业生涯产生美好的憧憬，从而提高专业认知度。

辅导员和课程教师双管齐下，做好专业认知教育

“加强大学生的理想信念教育，包括专业认知和人生职业规划 ”是中共中央国务院规定的思想政治辅导员的职责[10]。高校辅导员可通过座谈调查，深入了解每位大学新生填报志愿的原因、学习专业的目的、对自我的认知、从事职业的期望等，结合新生个体特征制定针对性的专业认知教育计划和职业规划，减少新生的专业困惑，帮助新生尽快适应大学生活与学习。课程教师切实提高知识水平和专业素养，将专业认知教育内容融入到课程教学内容中，尤其是实验课教学过程中，客观评价检验专业的现状和发展方向，结合所授课程多方面、多角度地阐述专业学习内容、方法、学科体系与价值观念，系统引导新生形成良好的专业思想与专业情感，有所侧重地培养学生的专业技能。通过辅导员与课程教师携手齐抓共管，以学生为中心，在专业认知中去实践，在实践中去认知，提高学生的专业认同感，共同探讨与提高医学检验专业人才培养质量。

总之，长沙医学院医学检验本科新生的专业认同处于一般水平，仍有很大的发展提升空间。鉴于专业认知对于大学生成材的重要意义，教育工作者需树立专业认知能力的动态发展观，进一步加强大学生的专业认知教育，切实培育高校新生的专业认同感，提高专业学习的动力与适应性，进而保障医学检验教育事业的健康发展。

医学检验论文文献

[1]秦攀博.大学生专业认同的特点及其相关研究[D].重庆：西南大学，2009.

[2]罗萍，孙玉梅，张进瑜，等.护理本科生对护理专业认知的调查与分析[J].中国护理管理，2005，5(3)：35-37.

[3]李海芬，王敬.大学生专业认同现状调查研究[J].高教研究，2014，37(1)：9-12.

[4]胡忠华.四川省护理本科生专业认同调查分析[D].成都：四川大学，2007.

[5]马杰，彭海平，史志春，等.高职医学检验技术学生的专业认同现状调查研究—以廊坊卫生职业学院为例[J].佳木期职业学院学报，2015(2)：12-13.

[6]康晓琳，王艳茹，李晓静，等.内蒙地区四所高校护理本科新生专业认同情况调查及影响因素分析[J].护理学报，2013，20(7B)：22-24.

[7]__红.男性护生实习期间真实体验质性研究[J].护士进修杂志，2006，21(10)：875.

[8]彭艳红.高师小学教育本科专业学生专业认同的研究[D].重庆：西南大学，2008.

[9]黄分霞.高校新生专业认同的问题与出路[J].产业与科技论坛，2012，11(17)：170-172.

[10]宋建飞.高校大学生专业认知教育探讨———基于大学新生专业认知度的问卷调查[J].扬州大学学报：高教研究版，2014，18(6)：94-98.

有关医学检验论文推荐：

1. 医学检验实践报告范文

2. 医学检验毕业论文范文

3. 医学检验社会实践报告范文

4. 关于医学检验的论文

5. 关于医学检验论文

6. 医学检验技术论文

7. 医学检验述职报告范文

多目标检测简介及论文代码推荐

一个经典例子是存在一个测试集合，测试集合只有大雁和飞机两种图片组成，假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。然后就可以定义：要得到Precision-Recall曲线(以下简称PR)曲线，首先要对检测模型的预测结果按照目标置信度降序排列。然后给定一个rank值，Recall和Precision仅在置信度高于该rank值的预测结果中计算，改变rank值会相应的改变Recall值和Precision值。这里选择了11个不同的rank值，也就得到了11组Precision和Recall值，然后AP值即定义为在这11个Recall下Precision值的平均值，其可以表征整个PR曲线下方的面积。即：还有另外一种插值的计算方法，即对于某个Recall值r，Precision取所有Recall值大于r中的最大值，这样保证了PR曲线是单调递减的，避免曲线出现摇摆。另外需要注意的一点是在2010年后计算AP值时是取了所有的数据点，而不仅仅只是11个Recall值。我们在计算出AP之后，对所有类别求平均之后就是mAP值了，也是当前目标检测用的最多的评判标准。

在这篇文章中，我们将介绍如何使用通过 MultiTracker 类实现的 OpenCV 的多对象跟踪 API。我们将共享C++ 和 Python 代码。

大多数计算机视觉和机器学习的初学者都学习对象检测。如果您是初学者，您可能会想为什么我们需要对象跟踪。我们不能只检测每一帧中的对象吗？

让我们来探究一下跟踪是有用的几个原因。

首先，当在视频帧中检测到多个对象（例如人）时，跟踪有助于跨帧建立对象的身份。

其次，在某些情况下，对象检测可能会失败，但仍可能跟踪对象，因为跟踪考虑了对象在前一帧中的位置和外观。

第三，一些跟踪算法非常快，因为它们做的是局部搜索，而不是全局搜索。因此，我们可以通过每n帧进行目标检测，并在中间帧中跟踪目标，从而为我们的系统获得很高的帧率。

那么，为什么不在第一次检测后无限期地跟踪对象呢？跟踪算法有时可能会丢失它正在跟踪的对象。例如，当对象的运动太大时，跟踪算法可能跟不上。许多现实世界的应用程序同时使用检测和跟踪。

在本教程中，我们只关注跟踪部分。我们想要跟踪的对象将通过拖动它们周围的包围框来指定。

OpenCV 中的 MultiTracker 类提供了多目标跟踪的实现。它是一个简单的实现，因为它独立处理跟踪对象，而不对跟踪对象进行任何优化。

让我们逐步查看代码，了解如何使用 OpenCV 的多目标跟踪 API。

第 1 步:创建单一对象跟踪器

多目标跟踪器只是单目标跟踪器的集合。我们首先定义一个函数，该函数接受一个跟踪器类型作为输入，并创建一个跟踪器对象。OpenCV有8种不同的跟踪器类型:BOOSTING, MIL, KCF,TLD, MEDIANFLOW, GOTURN, MOSSE, CSRT。

如果您想使用 GOTURN 跟踪器，请务必阅读这篇文章并下载 caffe 模型。

在下面的代码中，给定跟踪器类的名称，我们返回跟踪器对象。这将在稍后用于多目标跟踪器。

Python

C++

第 2 步：读取视频的第一帧

多目标跟踪器需要两个输入

给定这些信息，跟踪器在所有后续帧中跟踪这些指定对象的位置。在下面的代码中，我们首先使用 VideoCapture 类加载视频并读取第一帧。这将在稍后用于初始化 MultiTracker。

Python

C++

第 3 步：在第一帧中定位对象

接下来，我们需要在第一帧中定位我们想要跟踪的对象。该位置只是一个边界框。 OpenCV 提供了一个名为 selectROI 的函数，该函数会弹出一个 GUI 来选择边界框（也称为感兴趣区域 (ROI)）。在 C++ 版本中，selectROI 允许您获取多个边界框，但在 Python 版本中，它只返回一个边界框。所以，在 Python 版本中，我们需要一个循环来获取多个边界框。对于每个对象，我们还选择一种随机颜色来显示边界框。代码如下所示。

Python

C++

getRandomColors 函数相当简单

第 3 步：初始化 MultiTracker

到目前为止，我们已经读取了第一帧并获得了对象周围的边界框。这就是我们初始化多目标跟踪器所需的所有信息。

我们首先创建一个 MultiTracker 对象，并向其中添加与边界框一样多的单个对象跟踪器。在此示例中，我们使用 CSRT 单对象跟踪器，但您可以通过将下面的 trackerType 变量更改为本文开头提到的 8 个跟踪器之一来尝试其他跟踪器类型。 CSRT 跟踪器不是最快的，但在我们尝试的许多情况下它产生了最好的结果。

您还可以使用包裹在同一个 MultiTracker 中的不同跟踪器，但当然，这没什么意义。

MultiTracker 类只是这些单个对象跟踪器的包装器。正如我们从上一篇文章中知道的那样，单个对象跟踪器是使用第一帧初始化的，并且边界框指示我们想要跟踪的对象的位置。 MultiTracker 将此信息传递给它在内部包装的单个对象跟踪器。

Python

C++

第 4 步：更新 MultiTracker 并显示结果

最后，我们的 MultiTracker 已准备就绪，我们可以在新帧中跟踪多个对象。我们使用 MultiTracker 类的 update 方法来定位新框架中的对象。每个跟踪对象的每个边界框都使用不同的颜色绘制。

Python

C++

Python

论文检测网站推荐

前期初稿检测可以使用papertime免费论文查重软件，家独创同步在线改重，实时查重；边修改边检测，修改哪里检测哪里。

论文并不只是通过导师审核就可以了，还需要有专业的论文查重系统来检测。并且按照教育部的要求，学校必须对毕业生论文进行查重，期刊也会对论文进行查重的，所以我们要提交论文就必须保证修改过了，查重率低于学校要求才行。但是具体的免费论文查重软件有哪些，什么样的论文查重系统好，我们可以参考以下内容。

由于各校对查重率的要求不同，所以还是要确定具体的查重率情况，如果真的是查重率较低，除了要知道论文免费查重软件有哪些之外，还要确定对方的查重严格程度，这样才能让我们知道具体的查重结果是否可靠等等。另外，我们还需要特别关注学校所采用的制度，如果不确定是哪种查重制度，我们可以直接选择严格制度。

有哪些免费论文查重软件，也需要确定该系统的口碑如何，毕竟只有真正使用过的人，才能真正了解这个平台到底是什么。所以论文查重制度的整体评价如何，也是不能忽视的，如果真的是论文查重系统影响巨大，并且评价很好，那么这样的平台是我们的首选，即使只有一些免费额度也是可以的。

如果你知道什么是论文免费查重软件，你就会发现并非全文查重都可以免费，一般都可以试用。其实papertime论文查重系统就是一个很好的选择，只要关注公众号就能得到免费查重限额。一些同学的论文只有几千字的内容，所以如果想知道有哪些免费论文查重软件，不妨选择papertime论文查重，免费领取的字数基本是足够大家使用的。并且该平台收费也比较合理，性价比高，直接与这样的系统合作，大家可以更放心。

论文查重的网站如下：

1、知网论文查重系统：知网查重系统应当是不少人都有所了解的一个查重网站，它具备的优势也十分突出，如数据库庞大、文章、资料更新及时。

可以为使用者提供十分可靠的查重结果;知网查重系统还具备了批量上传、下载测试结果等功能，操作起来也十分的方便快捷，便于保障使用者的查重效率，节省查重时间。

2、PaperPass检测系统: PaperPass采用了自主研发的动态指纹越级扫描检测技术，具备查重速度快、精度高的优点，高度的准确率可以为使用者提供精确的查重报告，有利于使用者及时的对论文进行修改、调整。

3、万方论文查重系统：万方查重系统采用的检测技术十分先进科学，能够为使用者提供多版本、多维度的论文查重报告;万方查重系统还可同时为科研管理、教育教学、人事管理等多个领域的学术机构提供学术成果相似性检测服务。

4、维普论文查重系统：该论文查重系统采用了国际领先的海量论文动态语义跨域识别加指纹比对技术，能够快捷准确的检测论文是否存在抄袭问题；

中文期刊论文库、硕博学位论文库、高校特色论文库、互联网数据资源等多个数据库的存在，也使得维普论文查重系统能够高效的比对文本数据。

目前免费论文查重网站比较多，今天给各位同学例举部分查重系统，仅供参考：PaperFree是中英文及多语种论文相似度检测系统，特色机器人降重、在线改重功能，可以实现自动降低文章相似比例，并且在同一界面上一边修改一边检测，即时反馈查重结果，使用户体验、查重效率翻倍。PaperFree为用户人性化地完美实现了“首次免费论文检测―高效在线改重―智能机器人降重―全面再次论文检测―顺利通过论文检测“的整个全过程。PaperTime免费论文检测系统首次将在线改重、机器人降重运用到论文检测中。在线改重功实现了一边修改，一边查重，修改一句话就可以同步实时看到修改后的查重比例结果，从而有效地提升修改效率；系统同时提供的机器人降重功能是以七千万篇学术论文作为训练语料，使用深度学习的方法进行句法分析和语义分析，挖掘出词汇在语义上下文的空间向量模型中的关系。通过程序对大数据进行机器学习生成的结果，能保证在修改句子合理通顺的基础上实现智能自动降低重复比例。PaperDay以学术论文大数据和互联网技术为支撑，专注于在线论文写作辅导，提供论文学术不端行为在线查重服务。对所有注册用户提供免费查重体验，是让用户通过亲身体验认识到什么是优秀好用的论文检测系统。PaperDay系统支持中英文及多语种论文检测，整合了智能降重、论文排版、论文纠错为一体，大大提高论文写作效率，是检测文章原创性、课程论文、学术论文、毕业学位论文等学术不端行为自律查重工具。

小样本目标检测论文

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）。