本科毕业论文追踪调查

毕业设计（论文）原文、开题报告、任务书、中期检查、答辩记录及成绩评定表等过程材料与完成情况进行抽查。

一、任务书

1、任务书封面格式不统一；

2、指导教师下达任务书内容不详尽，过于简单，目标不明确。部分任务书无指导教师和教研室主任审阅签字及日期，或日期填写为毕业设计（论文）结束日期；

3、任务书中毕业设计（论文）题目、开题报告、毕业设计（论文）终稿中题目不一致。

二、开题报告

1、开题报告的研究方案及计划不详细，工作计划直接照搬指导教师或学院工作计划现象较为严重；

2、开题报告工作计划中无具体时间安排，或工作计划时间安排不合理，甚至出现开题报告完成时间在任务书下达时间之前；

3、部分开题报告只有指导教师签字而无指导意见，部分甚至无“同意或不同意开题”字样，少部分没有教师指导过的痕迹。

主要是检测重复率。硕士学位论文抽检将对对一定时间内授予学位的全部硕士论文进行随机抽检，每篇硕士学位论文均有可能被抽取。每年进行一次，抽检具体范围授予硕士学位的论文。根据学位授予单位和学科硕士学位授予规模情况，按3-5%的抽检比例，确定抽检论文的数量。评硕士学位论文抽检分为分项评价、总体评价及评价意见三项。对每个分项按“优秀”、“良好”、“一般”、“较差”四个档次进行评价；总体评价：分为“合格”、“不合格”两档，如不合格，须在第三项“评价意见”中给出具体理由；评价意见：专家对总评“不合格”的论文须详述其理由。每篇硕士学位论文聘请3位外省同行专家进行评审。3位专家中有2位以上（含2位）的专家评议意见为“不合格”的学位论文，将认定为“存在问题的学位论文”。3位专家中有1位专家评议意见为“不合格”的学位论文，将再送2位同行专家进行复评。复评中出现1位及以上专家评议意见为“不合格”，则该篇论文被认定为“存在问题学位论文”。论文没有过关的话，学位会被撤销。

这个没有硬性规定，看你做的论文题目是什么，有些需要做问卷，有些只要做设计，有些要自己去查阅做调查分析的，跟论文题目和调查方法有很大关系。调查问卷推荐问卷星，问卷星多渠道推送问卷收集答卷。跟踪被邀请人是否打开了问卷，是否填写了问卷，为您带来更便捷的收集体验。问卷星的调查问卷功能有以下几点：1、49种题型，应有尽有单选、多选、矩阵、排序、量表、比重、表格、文件，上传等多种题型。2、问卷逻辑，轻松实现三种问卷逻辑，实现题目选项之间复杂关系。3、多渠道推送问卷收集答卷跟踪被邀请人是否打开了问卷，是否填写了问卷，带来更便捷的收集体验。4、问卷密码，安全无忧5、设置抽奖，让问卷变得有趣6、问卷分析&下载想要了解更多关于问卷调查的问题，推荐咨询问卷星问卷星拥有620万优质样本库成员，16年专业调研技术团队，可为企业提供商业调研服务，赋能企业市场决策；同时，问卷调查系统支持30多种题型，可以设置跳转、关联和引用逻辑；支持微信、邮件和短信等方式收集数据，数据回收后可以进行分类统计、交叉分析，并且可以导出到Word、Excel、SPSS等。

无论是临近毕业还是已经久经职场，只要你曾在校期间写过论文，如果上级要求，或者有人检举，都是会再次进行论文查重的。

一般情况下，本科生的毕业论文会被保留5-6年，本科论文七年后查重的原因可能有上级领导检查，或是毕业后教育部抽查，刚好抽到你，还有一种情况就是有人检举，或者在其他需要上，需要进行论文查重，如果本科论文七年后查重的结果是没有通过，那么你的学位也会被取消，由此就可以看出论文对于同学们的重要性。

建议大家重视毕业论文这件事，亲自动手写，或者查询资料，经过自己的理解进行撰写。

本科毕业论文抽检总则：

第一条、按照《深化新时代教育评价改革总体方案》和《关于深化新时代教育督导体制机制改革的意见》要求，为加强和改进教育督导评估监测，做好本科毕业论文（设计）抽检工作，保证本科人才培养基本质量，制定本办法。

第二条、教育部负责本科毕业论文抽检的统筹组织和监督，省级教育行政部门负责本地区本科毕业论文抽检的具体实施。其中，中国人民解放军有关部门负责军队系统本科毕业论文抽检的具体实施。

第三条、本科毕业论文抽检工作应遵循独立、客观、科学、公正原则，任何单位和个人都不得以任何方式干扰抽检工作的正常进行。

第四条、本科毕业论文抽检每年进行一次，抽检对象为上一学年度授予学士学位的论文，抽检比例原则上应不低于2%。

以上内容参考：中华人民共和国教育部—教育部关于印发《本科毕业论文（设计）抽检办法（试行）》的通知

springer投稿状态追踪

1、首先打开springer投稿系统。2、其次在系统中找到账号管理。3、然后在账号管理中找到查找账号信息。4、最后在查找账号中输入绑定的手机号即可查询到。

文章被Springer下的杂志接收了，主编给发了邮件，说3-4周后proof会发出，让跟踪一个网址查看，可是这个网址需要邮箱和密码进入，用投稿系统的通讯作者邮箱密码试了，进不去呀，是不是还得等啊，等出版社那边给发邮件，然后会告诉账号和密码，然后再跟踪啊？如果是这种情况，解决方式如下：你可以通过邮箱注册一个，密码自己设置。当完成之后，以后你在Springer出版社发表或接受论文各个阶段（出版社不同杂志），你都能在;这个帐户中看到。当然，你不注册也行。无论你注册与否，关于你这篇论文杂志都会后续联系你。注册好处是，以后你所有论文都可以在里面看到它们的各种状态！

目标检测追踪论文

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：

能不能给我发一份呢？

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。

导弹追踪问题论文文献

我有航天领域关于有限元分析的资料论文对你有用没？

轨迹clearx=0:;y=-5*(1-x).^(4/5)/8+5*(1-x).^(6/5)/12+5/24;plot(x,y,'*')解题1．建立M文件eq1．m function dy=eq1(x,y) dy=zeros(2,1); dy(1)=y(2); dy(2)=1/5*sqrt(1+y(1)^2)/(1-x); 2．取x0=0，xf=0．9999，建立主程序ff6．m如下： x0=0，xf=0．9999 [x,y]=ode15s('eq1',[x0 xf],[0 0]); plot(x,y(:,1),’b．') hold on y=0:0．01:2; plot(1,y,’b）数学建模与实验（第三版）高等教育出版社（蓝色封面）附送光盘微分方程ppt第16张有原题

根号3除以9(小时)时打中地方在敌艇行驶了90乘以根号3除以9(KM)处

sci文章修改word追踪修订

今天，分享如何使用 Editorial Manager 查询稿件状态以及处理修回稿件。和 ScholarOne 系统很相似，查询状态的方法非常简单。成功登录系统后，会发现投稿成功的稿件被移动到了 “Submissions Being Processed”。点开后，稿件的相关信息都列在了这里。其中包括稿件编号，标题，提交时间，状态时间，以及稿件状态。稿件状态在最后一栏，虽然觉得这样的设计不是很合理……有关于稿件状态的具体说明可以参考之前的推送，虽然主要讲的是ScholarOne 系统，但所有期刊的稿件状态都差不多，还没来得及看的小伙伴快去看一看呀！如果稿件状态有比较重要的变化，比如修回（revision），通讯作者的邮箱中会收到系统发来的邮件，邮箱的动态也要实时关注哦~不知道修回是什么？这个时候就要拿出秘密武器：一张图理清 SCI 审稿流程这里面的内容会让你受益匪浅 (๑＞ڡ＜)✿ ~经过审稿的漫长等待，盼星星盼月亮，终于盼来了修回。那接下来要做什么呢？Step 1：确定修回类型和截止日期修回的稿件会被移动到 “Revisions” 这个部分：点开之后，可以看到稿件的一些信息：这些信息中包含修回类型和截止日期：（修回类型一般包含 Major revision 和 Minor revision）修回截止日期Step 2：查看审稿人意见点击 “View Reviewer Comments” 就可以查看审稿人的意见啦~

流程一、SCI论文写作首先，写作前的准备。写作一篇高水准的SCI论文，建立在课题研究基础之上，没有真实可靠的实验数据，无法得出高水准的实验结果，就无法彰显自己的科研水平。其次，撰写SCI论文内容。流程二、SCI论文完稿后进行修改、润色一篇让审稿人看不懂的SCI论文，哪怕自认为研究成果价值多么高，也是失败的，被录用的几率为零。为了保证SCI内容没有语法错误、没有错别字，通俗易懂，符合投稿期刊的录用要求，当SCI文章初次写完后要找多人来审阅查看，反复修改后定终稿。

流程三、SCI论文投稿投稿时，先要确认投稿是最终版本，图片清晰，coverletter中的主编名字拼对等等，再进行稿件上传。上传成功后要对生成的PDF文件进行认真检查，确认无误后点击确认，即投稿完成。

流程四、修改或拒稿应对策略投稿初审后的结果：拒稿、修稿和录用。对于拒稿，你要查看是什么原因，如果是误判，想办法申请再次审稿的机会，如果不是误判，看看是否有机会投稿其他期刊。对于修稿，你必须要严格按照审稿意见进行修改，否则再次投稿，被录用的几率还是很低。对于直接录用，只有高质量的作品才有可能，非常少见。流程五、最后准备投稿录用后，期刊那边可能还需要作者做些事情或提交材料，作者要及时的查看邮件，进行及时的回复，以便SCI论文能够赶上期刊最新一期见刊。

当看到自己论文意见是大修不用担心，根据审稿人意见一条一条回应，该争论的争论，该解释的解释，该修改的修改，礼貌回应审稿人的意见，并指出在原文中哪一页哪一行进行修改，越详细越好。我平日里没时间都是找北京译顶可以帮忙的，价格不高

(1)、简要介绍你的稿件；

(2)、介绍你对修改稿所作的revision；

(3)、感谢reviewers的意见，并说明已经回答了审稿人提出的问题。

to reviewer：其实就是在一个文档里，逐条地、认真地回答审稿人提出的每一个问题（important），届时上传修改稿时，也将esponse to reviewer作为独立的文档上传。

SCI文章修回的COVER LETTER模板如下：Dear you very much for your letter and advice. We have revised the paper, and would like to re-submit it for your consideration. We have addressed the comments raised by the reviewers, and the amendments are highlighted in red in the revised manuscript. We hope that the revision is acceptable, and I look forward to hearing from you soon.

With best wishes,

Yours sincerely,XXXXXX================================================================（换页）We would like to express our sincere thanks to the reviewers for the constructive and positive to Reviewer 1XXXXXXXXXXXXXXXXXXXXXXXXReplies to Reviewer 2XXXXXXXXXXXXXXXXXXXXXXXXReplies to Reviewer 3XXXXXXXXXXXXXXXXXXXXXXXX

注意：

1、对于审稿人的建议一定要礼貌地回答；

2、不要利用不同审稿人之间的不同意见相互辩驳；

3、回答不利的意见，一定要有分度，不能有较真和抵触的想法；

4、无论如何都需要对编辑和审稿人致谢。