目标检测的毕业论文

计算机毕业设计基于Python的SIFT和KCF的运动目标匹配与跟踪毕业论文+项目源码基于Python决策树算法的学生学习行为数据分析设计报告+代码及数据基于Sring+bootstrap+MySQL的住房公积金管理系统课程报告+项目源码及数据库文件基于C++的即时通信软件设计毕业论文+项目源码基于JavaWeb+MySQL的图书管理系统课程报告+项目源码及数据库文件基于Android Studio+Android SDK的手机通讯录管理软件设计课程报告+项目源码基于JSP+MySQL的校园网上订餐系统毕业论文+项目源码及数据库文件基于AndroidStudio的花艺分享平台APP设计报告+源码及APK文件基于Python的酒店评论情感分析课程报告+答辩PPT+项目源码基于QT的教务选课管理系统设计与实现毕业论文+项目源码基于Android+Springboot+Mybatis+Mysql的个人生活APP设计说明书+项目源码基于的Web3D宇宙空间数据可视化系统设计报告+前后端源码及数据基于java+android+SQLite的保健型果饮在线销售APP设计毕业论文+源码数据库及APK文件基于的高校综合资源发布分享社交二手平台毕业论文+项目源码及数据库文件+演示视频基于Delphi+MySQL的大学生竞赛发布及组队系统设计报告+源码数据库及可执行文件+使用说明书基于Android的名片信息管理系统设计与实现毕业论文+任务书+外文翻译及原文+演示视频+项目源码基于Python的电影数据可视化分析系统设计报告+答辩PPT+项目源码基于JavaWeb的企业公司管理系统设计与实现毕业论文+答辩PPT+演示视频+项目源码高校成绩管理数据库系统的设计与实现毕业论文+项目源码基于JavaWeb的家庭食谱管理系统设计与实现毕业论文+项目源码及数据库文件基于Python+SQLSERVER的快递业务管理系统的设计与实现毕业论文+项目源码及数据库文件基于Python的语音词频提取云平台设计报告+设计源码在推荐系统中引入 Serendipity 的算法研究毕业论文+参考文献+项目源码基于Html+Python+Django+Sqlite的机票预订系统毕业论文+项目源码及数据库文件基于Python的卷积神经网络的猫狗图像识别系统课程报告+项目源码基于C++的云安全主动防御系统客户端服务端设计毕业论文+项目源码基于JavaSSM的学生成绩管理APP系统设计与实现毕业论文+答辩PPT+前后台源码及APK文件基于JavaSwing+MySQL的清朝古代名人数据管理系统设计毕业论文+任务书+项目源码及数据库文件基于Python_Django的社会实践活动管理系统设计与实现毕业论文基于Servlet WebSocket MySQL实现的网络在线考试系统毕业论文+项目源码基于JavaWEB+MySQL的学生成绩综合管理系统毕业论文+项目源码及数据库文件基于SpringBoot+Vue和MySQL+Redis的网络课程平台设计与实现毕业论文+任务书+开题报告+中期报告+初稿+前后台项目源码基于Java的毕业设计题目收集系统课程报告+项目源码基于Java+Python+html的生产者与消费者算法模拟毕业论文+任务书+项目源码基于JavaWeb+MySQL的学院党费缴费系统毕业论文+项目源码及数据库文件基于Java+MySQL的学生成绩管理系统毕业论文+任务书+答辩PPT+项目源码及数据库文件基于Java+MySQL的学生和客户信息管理系统课程报告+项目源码及数据库文件基于Java的长整数加减法算法设计毕业论文+项目源码基于vue+MySQL的毕业设计网上选题系统毕业论文+项目源码基于背景建模和FasterR-CNN的视频前景和目标检测毕业论文+答辩PPT+项目源码基于Python的智能视频分析之人数统计的多种实现毕业论文+答辩PPT+项目源码基于C#+SQL server的校园卡消费信息管理系统毕业论文+项目源码及数据库文件

图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。学术堂在这里为大家整理了一些图像处理本科毕业论文题目，希望对你有用。1、基于模糊分析的图像处理方法及其在无损检测中的应用研究2、数字图像处理与识别系统的开发3、关于数字图像处理在运动目标检测和医学检验中若干应用的研究4、基于ARM和DSP的嵌入式实时图像处理系统设计与研究5、基于图像处理技术的齿轮参数测量研究6、图像处理技术在玻璃缺陷检测中的应用研究7、图像处理技术在机械零件检测系统中的应用8、基于MATLAB的X光图像处理方法9、基于图像处理技术的自动报靶系统研究10、多小波变换及其在数字图像处理中的应用11、基于图像处理的检测系统的研究与设计12、基于DSP的图像处理系统的设计13、医学超声图像处理研究14、基于DSP的视频图像处理系统设计15、基于FPGA的图像处理算法的研究与硬件设计

你的论文准备往什么方向写，选题老师审核通过了没，有没有列个大纲让老师看一下写作方向？老师有没有和你说论文往哪个方向写比较好？写论文之前，一定要写个大纲，这样老师，好确定了框架，避免以后论文修改过程中出现大改的情况！！学校的格式要求、写作规范要注意，否则很可能发回来重新改，你要还有什么不明白或不懂可以问我，希望你能够顺利毕业，迈向新的人生。（一）选题毕业论文（设计）题目应符合本专业的培养目标和教学要求，具有综合性和创新性。本科生要根据自己的实际情况和专业特长，选择适当的论文题目，但所写论文要与本专业所学课程有关。（二）查阅资料、列出论文提纲题目选定后，要在指导教师指导下开展调研和进行实验，搜集、查阅有关资料，进行加工、提炼，然后列出详细的写作提纲。（三）完成初稿根据所列提纲，按指导教师的意见认真完成初稿。（四）定稿初稿须经指导教师审阅，并按其意见和要求进行修改，然后定稿。一般毕业论文题目的选择最好不要太泛，越具体越好，而且老师希望学生能结合自己学过的知识对问题进行分析和解决。不知道你是否确定了选题，确定选题了接下来你需要根据选题去查阅前辈们的相关论文，看看人家是怎么规划论文整体框架的；其次就是需要自己动手收集资料了，进而整理和分析资料得出自己的论文框架；最后就是按照框架去组织论文了。你如果需要什么参考资料和范文我可以提供给你。还有什么不了解的可以直接问我，希望可以帮到你，祝写作过程顺利毕业论文选题的方法: 一、尽快确定毕业论文的选题方向在毕业论文工作布置后,每个人都应遵循选题的基本原则,在较短的时间内把选题的方向确定下来。从毕业论文题目的性质来看,基本上可以分为两大类:一类是社会主义现代化建设实践中提出的理论和实际问题;另一类是专业学科本身发展中存在的基本范畴和基本理论问题。大学生应根据自己的志趣和爱好,尽快从上述两大类中确定一个方向。二、在初步调查研究的基础上选定毕业论文的具体题目在选题的方向确定以后,还要经过一定的调查和研究,来进一步确定选题的范围,以至最后选定具体题目。下面介绍两种常见的选题方法。浏览捕捉法 :这种方法就是通过对占有的文献资料快速地、大量地阅读,在比较中来确定论文题目地方法。浏览,一般是在资料占有达到一定数量时集中一段时间进行,这样便于对资料作集中的比较和鉴别。浏览的目的是在咀嚼消化已有资料的过程中,提出问题,寻找自己的研究课题。这就需要对收集到的材料作一全面的阅读研究,主要的、次要的、不同角度的、不同观点的都应了解,不能看了一些资料,有了一点看法,就到此为止,急于动笔。也不能“先入为主”,以自己头脑中原有的观点或看了第一篇资料后得到的看法去决定取舍。而应冷静地、客观地对所有资料作认真的分析思考。在浩如烟海,内容丰富的资料中吸取营养,反复思考琢磨许多时候之后,必然会有所发现,这是搞科学研究的人时常会碰到的情形。浏览捕捉法一般可按以下步骤进行: 第一步,广泛地浏览资料。在浏览中要注意勤作笔录,随时记下资料的纲目,记下资料中对自己影响最深刻的观点、论据、论证方法等,记下脑海中涌现的点滴体会。当然,手抄笔录并不等于有言必录,有文必录,而是要做细心的选择,有目的、有重点地摘录,当详则详,当略则略,一些相同的或类似的观点和材料则不必重复摘录,只需记下资料来源及页码就行,以避免浪费时间和精力。第二步,是将阅读所得到的方方面面的内容,进行分类、排列、组合,从中寻找问题、发现问题,材料可按纲目分类,如分成: 系统介绍有关问题研究发展概况的资料; 对某一个问题研究情况的资料; 对同一问题几种不同观点的资料; 对某一问题研究最新的资料和成果等等。第三步,将自己在研究中的体会与资料分别加以比较,找出哪些体会在资料中没有或部分没有;哪些体会虽然资料已有,但自己对此有不同看法;哪些体会和资料是基本一致的;哪些体会是在资料基础上的深化和发挥等等。经过几番深思熟虑的思考过程,就容易萌生自己的想法。把这种想法及时捕捉住,再作进一步的思考,选题的目标也就会渐渐明确起来。

你可以到七七计算机毕业论文的毕业设计题目列表中找一份。有完整的论文和源码等，很详细

目标检测毕业论文

用的是知网，抄袭之后最后修改一下，比如改下表达方式，知网系统计算标准详细说明：1．看了一下这个系统的介绍，有个疑问，这套系统对于文字复制鉴别还是不错的，但对于其他方面的内容呢，比如数据，图表，能检出来吗？检不出来的话不还是没什么用吗？学术不端的各种行为中，文字复制是最为普遍和严重的，目前本检测系统对文字复制的检测已经达到相当高的水平，对于图表、公式、数据的抄袭和篡改等行为的检测，目前正在研发当中，且取得了比较大的进展，欢迎各位继续关注本检测系统的进展并多提批评性及建设性意见和建议。 2．按照这个系统39%以下的都是显示黄色,那么是否意味着在可容忍的限度内呢?最近看到对上海大学某教师的国家社科基金课题被撤消的消息,原因是其发表的两篇论文有抄袭行为,分别占到25%和30%. 请明示超过多少算是警戒线？百分比只是描述检测文献中重合文字所占的比例大小程度，并不是指该文献的抄袭严重程度。只能这么说，百分比越大，重合字数越多，存在抄袭的可能性越大。是否属于抄袭及抄袭的严重程度需由专家审查后决定。 3．如何防止学位论文学术不端行为检测系统成为个人报复的平台？这也是我们在认真考虑的事情，目前这套检测系统还只是在机构一级用户使用。我们制定了一套严格的管理流程。同时，在技术上，我们也采取了多种手段来最大可能的防止恶意行为，包括一系列严格的身份认证，日志记录等。 4．最小检测单位是句子，那么在每句话里改动一两个字就检测不出来了么？我们对句子也有相应的处理，有一个句子相似性的算法。并不是句子完全一样才判断为相同。句子有句子级的相似算法，段落有段落级的相似算法，计算一篇文献，一段话是否与其他文献文字相似，是在此基础上综合得出的。 5．如果是从相关书籍上摘下来的原话，但是此话已经被数据库中的相关文献也抄了进去，也就是说前面的文章也从相关书籍上摘了相同的话，但是我的论文中标注的这段话来自相关的书籍，这个算不算学术抄袭？检测系统不下结论，是不是抄袭最后还有人工审查这一关，所以，如果是您描述的这种情况，专家会有相应判断。我们的系统只是提供各种线索和依据，让人能够快速掌握检测文献的信息。6．知网检测系统的权威性？学术不端文献检测系统并不下结论，即检测系统并不对检测文献定性，只是将检测文献中与其他已发表文献中的雷同部分陈列出来，列出客观事实，而这篇检测文献是否属于学术不端，需专家做最后的审查确认。一篇论文的抄袭怎么才会被检测出来？知网论文检测的条件是连续13个字相似或抄袭都会被红字标注，但是必须满足3里面的前提条件：即你所引用或抄袭的A文献文字总和在你的各个检测段落中要达到5%。

查重是一个匹配的过程，是以句为单位，如果一句话重复了，就很容易判定重复了，所以：1）如果的确是经典的句子，就用上标的尾注的方式，在参考文献中表达出来。2）如果是一般的引用，就采用罗嗦法，将原句中省略的主语、谓语、等等添加全，反正哪怕多一个字，就是胜利。3）也可以采用横刀法，将一些句子的成分，去除，用一些代词替代。4）或者是用洋鬼子法，将原文中的洋名，是中文的，就直接用英文，是英文的直接用中文，或是中文的全姓名，就用中文的名，如果是中文的名，就找齐了，替换成中文的姓名。5）故意在一些缩写的英文边上，加上（注释）(画蛇添足法），总之，将每句话都可以变化一下，哪怕增加一个字或减少一个字，都是胜利了。6）如果是引用，在引用标号后，不要轻易使用句号，如果写了句号，句号后面的就是剽窃了（尽管自已认为是引用），所以，引用没有结束前，尽量使用分号。有些人将引用的上标放在了句号后面，这是不对的，应该在句号之前。7）可以将文字转换为表格、表格基本是查重不了的，文字变成图形、表格变成图形，一目了然，绝对不会检查出是重复剽窃了。 -------------------------------------------------点我用户名，空间博文有介绍详细各种论文检测系统软件介绍见我空间各种有效论文修改秘籍、论文格式=============================ah

目标检测硕士毕业论文

硕士论文查重最严重的部分应该是摘要部分，因为在这样一个部分我们需要论述很多技术发展的内容，这就需要我们已经有很多的参考文献。

检测硕士论文的要求就是我们现在所有的硕士标准，都必须按照他们的要求来进行完成

硕士毕业论文质量评价指标体系构建论文

大学生活在不经意间即将结束，大家都知道毕业前要通过毕业论文，毕业论文是一种的检验学生学习成果的形式，优秀的毕业论文都具备一些什么特点呢？下面是我帮大家整理的硕士毕业论文质量评价指标体系构建论文，欢迎大家分享。

对毕业论文质量的评价是对高校毕业生掌握和运用专业知识的状况及其综合素质的检验，也是对教学质量及培养目标实现程度的检验。应用型硕士院校毕业论文质量评价指标体系的构建应坚持全面性、专业性和应用性的原则，按此确定各具体评价指标及其权重，应力求能客观、准确反映毕业论文的质量。

关键词：毕业论文；质量评价；指标体系

中图分类号： G640 文献标识码：B 文章编号：1006-3544（2015）05-0078-04

撰写毕业论文是硕士院校人才培养过程中重要的综合性实践教学环节，承载着综合检验学生的知识和能力以及学校的人才培养目标是否达到的重要作用。因此，客观准确地评价毕业论文质量，对检验教学效果有重要意义。本文以应用型硕士院校经管类专业为对象，设计毕业论文质量评价指标体系。

一、指标体系的构建原则

1. 全面性原则。即评价指标选取应能全面反映论文的质量。毕业论文的质量主要通过选题、内容和答辩三个方面反映出来。选题规定着论文研究什么问题，选题不当，或研究的问题没有意义，或作者无能力驾驭，就不可能写出好的论文。内容是评价论文质量的主要依据，需要从它的学术价值、应用价值和文字表达能力等方面进行综合评价。通过答辩可以进一步了解作者对所研究问题的熟悉和理解程度，并可验证有无抄袭之嫌。同时，为了降低主观性对毕业论文质量评价的影响，论文评价指标体系通常都包括指导教师评价、同行教师评价和答辩组教师评价。 [1]

2. 专业性原则。一是研究的问题必须是与学生所学专业密切相关的，如此才能反映学生分析问题和解决问题的能力是否达到了学校专业人才的培养目标。二是研究方法和写作方法应符合科学研究和学术论文写作的范式。如社会科学的论文需注重采用实践调查法，应坚持定性分析与定量分析相结合、理论分析与实证分析相结合的分析方法。

3. 应用性原则。应用型硕士院校培养的是应用型专业人才，因此毕业论文应理论密切联系实际，既要注重论文的学术价值，更要注重论文的应用价值，设计的评价指标体系能够反映出学生的创新能力、动手能力、分析与解决实际问题的能力。

二、指标与指标体系设计

根据上述构建原则，应用型硕士院校经管类专业毕业论文质量评价指标体系可以分一级指标、二级指标和三级指标三个层次。一级指标包括选题质量、写作质量和答辩质量3个指标，一级指标下设8个二级指标，二级指标下设21个三级指标。见表1。

（一）指标释义

1. 论文选题指标

论文的选题是论文写作的起点，是判断论文写作意义和价值的重要依据，选题质量的高低能够反映出学生对相关问题的理解程度，决定了论文的写作难度等重要内容。在选题质量一级指标下设置“选题内容”和“选题范围”两个二级指标。

“选题范围”指标用于评判选题范围的合理性，即在选题的研究范围和研究角度方面硕士学生是否能够驾驭。

“选题内容”指标包含选题的“实践性”和“与本专业的相关度”两个三级指标，其中“实践性”指标用于评判选题是否具有现实意义和应用价值；“与本专业的相关度” 指标用于评判选题与本专业培养目标一致性的问题，即选题是否符合本专业的培养目标，是否能够达到科学研究和实践能力培养和锻炼的目的。

2. 写作质量指标

写作质量是反映学生大学四年学习成效的核心内容，包含了论文的`架构、逻辑、写作内容、选用方法及格式等内容，因此，在写作质量一级指标下设置了“论文结构”、“论文内容”、“技术方法”和“论文格式”4个二级指标。

“论文结构”二级指标内又包含了论文的“逻辑性”和“合理性”两个三级指标。论文的“逻辑性”主要用于评判论文结构的严谨性问题，即从论文的整体架构上来看各部分内容之间的前后逻辑顺序是否适当；“合理性”主要用于评判论文各部分内容分析详略是否适当的问题，即对于论文核心内容部分是否给予适当的篇幅进行了详细的论述。

“论文内容”二级指标下设置了“实用价值”、“知识运用”、“论文表述”和“创新性”4个三级指标。“实用价值”指标用于评判论文是否能够有助于解决社会经济发展中的实际问题；“知识运用”指标用于评判论文是否能够综合应用理论知识，对所研究问题进行分析、论述，研究目标是否明确，内容是否具体，是否具有一定的深度；“论文表述”指标用于评判论文的语言通顺性，立论的正确性，论据的充分性，论证的严密性及结论的正确性等问题；“创新性”用于评判论文的研究方法、手段是否有一定的特色或新意，结论是否有新见解等。

“技术方法”二级指标主要用于检测学生在论文写作中所采用的研究手段、研究方法以及在论文写作中不可或缺的语言与计算机等工具的运用能力，因此下设的三级指标具体包括“研究方法”、“文献检索”、“计算机操作”、“英文运用”和“统计工具运用”5个三级指标。“研究方法”指标用于评判学生是否能够熟练运用本专业各课程中的方法、手段和工具开展论文的设计和实施工作；“文献检索”指标用于评判学生是否具有独立检索中外文献资料，对资料进行分析、综合、归纳、整理，并能对所研究问题的现状进行综述，提出存在的问题或进一步发展方向的能力；“计算机操作”指标用于评判学生是否能够熟练应用Word、Excel等软件进行论文写作；“英文运用”指标主要考察学生是否能够准确参阅英文文献，对论文标题和摘要的英文翻译是否准确到位；“统计工具运用”指标用于评判学生是否能够借助统计软件、统计图表等工具对问题进行分析。

“论文格式”二级指标主要用于评判学生是否遵守论文写作的基本格式规范，下设“排版规范性”和“表述规范性”两个三级指标。“排版规范性”指标评判学生论文是否符合硕士毕业论文格式要求；“表述规范性”指标用于评判论文内容表述是否清晰、全面，是否能够将论文重点内容表述清楚，突出论文的核心观点。

3. 答辩质量指标

答辩质量一方面能够反映出学生对自身论文的理解和熟悉程度以及对专业知识的掌握程度，另一方面能够用于检验学生的语言表达能力和临场应变能力，根据答辩的过程和主要环节，在其下设置了“内容自述”和“问题回答”两个二级指标。

“内容自述”二级指标下设置了“语言表达”和“内容表述”两个三级指标。“语言表达”指标用于评判学生在答辩过程中的表达能力；“内容表述” 指标评判学生在答辩过程中是否能将论文内容进行清晰、全面的表述，是否能够将论文重点内容表述清楚，突出论文的核心观点。

（二）权重设定

权重对于指标体系评判的准确性有很大影响。本指标体系的权重是经20位具有丰富论文指导经验的教师充分研讨获得。首先将100分在三大一级指标间进行分配，其中，选题质量指标为30分，写作质量指标为50分，答辩质量指标为20分；各二级指标和三级指标的分数分配见表1。

（三）评判标准

对于每一项指标的评分，能够“完全符合”指标释义的情况下获得满分，“比较符合”的得分为该指标满分的80%～90%，“基本符合”的得分为该指标满分的60%～70%，“一般” 的得分为该指标满分的50%，“不太符合”的得分为该指标满分的50%以下，“完全不符合”的得分为0。分数保留到整数位。

对于选题质量和写作质量两部分指标，要求由论文指导老师和同行评阅老师分别评分，每部分指标的总分由两项分数的加权求和得到，其中论文指导老师评分权重为70%，同行评阅老师评分权重为30%；对于答辩质量指标，以答辩组老师的平均分为统计标准。

毕业论文的最终成绩由三大一级指标分数的加总求得，评定分为优秀、良好、中等、及格、不及格5个等级，分数在90分（含90分）以上的为优秀，在80～90分（含80分）之间的为良好，在70～80分（含70分）之间的为中等，在60～70分（含60分）之间的为及格，60分以下的为不及格。

三、评价指标体系实施建议

1. 指标体系要向学生公开。毕业论文质量评价关系到学生能否顺利毕业。因此，在学生进入毕业论文撰写之前，应向学生说明毕业论文写作的重要意义，并公开毕业论文的评判标准，解释各项指标的涵义，让每一个学生理解各项指标的评判依据，从而达到引导学生重视毕业论文写作，认真完成毕业论文，最终提高毕业论文质量的目的。 [2]

2. 评价过程要公平透明。由于毕业论文质量评价工作带有很强的主观性，为保证评价主体在评价过程中对各指标理解和评分尺度把握尽量一致，参与论文评价的教师应在评判前对毕业论文质量评价体系进行深入讨论，对各项指标的具体内涵和标准达成共识，在评价过程中做到公开透明。

3. 评价结果要及时反馈。在对学生的毕业论文质量进行评价后，要及时进行结果反馈，力争做到及时发现问题，并对具有共性的问题进行分析，找出原因，在今后的教学工作和指导毕业论文工作中及时改进。

这个当然问你们学校,这个没有国家标准,各个学校有各个学校自己的标准。比如有些学校要求知网检测 10%以下。有些学校要求维普检测15%以下

目标检测论文

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：

对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。

R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。模型的流程图如下：

在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了层，代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于，就认为是正类。对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。

框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的和ground truth的，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是。

Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：

RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成块，然后对每一块求最大值，最终得到了一个的特征图。可以看出，它只是空间金字塔pooling的一部分。但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。为了提高效率，Fast-RCNN首先选取个图像，再从每个图像上选择个RoI，这样的效率就比从每个图像提取一个RoI提高了倍。

为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：

回归的target可以参考前面的R-CNN部分。

notes

为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：

为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为，输入后会映射（用的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：

在每一个滑动窗口（可以参考），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：

自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。

对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。

与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。

与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。

不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个的mask。

由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程：第一个：从roi proposal到feature map的映射过程。第二个：从feature map划分成7*7的bin，每个bin使用max pooling。

为此，作者使用了RoIAlign。如下图

为了避免上面提到的量化过程

可以参考

作者使用ResNet作为基础的特征提取的网络。对于预测类别，回归框，mask的网络使用如下图结构：

整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。

人体目标检测的论文

一种用于三维空间杂波环境机动目标跟踪的数据互联方法，《电子与信息学报》2009年第4期被动传感器阵列中基于粒子滤波的目标跟踪，《电子与信息学报》2009年第4期一种新的嵌入式Linux高性能定时器实现方法，《信号处理》2009年第3期一种新的红外弱小目标检测与跟踪算法，《信号处理》2008年第6期被动传感器网基于修正Riccati方程的系统优化设计，《信号处理》2008年第5期基于SIS框架和蚁群算法的非线性多目标跟踪，《电子与信息学报》2008年第9期基于人类视觉系统的自适应数字水印算法，《上海交通大学学报》2008年第7期一种基于电子签章的二值图像数字水印算法，《信号处理》2008年第3期基于身份的网络化制造安全协同商务平台，《计算机工程》2008年第13期基于Clifford代数传感器网络覆盖理论的路径分析，《电子学报》2007年第B12期传感器网络高阶模糊覆盖分析，《电子学报》2007年第B12期传感器网络最佳情况模糊覆盖问题研究，《电子学报》2007年第B12期一种基于蚁群算法的多目标跟踪数据关联方法，《电子学报》2008年第3期基于数据仓库的投资决策支持系统设计研究，《微电子学与计算机》2008年第2期量子球壳聚类，《西安电子科技大学学报》2008年第1期基于身份的安全邮件认证体系设计与分析，《计算机科学》2008年第2期异类传感器系统目标快速定位方法，《系统工程与电子技术》2007年第12期一种基于并行计算熵迁移策略的多分辨DOM数据生成算法，《中国科学技术大学学报》2007年第12期基于模糊Hough变换的被动传感器系统航迹起始方法，《系统工程与电子技术》2007年第11期THz信号处理与分析的研究现状和发展展望，《电子学报》2007年第10期模糊数据互联滤波器及其在机动目标跟踪中的应用，《系统仿真学报》2007年第20期分布式异类传感器网异步采样下的航迹起始算法，《系统工程与电子技术》2007年第9期机动目标跟踪中数据互联新方法，《电子与信息学报》2007年第10期一种新的视界覆盖遗传算法，《西安电子科技大学学报》2007年第5期基于运动特征的远距离红外目标检测方法，《电子与信息学报》2007年第8期被动传感器网基于模糊综合贴近度的航迹起始，《电子学报》2007年第8期基于IBE的跨网络电子公文安全交换平台，《微计算机信息》2007年第18期一种基于身份的无可信第三方签名方案，《深圳大学学报：理工版》2007年第3期基于图像梯度场序列的双向GDIM光流计算方法，《电子学报》2007年第7期一种基于身份的短数字签名方案，《微计算机信息》2007年第21期分布式异类传感器网Hough变换航迹起始算法，《深圳大学学报：理工版》2007年第2期基于DWT和DCT域的二值图像数字水印算法，《计算机与数字工程》2007年第3期基于并行计算熵的同构集群负载均衡算法，《深圳大学学报：理工版》2007年第1期基于unscented粒子滤波的红外弱小目标跟踪，《系统工程与电子技术》2007年第1期一种空域DCT与时域DWT相结合的鲁棒视频数字水印算法，《中国体视学与图像分析》2006年第4期图像插值方法对互信息局部极值的影响分析，《电子与信息学报》2006年第10期网状被动传感器系统优化设计，《系统工程与电子技术》2006年第12期基于小波变换和目标运动特性的红外弱小目标检测，《红外》2006年第9期基于小波变换的红外弱小目标检测新方法，《红外技术》2006年第7期在线CA的安全增强方案研究，《计算机工程》2006年第11期基于ADSP—BF561车载多媒体系统，《现代电子技术》2006年第3期空间分析中视界覆盖问题的研究，《系统工程与电子技术》2005年第11期模糊观测数据的关联和目标跟踪，《信号处理》2005年第4期从航空影像中自动提取高层建筑物，《计算机学报》2005年第7期城市航空影像中基于模糊Retinex的阴影消除，《电子学报》2005年第3期一种新的自适应图像模糊增强算法，《西安电子科技大学学报》2005年第2期基于OAR模型的航空影像高层建筑自动提取，《深圳大学学报：理工版》2005年第1期红外热图像序列中基于人体模型的目标头部定位方法，《激光与红外》2005年第2期直线Snakes及其在建筑物提取中的应用，《西安电子科技大学学报》2005年第1期网状被动传感器系统视线交叉目标定位方法，《电子与信息学报》2005年第1期一种新的道路描述子：对称边缘方向直方图，《电子学报》2005年第1期基于对称边缘方向直方图自动提取主要道路，《中国体视学与图像分析》2005年第2期分布式被动传感器网异步采样下的机动目标跟踪，《系统仿真学报》2005年第6期一种基于频带一致性的多模态图像校准算法，《通信学报》2005年第4期基于模糊熵的自适应图像多层次模糊增强算法，《电子学报》2005年第4期一种安全增强的基于椭圆曲线可验证门限签名方案，《计算机研究与发展》2005年第4期密码学与数字水印在电子印章中的应用，《微机发展》2004年第11期一种安全实用的电子公文系统设计与实现，《现代电子技术》2004年第21期基于DSP的PCI图像采集卡设计，《现代电子技术》2004年第4期基于DSP组建短波电台无线数据传输网络的系统设计，《电子设计应用》2004年第2期基于直方图的自适应高斯噪声滤波器，《系统工程与电子技术》2004年第1期短波电台无线数据传输网络的组建，《现代电子技术》2004年第3期半抑制式模糊C-均值聚类算法，《中国体视学与图像分析》2004年第2期基于模糊推理的自动多级图像分割，《中国体视学与图像分析》2004年第1期航空影像中立交桥的自动检测，《中国体视学与图像分析》2004年第1期网状被动传感器系统航迹初始状态估计，《信号处理》2004年第6期被动传感器系统分层快速关联算法，《电子学报》2004年第12期一种基于模糊运算的多目标多传感器跟踪算法，《系统工程与电子技术》2004年第11期异步被动传感器系统模糊Hough变换航迹起始算法，《系统工程与电子技术》2004年第11期窗户纹理的时频描述及其在建筑物提取中的应用，《中国图象图形学报：A辑》2004年第10期基于模糊熵的支撑矢量预选取方法，《复旦学报：自然科学版》2004年第5期基于物方几何约束提取建筑物垂直边缘，《中国图象图形学报：A辑》2004年第9期分布式网状被动传感器系统定位误差分析，《西安电子科技大学学报》2004年第5期分布式网状被动传感器系统量测数据关联，《系统工程与电子技术》2004年第12期基于核方法的分类型属性数据集模糊聚类算法，《华南理工大学学报：自然科学版》2004年第9期基于模糊决策的密集多回波环境下航迹起始算法，《雷达与对抗》2004年第3期红外传感器阵列基于信息冗余性的目标定位，《系统工程与电子技术》2004年第8期基于核方法的模糊聚类算法，《西安电子科技大学学报》2004年第4期一种用于模式识别的多色Voronoi图，《系统工程与电子技术》2004年第7期基于DSP的短波电台无线数据传输网络实现，《深圳大学学报：理工版》2004年第3期基于直方图的自适应图像去噪滤波器，《电子学报》2004年第7期自适应模糊Hough变换，《电子学报》2004年第6期基于主动秘密共享的安全容忍入侵方案，《兰州交通大学学报》2004年第1期基于模糊熵的多值图像恢复方法，《西安电子科技大学学报》2004年第2期

什么是人体骨骼关键点检测？

应用

挑战

人体骨骼关键点检测方法主要分两周：自上而下和自下而上。

coordinate ：坐标直接将关键点坐标作为最后网络需要回归的目标，这样可以得到每个坐标点的直接位置信息

heatmap ：热图每一类坐标用一个概率图来表示，对图片中的每个像素位置都给一个概率，表示该点属于对应类别关键点的概率。距离关键点位置越近的像素点的概率越接近于1，距离关键点越远的像素点的概率越接近于0。具体的一般使用高斯函数来模拟。

offset ：偏移量表示距离目标关键点一定范围内的像素位置与目标关键点之间的关系。

Convolutional Pose Machines ：本论文将深度学习应用于人体姿态分析，同时用卷积图层表达纹理信息和空间信息。主要网络结构分为多个stage，其中第一个stage会产生初步的关键点的检测效果，接下来的几个stage均以前一个stage的预测输出和从原图提取的特征作为输入，进一步提高关键点的检测效果。具体的流程图如下图（摘自论文[1]）所示。

Cascaded Pyramid Network for Multi-Person Pose Estimation ：本论文将深度学习应用于人体姿态分析，同时用卷积图层表达纹理信息和空间信息。主要网络结构分为多个stage，其中第一个stage会产生初步的关键点的检测效果，接下来的几个stage均以前一个stage的预测输出和从原图提取的特征作为输入，进一步提高关键点的检测效果。具体的流程图如下图（摘自论文[2]）所示。

RMPE ：本论文主要考虑的是自上而下的关键点检测算法在目标检测产生Proposals的过程中，可能会出现检测框定位误差、对同一个物体重复检测等问题。检测框定位误差，会出现裁剪出来的区域没有包含整个人活着目标人体在框内的比例较小，造成接下来的单人人体骨骼关键点检测错误；对同一个物体重复检测，虽然目标人体是一样的，但是由于裁剪区域的差异可能会造成对同一个人会生成不同的关键点定位结果。本文提出了一种方法来解决目标检测产生的Proposals所存在的问题，即通过空间变换网络将同一个人体的产生的不同裁剪区域（Proposals）都变换到一个较好的结果，如人体在裁剪区域的正中央，这样就不会产生对于一个人体的产生的不同Proposals有不同关键点检测效果。具体Pipeline如下图（摘自论文[14]）所示。

Part Segmentation ：即对人体进行不同部位分割，而关键点都落在分割区域的特定位置，通过部位分割对关键点之间的关系进行建模，既可以显式的提供人体关键点的空间先验知识，指导网络的学习，同时在最后对不同人体关键点进行聚类时也能起到相应的连接关键点的作用。如下图（论文[4]）所示。

Part Affinity Fields ：

网络分为两路结构，一路是上面的卷积层，用来获得置信图；一路是下面的卷积层，用来获得PAFs。网络分为多个stage，每一个stage结束的时候都有中继监督。每一个stage结束之后，S以及L都和stage1中的F合并。上下两路的loss都是计算预测和理想值之间的L2 loss。

personlab是一个自下而上的人体检测和姿态估计算法。包括两个步骤：

关键点检测阶段的目标是检测属于图像（可能不止一个人）中任何人体的关键点。该阶段生成一个热图和一个偏移量：

假设是图像中二维位置中的一个，其中是图像的位置索引，是像素点的个数。

使用Hough投票集合热图和偏移量，聚合成hough分数映射，其中为图像的每个位置，为双线性插值核。

的局部最大值作为关键点的候选位置点，但是没有与个体相关的信息，当图像中有多个个体存在时，我们需要一个机制将关键点聚合在其对应的个体上。 Mid-range pairwise offsets 为了达到以上目的，在网络上加入一个分离的成对中射程2-D偏移域输出用来连接成对的关键点。训练集中，表示对于同一个个体从第个关键点到第个关键点。

对于具有大量个体的情况，很难准确的回归，使用更准确的短射程偏移来递归的修正：

[1] Convolutional Pose Machines [2] Cascaded Pyramid Network for Multi-Person Pose Estimation [3] RMPE: Regional Multi-Person Pose Estimation