怎样根据目标检测水一个论文

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

运动目标检测与跟踪算法研究视觉是人类感知自身周围复杂环境最直接有效的手段之一，而在现实生活中大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能够快速的发现运动目标，并对目标的运动轨迹进行预测和描绘。随着计算机技术、通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之一。而运动目标检测与跟踪是计算机视觉研究的核心课题之一，融合了图像处理、模式识别、人工智能、自动控制、计算机等众多领域的先进技术，在军事制导、视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实用价值和广阔的发展前景。 1、国内外研究现状运动目标检测运动目标检测是指从序列图像中将运动的前景目标从背景图像中提取出来。根据运动目标与摄像机之间的关系，运动目标检测分为静态背景下的运动目标检测和动态背景下的运动目标检测。静态背景下的运动目标检测是指摄像机在整个监视过程中不发生移动；动态背景下的运动目标检测是指摄像机在监视过程中发生了移动，如平动、旋转或多自由度运动等。静态背景静态背景下的运动目标检测方法主要有以下几种：（1）背景差分法背景差分法是目前最常用的一种目标检测方法，其基本思想就是首先获得一个背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。很多研究人员目前都致力于开发不同的背景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、阴影的去除等对跟踪结果的好坏至关重要。背景差分法的实现简单，在固定背景下能够完整地精确、快速地分割出运动对象。不足之处是易受环境光线变化的影响，需要加入背景图像更新机制，且只对背景已知的运动对象检测比较有效，不适用于摄像头运动或者背景灰度变化很大的情况。（2）帧间差分法帧间差分法是在连续的图像序列中两个或三个相邻帧间，采用基于像素的时间差分并阈值化来提取图像中的运动区域。帧间差分法对动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。因此在相邻帧间差分法的基础上提出了对称差分法，它是对图像序列中每连续三帧图像进行对称差分，检测出目标的运动范围，同时利用上一帧分割出来的模板对检测出来的目标运动范围进行修正，从而能较好地检测出中间帧运动目标的形状轮廓。帧间差分法非常适合于动态变化的环境，因为它只对运动物体敏感。实际上它只检测相对运动的物体，而且因两幅图像的时间间隔较短，差分图像受光线变化影响小，检测有效而稳定。该算法简单、速度快，已得到广泛应用。虽然该方法不能够完整地分割运动对象，只能检测出物体运动变化的区域，但所检测出的物体运动信息仍可用于进一步的目标分割。（3）光流法光流法就充分的利用了图像自身所携带的信息。在空间中,运动可以用运动场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。所谓光流是指空间中物体被观测面上的像素点运动产生的瞬时速度场，包含了物体表面结构和动态行为等重要信息。基于光流法的运动目标检测采用了运动目标随时间变化的光流特性，由于光流不仅包含了被观测物体的运动信息，还携带了物体运动和景物三位结构的丰富信息。在比较理想的情况下,它能够检测独立运动的对象, 不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可用于动态场景的情况。但是大多数光流方法的计算相当复杂,对硬件要求比较高, 不适于实时处理,而且对噪声比较敏感,抗噪性差。并且由于遮挡、多光源、透明性及噪声等原因，使得光流场基本方程——灰度守恒的假设条件无法满足，不能正确求出光流场，计算方也相当复杂，计算量巨大，不能满足实时的要求。动态背景动态背景下的运动目标检测由于存在着目标与摄像机之间复杂的相对运动，检测方法要比静态背景下的运动目标检测方法复杂。常用的检测方法有匹配法、光流法以及全局运动估计法等。 2、运动目标跟踪运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。近年来出现了大批运动目标跟踪方法，许多文献对这些方法进行了分类介绍，可将目标跟踪方法分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、基于模型的跟踪，这种分类方法概括了目前大多数跟踪方法，下面用这种分类方法对目前的跟踪方法进行概括介绍。 (1)基于区域的跟踪基于区域的跟踪方法基本思想是：首先通过图像分割或预先人为确定提取包含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度量取极值时对应的区域作为对应帧中的目标区域。由于提取的目标模板包含了较完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定，但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或对比度较差的目标。该方法还可以和多种预测算法结合使用，如卡尔曼预测、粒子预测等，以估计每帧图像中目标的位置。近年来，对基于区域的跟踪方法关注较多的是如何处理运动目标姿态变化引起的模板变化时的情况以及目标被严重遮挡时的情况。 (2)基于特征的跟踪基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成跟踪任务，另外，该方法还可与卡尔曼滤波器结合使用，实时性较好，因此常用于复杂场景下对运动目标的实时、鲁棒跟踪。用于跟踪的特征很多，如角点边缘、形状、纹理、颜色等，如何从众多的特征中选取最具区分性、最稳定的特征是基于特征的跟踪方法的关键和难点所在。 (3)基于活动轮廓的跟踪基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标，结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自动连续更新，从而实现对目标的跟踪。自Kass在1987年提出Snake模型以来，基于活动轮廓的方法就开始广泛应用于目标跟踪领域。相对于基于区域的跟踪方法，轮廓表达有减少复杂度的优点，而且在目标被部分遮挡的情况下也能连续的进行跟踪，但是该方法的跟踪结果受初始化影响较大，对噪声也较为敏感。 (4)基于模型的跟踪基于模型的跟踪方法基本思想是：首先通过一定的先验知识对所跟踪目标建立模型，然后通过匹配跟踪目标，并进行模型的实时更新。通常利用测量、CAD 工具和计算机视觉技术建立模型。主要有三种形式的模型，即线图模型、二维轮廓模型和三维立体模型口61，应用较多的是运动目标的三维立体模型，尤其是对刚体目标如汽车的跟踪。该方法的优点是可以精确分析目标的运动轨迹，即使在目标姿态变化和部分遮挡的情况下也能够可靠的跟踪，但跟踪精度取决于模型的精度，而在现实生活中要获得所有运动目标的精确模型是非常困难的。目标检测算法，至今已提出了数千种各种类型的算法，而且每年都有上百篇相关的研究论文或报告发表。尽管人们在目标检测或图像分割等方面做了许多研究，现己提出的分割算法大都是针对具体问题的，并没有一种适合于所有情况的通用算法。目前，比较经典的运动目标检测算法有：双帧差分法、三帧差分法(对称差分法)、背景差法、光流法等方法，这些方法之间并不是完全独立，而是可以相互交融的。目标跟踪的主要目的就是要建立目标运动的时域模型，其算法的优劣直接影响着运动目标跟踪的稳定性和精确度，虽然对运动目标跟踪理论的研究已经进行了很多年，但至今它仍然是计算机视觉等领域的研究热点问题之一。研究一种鲁棒性好、精确、高性能的运动目标跟踪方法依然是该研究领域所面临的一个巨大挑战。基于此目的，系统必须对每个独立的目标进行持续的跟踪。为了实现对复杂环境中运动目标快速、稳定的跟踪，人们提出了众多算法，但先前的许多算法都是针对刚体目标，或是将形变较小的非刚体近似为刚体目标进行跟踪，因而这些算法难以实现对形状变化较大的非刚体目标的正确跟踪。根据跟踪算法所用的预测技术来划分，目前主要的跟踪算法有：基于均值漂移的方法、基于遗传算法的方法、基于Kalman滤波器的方法、基于Monto Carlo的方法以及多假设跟踪的方法等。运动检测与目标跟踪算法模块运动检测与目标跟踪算法模块与目标跟踪一、运动检测算法 1.算法效果算法效果总体来说，对比度高的视频检测效果要优于对比度低的视频。算法可以比较好地去除目标周围的浅影子，浅影的去除率在 80%以上。去影后目标的完整性可以得到较好的保持，在 80%以上。在对比度比较高的环境中可以准确地识别较大的滞留物或盗移物。从对目标的检测率上来说，对小目标较难进行检测。一般目标小于 40 个像素就会被漏掉。对于对比度不高的目标会检测不完整。总体上来说，算法在对比度较高的环境中漏检率都较低，在以下，在对比度不高或有小目标的场景下漏检率在 6%以下。精细运动检测的目的是在较理想的环境下尽量精确地提取目标的轮廓和区域，以供高层进行应用。同时在分离距离较近目标和进行其它信息的进一步判断也具有一定的优势。反映算法优缺点的详细效果如下所示：去影子和完整性效果好公司内视频左边的为去影前，右边的为去影后的结果，可以看出在完整性和去影率上都有所突出。这两个视频的共周特点城市交通是，影子都是浅影子，视频噪声不太明显。目标与背景的对比度比较高。效果差这两个视频的特点是影子都是深影子。虽然影子没有去掉，但是物体的完整性是比较高的。主要原因就是场景的对路口，上午十点比度比较高。滞留物检测和稳定性效果好会议室盗移效果好的原因，一是盗移或滞留目标与背景对比度较大，二是目标本身尺寸较大。另外盗移物或滞留物在保持各自的状态期间不能受到光照变化或其它明显运动目标的干扰，要不然有可能会造成判断的不稳定。效果差会议室遗留物大部分时间内，滞留的判断都是较稳定的，但是在后期出现了不稳定。主要原因是目标太小的原故。因此在进行滞留物判断时，大目标，对比度较高的环境有利于判断的稳定性和准确性。漏检率效果好城市交通在对比度高的环境下，目标相对都较大的情况下（大于 40 个像素）可以很，稳定的检测出目标。在这种条件下的漏检率通常都是非常低的，在以下。效果差行人－傍晚和“行人”目录下的其它昏暗条件下的视频在对比度较低的情况下，会造成检测结果不稳定。漏检率较高。主要原因是由于去影子造成的。这种对比度下的漏检率一般在 6%以下。除了对比度低是造成漏检的原因外，过小的目标也会造成漏检，一般是 40 个像素以下的目标都会被忽略掉。算法效率内存消耗（单位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 运动区域占 2/3 左右时 CPU 占用率一帧耗时 Max:57% Min: Avg: Max:23 Min: Avg:15 运动区域占 1/3 左右时 Max:45% Min: Avg:20% Max:18 Min: Avg:8 检测参数说明检测参数说明检测到的滞留物或盗走物的消失时间目前分别设定在 200 帧和 100 帧，可以通过参数来自行调整。目前目标与背景的差异是根据局部光照强度所决定的，范围在 4 个像素值以上。目前参数设置要求目标大小要在 20 个像素以上才能被检测到，可以通过参数来自行调整。目标阴影的去除能力是可以调整的，目前的参数设置可以去除大部分的浅影子和较小的光照变化。适用环境推荐光照条件较好（具有一定的对比度）的室内环境或室外环境。不易用它去检测过小的目标，比如小于 40 个像素的目标。室外环境不易太复杂。输出目标为精细轮廓目标，可以为后面高层应用提供良好的信息。二、目标跟踪稳定运行环境要求此版本跟踪算法与运动检测算法紧密结合，对相机的架设和视频的背景环境和运动目标数量运动方式有一定要求：背景要求：由于运动跟踪是基于运动检测的结果进行的，所以对背景的要求和运动检测一样，背景要求：运动目标相对于背景要有一定反差。运动目标：由于运动检测中，对较小的目标可能过滤掉。所以运动目标的大小要符合运动检运动目标：测的要求。运动目标的速度不能太大，要保证前后帧运动目标的重合面积大于 10 个像素。此阈值可修改(建议不要随意修改，过小，可能把碎片当成原目标分裂出来的小目标，过大，可能失去跟踪。当然可试着调节以适应不同场景)。该算法对由于运动检测在地面上产生的碎片抗干扰性比较差，运动目标和碎片相遇时，容易发生融合又分离的现象，造成轨迹混乱。消失目标和新生目标很容易当成同一目标处理，所以可能出现一个新目标继承新生目标的轨迹。运动方式：运动目标的最大数量由外部设定。但运动跟踪对运动目标比较稀疏的场景效果比运动方式：较好。算法对由于运动检测在运动目标上产生的碎片有一定的抗干扰。算法没对物体的遮挡进行处理。对于两运动目标之间的遮挡按融合来处理。拍摄角度：拍摄角度：拍摄视野比较大，且最好是俯视拍摄。

接着上一篇文章“什么是科研？如何做科研？”往后谈。如果我真的为一个很多人都关心的问题找到了解决方案，该如何将我的研究成果转化为一篇论文呢？论文的意义是告诉读者问题的解决方案，所以优秀的论文是要全心全意为读者服务的。要做到这一点，需要掌握两种思维：套娃思维和说明书思维。你会看一本书的前言吗？我之前从来不看前言，都是直接去看正文。但读了《如何阅读一本书》之后，前言成了我的必读项。因为我意识到，标题——前言——正文是一本书完整的套娃结构，按顺序读能够最大程度地节省时间和精力。标题是对一本书内容最大程度的概括，比如《如何阅读一本书》这样的题目，清晰明确。前言一般包括书籍的写作历程、书籍面向的读者等，可以让读者明确这本书是不是自己想要的内容。如果通过标题或者前言，就能确定一本书对我没有价值，我就可以及时止损，节省不必要的阅读时间。所谓套娃思维，就是逐层详细的分层写作思路，能够让读者用最少的时间找到最想要的内容。对于一篇论文来说，标题——摘要——引言——全文就是它的层级结构，每一层都对问题和解决方案做出不同程度的说明。这样的层级结构能够帮助读者在浩如烟海的论文库中快速检索到自己需要的内容。因此，要写好一篇论文，套娃思维必不可少。打开产品包装后，你会认真看说明书吗？说明书永远都会直奔主题：按照一、二、三、四的步骤去使用产品；如果操作时遇到了什么问题，就如何如何。产品开发团队如何绞尽脑汁满足用户需求、产品线的工人有多么辛苦，都不会出现在说明书上。论文也该像说明书一样，界定好内容范围。论文要完整地展现问题从提出到解决的过程，与此无关的内容要只字不提。可以用一连串的问题将此过程连接起来：问题提出的背景是什么？提出了什么问题？如何解决这个问题？方法效果有多好？以后还能做什么？论文套娃的每一个层级，都是在按顺序回答这些问题。判断论文的一句话是否多余，就是看这句话是否对解决某个问题有帮助。下面我将运用套娃思维和说明书思维，将上一篇文章中的拉屎压水花实验写成一篇论文，让大家通过实例了解一篇论文的写作过程。标题：基于压水花的波塞冬之吻解决方法（标题一般包括问题和解决方案）摘要：作为文明的标志，抽水马桶走向了千家万户（交代问题产生的背景，说明解决问题的必要性）。但波塞冬之吻问题广泛地困扰着抽水马桶用户。（提出问题）针对这一问题，我们提出了基于压水花的波塞冬之吻解决方法。（如何解决这个问题）使用该方法后可大幅降低激起水花半径，保持臀部的干燥。（方法的效果有多好）另外，我们还观察了抽水马桶中水的性质对于水花的影响，为以后抽水马桶的改进做了铺垫。（以后还能做什么）第一章引言众所周知，抽水马桶因为其清洁性与便利性，成为越来越多家庭的选择。数据表明，当今中国的抽水马桶覆盖率已经达到了**%，是众多家庭的第一选择。(对问题背景更加详细的介绍，使用了其他文献的数据或结论记得引用) 然而，波塞冬之吻的问题，困扰着绝大多数抽水马桶用户。所谓波塞冬之吻问题，就是抽水马桶用户在大号过程中，翔因自由落体运动溅起的水花不断沾湿屁股的问题。这一现象导致抽水马桶用户在大号过程中无法保持臀部的干燥，严重影响着用户的大号体验。(对问题更加详细的介绍，让读者明白问题的痛点) 我们观察了翔的形状对溅起水花高度的影响，并根据观察结果，提出了压水花式拉翔法，将水花的半径降至最低，以缓解波塞冬之吻问题。具体来说，就是通过对括约肌的控制，保证拉出翔的形状均为**形，以最小化溅起水花的半径。(提出解决问题的方法，并粗略描述思路和方法) 我们针对不同形状的翔做了一系列压水花实验，实验结果表明，我们所提出的压水花式拉翔法所拉出的翔有最小的水花半径，可在最大程度上缓解波塞冬之吻问题。(通过实验证明解决方法的有效性，当然如果有实验数据支撑是最好的) 第二章相关工作为了让人们大号地更加舒服，**等发明了抽水马桶，一改人们蹲着大号的传统，不仅能够让人们更加方便地如厕，还因吸入式的冲水机制而更加清洁卫生。但“波塞冬之吻”问题也随之诞生。**等提出了铺厕纸的“波塞冬之吻”解决方案，改方案虽然能够有效地应对“波塞冬之吻”的第一波冲击，但效果不具备持续性，且会带来厕纸资源的浪费。为此，我们提出了压水花式“波塞冬之吻”解决方案。 (这一部分是对问题发生背景最为细致的说明，要描述自己的研究在这一领域的所处的位置，证明研究的必要性。) 第三章问题定义下面给出波塞冬之吻的形式化定义：翔S(因为翔在英文中是shit)经过距离为H(高度的英文是height)的自由落体后，与马桶中的水W(水的英文是water)接触，其溅起的水花半径r大于屁股到马桶水面的距离H。本论文的目标是尽量减小水花半径r，令r＜H，以保证屁股的干爽。 (对问题进行最全面、最详细的描述，最好能够用数学语言形式化地描述问题) 第四章方法实验证明，相较之下，**形状的翔所激起的水花半径最小。基于这一观察，我们提出了基于压水花的“波塞冬之吻”解决方法。具体来说，就是努力调整大号时括约肌的发力情况，努力生成**形状的翔，以缓解“波塞冬之吻”问题。该方法具体步骤如下： (1)深呼吸以集中注意力到括约肌上。 (2)保持括约肌向**角度用力，持续10s。 (3)保持括约肌向**角度用力，持续5s。 (4)可完成**形状翔的生成。 (对问题解决方法最详细的描述，最好使用形式化语言，给出可复现的过程) 第五章实验主实验：我们通过实验模拟了不同种形状的翔所溅起水花的平均半径，实验结果如表*所示。从表中的结果可以看出，**形状的翔具有最小的溅起水花半径，这证明我们提出的压水花方法是解决“波塞冬之吻”问题的有效方法。关键参数影响实验：考虑到不同用户拉出的翔重量不同，我们同样通过实验探究了翔的重量这一参数对于实验结果的影响，结果如图*所示，图中不同颜色的线表示了不同形状的翔。观察图中结果可知，**形状表现稳定，对于不同重量的翔都有不错的压水花效果。 (详细说明实验结果，可从多个角度证明方法的有效性：关键参数影响实验就是要证明方法在多种场景下的有效性；还有这里没有涉及到的消融实验，消融实验主要用在方法由多个部分组成的时候，证明方法每一部分的有效性。) 第六章结论在本论文中，我们通过模拟不同形状的翔溅起水花的实验，观察到**形状的翔溅起水花半径最小的现象。在此现象的基础上，我们提出了基于压水花的波塞冬之吻解决方法。实验表明，我们的方法能够保证溅起的水花半径最小。在未来的工作中，我们会从抽水马桶中液体介质等角度出发，继续致力于波塞冬之吻问题的解决。 (在结论部分总结论文中的工作，并对未来的工作提出展望) 有了上一章的基础，我们不仅可以总结和抽象出一篇论文的大致架构，也能更加深刻地理解论文写作所需的两种思维模式：套娃思维和说明书思维。下面分层级地展示一篇论文的架构：第一层套娃：标题——用一句话描述要解决的问题和解决问题的方法，或者只说明要解决的问题。第二层套娃：摘要——用一段话概括整篇论文做出的工作。分别用一句话描述问题发生的背景、问题的提出、解决问题的方法、该方法的效果、未来的工作如何继续开展。第三层套娃：引言——用一章的篇幅描述整篇论文做出的工作。可分别用一段的篇幅来描述第二层套娃中每一句话描述的内容。因为篇幅变长了，引言的内容会更加详细。另外，可以引用相关文献来证明自己的说法，增强论文说服力。第四层套娃：除引言外其余各章——对所做工作最细致的描述。相关工作：描述问题的背景；问题定义：描述要解决的问题；方法：描述解决问题的方法；实验：描述方法的实验效果；结论：总结论文做出的工作，并对未来工作进行展望。只要将实验结果合理地填充到上面的架构中，就可以将实验的结果转化为一篇易于检索和理解的论文了。如果你觉得我的文章有帮助的话，就点个赞再走吧~你的鼓励是我继续写作的动力~

本科一般不能高于30%，超过就不能答辩，不能答辩就意味着不能毕业。不能参考学长论文，尽量多看看书上的，因为本科论文学校用的是pmlc，可以检查到本科学长，一般的查重系统检测不到学长的，可以直接到图书馆查重，也可以到一些自助查重网站：PaperEasy、学术不端网、蚂蚁查重网等，全程自助安全。↓

大数据目标检测论文

大数据论文【1】大数据管理会计信息化解析

摘要：

在大数据时代下，信息化不断发展，信息化手段已经在我国众多领域已经得到较为广泛的应用和发展，在此发展过程，我国的管理会计信息化的应用和发展也得到了非常多的关注。

同时也面临着一些问题。

本文通过分析管理会计信息化的优势和应用现状以及所面临的的问题，以供企业在实际工作中对这些问题的控制和改善进行参考和借鉴。

关键词：

大数据;管理会计信息化;优势;应用现状;问题

在这个高速发展的信息时代，管理会计的功能已经由提供合规的信息不断转向进行价值创造的资本管理职能了。

而管理会计的创新作为企业管理创新的重要引擎之一，在大数据的时代下，管理会计的功能是否能够有效的发挥，与大数据的信息化，高效性、低廉性以及灵活性等特点是密不可分的。

一、大数据时代下管理会计信息化的优势及应用现状

在大数据时代下，管理者要做到有效地事前预测、事后控制等管理工作，在海量类型复杂的数据中及时高效的寻找和挖掘出价值密度低但是商业价值高的信息。

而管理会计信息化就能够被看做是大数据信息系统与管理会计的一个相互结合，可以认为是通过一系列系统有效的现代方法，

不断挖掘出有价值的财务会计方面的信息和其他非财务会计方面的综合信息，随之对这些有价值的信息进行整理汇总、分类、计算、对比等有效的分析和处理，

以此能够做到满足企业各级管理者对各个环节的一切经济业务活动进行计划、决策、实施、控制和反馈等的需求。

需要掌控企业未来的规划与发展方向就能够通过预算管理信息化来实现;需要帮助管理者优化企业生产活动就能够通过成本管理信息化对

供产销一系列流程进行监控来实现;需要对客观环境的变化进行了解以此帮助管理者为企业制定战略性目标能够通过业绩评价信息化来实现。

(一)预算管理信息化

在这个高速发展的信息时代下，预算管理对于企业管理而言是必不可少的，同时对企业的影响仍在不断加强。

正是因为企业所处的环境是瞬息万变，与此同此，越来越多的企业选择多元化发展方式，选择跨行业经营的模式，经营范围的跨度不断增大。

这就需要企业有较强的市场反应能力和综合实力，对企业的预算管理提出了新的发展挑战要求。

虽然不同企业的经营目标各不相同，但对通过环境的有效分析和企业战略的充分把握，从而进行研究和预测市场的需求是如出一辙的。

企业对需求的考量进而反应到企业的开发研发、成本控制以及资金流安排等各个方面，最终形成预算报表的形式来体现企业对未来经营活动和成果的规划与预测，

从而完成对企业经营活动事后核算向对企业经营活动全过程监管控制的转变。

然而从2013国务院国资委研究中心和元年诺亚舟一起做的一项针对大型国有企业的调研结果中得出，仅仅有4成的企业完成了预算管理的信息化应用，

大型的国有企业在预算管理信息化应用这方面的普及率都不高，足以说明我国整体企业的应用情况也不容乐观。

所以从整体上来讲,预算管理信息化的应用并未在我国企业中获得广泛的普及。

(二)成本管理信息化

企业由传统成本管理企业向精益成本管理企业转换是企业发展壮大的必然选择。

而基于大数据信息系统能够为企业提供对计划、协调、监控管理以及反馈等过程中各类相关成本进行全面集成化管理。

而进行成本管理的重中之重就是对企业价值链进行分析以及对企业价值流进行管理。

企业能够通过成本管理信息化对有关生产经营过程中的原材料等进行有效地信息记录及进行标示，并结合在财务信息系统中产生的单独标签，

使与企业有关的供应商、生产经营过程和销售等的过程全都处于企业的监控。

以此企业可以做到掌握生产经营的全过程，即能够通过财务信息系统实时了解到原材料的消耗，产品的入库及出库等一切企业生产经营活动。

同时，结合价值链的分析和价值流管理，企业通过将生产过程进行有效地分解，形成多条相互连接的价值链，运用信息化手段对企业的

每条价值链的成本数进行有效的追踪监管和综合分析，以此为基础为企业提出改进方案，并使用历史成本进行预测，达到减少企业的不需要的损失及浪费，最终达到优化生产经营过程。

虽然成本管理信息化是企业发展的一个重要趋势，以大数据信息技术为基础的信息系统可以使得企业完成全面的成本管理，给企业的成本管理带来了巨大的推动力。

然而信息化在成本控制方面的实施效果并不是很理想。

(三)业绩评价信息化

业绩评价是对企业财务状况以及企业的经营成果的一种反馈信息，当企业的绩效处于良好状态，代表企业的发展状况良好，

也反映了企业现阶段人才储备充足，发展处于上升期，由此企业定制扩张战略计划。

而当企业的绩效不断减少，代表企业的发展状况在恶化，也反映了企业的人才处在流失状态，企业在不断衰退，此时企业应该制定收缩战略计划。

企业进行业绩评价信息化的建设，通过对信息系统中的各类相关数据进行综合分析，有效地将对员工的业绩评价与企业的财务信息、顾客反馈、学习培训等各方面联系在一起。

对于企业而言，具备一套完善且与企业自身相适应的业绩评级和激励体系是企业财务信息系统的一个重要标志，也是企业组织内部关系成熟的一种重要表现。

然而，如今对于具备专业的业绩评价信息化工具平衡分卡等在企业的发展过程中并未得到广泛的应用。

其中最大的原因应该是对业绩评价的先进办法对于数据信息的要求比较简单，通常可以由传统方式获得。

所以，现如今能够完全将业绩评价纳入企业信息系统，并能够利用业绩评价信息化来提高企业管理效率的企业数量并不多。

二、大数据时代下管理会计信息化存在的主要问题

(一)企业管理层对管理会计信息化不重视

我国企业管理层对企业管理会计信息化建设存在着不重视的问题。

首先，对管理会计信息化概念和建设意义没有正确的认识，有甚至由于对于企业自身的认识不够充分，会对管理会计信息化的趋势产生了质疑和抵触心理。

再者，只有在一些发展较好的企业中进行了管理会计信息化的建设工作及应用，但是，企业应用所产生的效果并不是很理想，进而促使管理会计信息化在企业的发展速度缓慢。

(二)管理会计信息化程度较低

大数据时代下，信息化手段已经在我国众多领域已经得到较为广泛的应用和发展，在此发展过程，我国的管理会计信息化的应用和发展也得到了非常多的关注。

但是，由于管理会计在我国受重视程度不够，企业在进行管理会计信息化建设的过程中对与软件的设计和应用也要求较高，所以与管理会计信息化建设相关的基础建设还相对较落后。

(三)管理会计信息化理论与企业经管机制不协调

虽然随着国家政策鼓励和扶持，很多行业的不断涌现出新的企业，企业数量不断增多，但是由于这些企业在规模以及效益等方面都存在着较大的差距，同时在管理决策方面也产生了显著地差别。

很多企业在发展的过程中并没有实现真正的权责统一，产生了管理层短视行为，没有充分考虑企业的长远利益等管理水平低下的问题。

三、管理会计信息化建设的措施

(一)适应企业管理会计信息化发展的外部环境

企业在进行管理会计信息化建设时，要结合企业所处的外部环境进行全方面的规划和建设。

在企业进行规划和建设时，国家的法律法规等相关政策占据着十分重要的位置，需要对市场经济发展的相关法律法规进行充分理解和考虑，为企业管理会计信息化建设提供好的法律环境。

管理会计信息化系统的正常运转要求企业处于相对较好的环境之中，以此充分发挥出其应有的作用。

(二)管造合适的管理会计信息化发展内部环境

企业管理会计信息化的良好发展要求企业能够提供良好的内部环境。

树立有效推进企业管理会计信息化建设的企业文化，企业文化作为企业股东、懂事、管理层以及每个员工的价值观念体现，

有利于各级员工都能够正确认识到管理会计信息化建设的重要性，接受管理会计信息化的价值取向。

再者，企业要储备足够的管理会计人才,为管理会计信息化的建设提供源源不断的血液。

同时，为企业管理会计信息化建设提供强大的资金保障。

最后，对企业内部控制体系不断完善，为企业创造长足的生命力，为管理会计信息化赖以生存的环境。

(三)开发统一的企业信息化管理平台

在大数据时代下，信息化不断发展，对于企业而言，会同时使用多种不同的信息系统进行组合使用，并且这种情况在未来也可能将持续下去，企业需要建立综合统一的企业信息化管理平台。

四、结束语

管理会计信息化已经成为企业发展的重要趋势。

同时也面对着一些问题。

因此，相应的措施和不断地完善和改进是必不可少的，以此才能够促进管理会计信息化的不断发展。

作者：李瑞君单位：河南大学

参考文献：

[1]冯巧根.

管理会计的理论基础与研究范式[J].

会计之友,2014(32).

[2]张继德,刘向芸.

我国管理会计信息化发展存在的问题与对策[J].

会计之友,2014(21).

[3]韩向东.

管理会计信息化的应用现状和成功实践[J].

会计之友,2014(32).

大数据论文【2】大数据会计信息化风险及防范

摘要：

随着科学技术的不断进步和社会经济的不断发展，大数据时代的发展速度加快，同时也推动着会计信息化的发展进程，提高了企业会计信息化工作的效率和质量，资源平台的共享也大大降低了会计信息化的成本。

但大数据时代下会计信息化的发展也存在一定的风险。

本文将会对大数据时代下会计信息化中所存在的风险给予介绍，并制定相应的防范对策，从而使大数据时代在避免给会计

信息化造成不良影响的同时发挥其巨大优势来促进会计信息化的发展进程。

关键词：

大数据时代;会计信息化;风险;防范

前言

近年来经济全球化进程不断加快，经济与科技的迅猛发展，我国在经历了农业、工业和信息时代以后终于踏入了大数据时代。

大数据是指由大量类型繁多、结构复杂的数据信息所组成的`数据集合，运用云计算的数据处理模式对数据信息进行集成共享、

交叉重复使用而形成的智力能力资源和信息知识服务能力。

大数据时代下的会计信息化具有极速化、规模性、智能性、多元化、和即时高效等特点，这使得会计从业人员可以更方便快捷的使用数

据信息，并在降低经济成本的同时有效实现资源共享，信息化效率逐渐增强。

但同时大数据时代下的会计信息化也面临着风险，应及时有效地提出防范对策，以确保会计信息化的长久发展。

一、大数据时代对会计信息化发展的影响

(一)提供了会计信息化的资源共享平台

进入大数据时代以来，我国的科学技术愈加发达，会计信息化也在持续地走发展和创新之路，网络信息资源平台的建立使数据与信息资源可以共同分享，平台使用者之间可以相互借鉴学习。

而最为突出的成就便是会计电算化系统的出现，它改变了传统会计手工做账的方式，实现了记账、算账和报账的自动化模式，

提高了会计数据处理的正确性和规范性，为信息化管理打下基础，推进了会计技术的创新和进一步发展。

但是“信息孤岛”的出现证明了会计电算化并没有给会计信息化的发展带来实质性的变化。

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。

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）。

怎样根据确定的论文题目找文献

毕业论文外文文献方法是：我们首先要确定自己的论文题目，然后确定好大致的范围，规划哪些论点来支持论文，接下来我们才开始查找需要的文献资料。

1、提取关键词。

论文关键词可以从标题、正文中进行提取。有时候搜索外文文献的时候，我们可以扩大一下关键词范围，找些类似的也可以。

2、翻译关键词。

我们要想寻找外文文献，我们需要把我们的关键词翻译成英文，直接用英文关键词去搜索，这样可以有利我们找到好的外文文献。用英文关键词搜索，搜索出来的结果更有效。

3、进入学校图书馆。

一般学校都有自己的论文资源数据库，我们在图书馆计算机上可以找到，我们可以在里面寻找我们所需要的外文文献。

毕业论文为什么需要外文文献？

论文的完整性的需要：很多同学更倾向于中文文献，但外文文献的使用，可以更好的突出国际学术视野，使毕业论文更加完整。

外文文献一般较中文文献内容更新更快，严谨性更强。

外文文献阅读更好的帮助毕业生获得创新想法和解决办法。

英语是世界通用语言，世界上80%的文献资源都是用外文写的。

问题一：论文参考文献哪里找 5分还是进中国知网ki/吧问题二：写论文的参考文献哪里可以找到啊上期刊网，对论文的相关信息进行检索就可以找到相关的文献资料了。这里有期刊网网址： dlibki/kns50/ chinaqking/ 问题三：大学生毕业论文怎么找参考文献？建议你选题后，先看一些参考文献后在开始撰写毕业论文。从知网，万方，超星，维普搜关键字找参考文献。知网比较权威以及全。问题四：写论文的时候如何快速的查找参考文献？论文写作，先不说内容，首先格式要正确，一篇完整的论文，题目，摘要（中英文）订目录，正文（引言，正文，结语），致谢，参考文献。规定的格式，字体，段落，页眉页脚，开始写之前，都得清楚的，你的论文算是写好了五分之一。然后，选题，你的题目时间宽裕，那就好好考虑，选一个你思考最成熟的，可以比较多的阅读相关的参考文献，从里面获得思路，确定一个模板性质的东西，照着来，写出自己的东西。如果时间紧急，那就随便找一个参考文献，然后用和这个参考文献相关的文献，拼出一篇，再改改。正文，语言必须是学术的语言。一定先列好提纲，这就是框定每一部分些什么，保证内容不乱，将内容放进去，写好了就。参考文献去中国知网搜索，校园网免费下载。合适采纳问题五：如何快速的找论文的参考文献啊一般从中国知网下载论文时，知网会自动提供记录正确的所有参考文献，在论文的下方点击相应的参考文献链接就会自动跳转到相应的参考文献记录上去。当然，你也可以直接跳至论文的文后参考文献中去逐条寻找。问题六：写毕业论文时应该怎样查找参考文献？参考文献应该从哪里获取？这个的看你是写什么方面的。然后到网上好些书，贴在后面就可以了。问题七：论文的参考文献上哪去找啊？万方数据库，珐普资讯网，不过那都要掏钱。如果你是大学生的话，建议你去你们学校的机房去那下载，那应该是免费的。问题八：我写毕业论文,怎么找参考文献? 中国知网问题九：论文参考文献会查吗没事，只要论文正文ok，不是抄袭程度超过了标准，参考文献没事至于具体你标记的话是不是出自某个文献，只是机器系统查而已，没有人工在去翻阅你文献，只要控制好重复率总数就行了给你一份查重修改方法，见附件，供参考问题十：毕业论文应该怎样查找参考文献实话告诉你，找一篇论文，参考文献随便抄，页码随便改，关键是格式

怎样根据论文写开题报告

论文开题报告怎么写？分享论文开题报告模板给你！直接套用！

每一个内容都有参考句式，把自己的研究内容往上套即可。

1. 论题的背景及意义

例：...研究有利于全面...的特点，可以丰富现...的研究。

这一...研究可以弥补......研究的不足，深化与之密切相关......的研究......研究。

......角度进行研究，运用相关的......理论分析...问题，突破传统的......的角度去研......的模式，使......的研究能从一个新的角度获得解决方法。

2. 国内外研究现状

例：......在国际的研究现状；......国内的研究现状。

文献评述（把上面的国内外的研究现状总结一下即可）

3. 研究目标、研究内容和拟解决的问题

A研究目标与内容

例：

本文拟......分析......分析两部分。首先对......情况重新审视，深入分析......，然后与其相关的......进行异同比较，最后归纳......的类型，并得......启示。本文的研究重点是.....情况

B拟解决的问题

例：

根据对......的现有研究成果，在全面考察的......情况下，结合......综合考虑......因素，以确定......

绘制相应的......模型后，通过实验结论证实其......的有效性和合理性。

4. 研究方法

例：

文献研究法：通过图书馆、互联网、电子资源数据库等途径查阅大量文献，理解......等相关知识，理清......的发展脉络及研究现状，槐早搏学习......有关理论，获取......等相关数据信息，为设计......提供思路和参照。

实验铅祥研究法：通过设计......选取......，进行数据分析，考察.......。

统计分析法：运用......数据分析软件，采用人工操作和计算机统计向结合的方法，进行定性与定量分析。经过人工和计算机校对筛选睁戚出所有合乎要求的信息，在定量研究的基础上进行定性分析。

5. 创新之处和预期成果

例：

通过与现......技术的结合，使用......软件设计模型，......运用到......方面提供新的视角。

6. 进度计划（根据自己院校修改相应时间即可）

例：

2020年10月中旬-2020年11月底确定论文选题，完成开题报告及答辩。

2020年12月初-2021年1月底撰写论文大纲完成论文前X章

2021年2月初-2021年2月底撰写论文后X章，完成初稿。

2021年3月初-20213月底交导师审批修改，完成二稿。

2021年4月初-2021年4月底进一步修改格式，完成三稿。

2021年5月初-2021年5月中旬查重定稿，装订成册及论文答辩准备。

7. 已取得的研究工作成绩

例：

已积累了一定的相关文献，初步研读了其中的大部分文献，并将其分类以方便日后查阅参考，基本完成了本研究的准备工作。

8. 已具备的研究条件、尚缺少的研究条件和拟解决的途径

已具备的研究条件

例：

已经查阅到相关的论文和著作，并且研读了其的大部分文献，理清了论文的基本思路。

尚缺少的研究条件

例：

由......的使用权限有限，使得搜集到......不多，关......的搜集比较困难。

对......的理论知识的掌握还不够，自己......理论素养还不够深厚。

拟解决的途径

例：

利用图书馆的文献传递功能，向其他高校图书馆求助，同时向老师和前辈寻求帮助

论文开题报告写法如下：

一、选题的目的及意义。

选题的目的：平面广告设计对于平面广告传播及其效果具有重要影响特点在于围绕视觉形式动力进行设计，强调平面广告设计吸引受众注意，是遵循受众接受心理规律及视觉原理，充分传达广告信息，实现广告效果化。

选题的意义：本文把众多方法表现形式置于平面广告设计中，着重对平面广告设计这些新的视觉表现形式及方法进行研究与探讨，为平面广告设计注入新的活力，丰富平面广告形态的表情。

二、主要内容及提纲。

主要内容：阐述了平面广告设计中的概念与软件的运用，并举例说明。

1、平面广告的基本概念。

2、软件的功能及应用。

三、主要方法和措施。

主要方法：

1、社会考察（根据事例进行研究）。

2、文献参考（国内外研究资料的分析）。

3、网络信息研究（网络资料研究分析）。

主要措施：

1、老师的专业指导。

2、网络资源的利用。

3、图书馆查阅书籍资料。

四、主要参考文献。

1、《平面设计艺术》李砚祖、芦影编著，北京：中国人民大学出版社。

2、《中国艺术设计史》赵农编著，陕西：人民美术出版社。

3、《设计学概论》尹定邦编著，湖南：科学技术出版社。

1、本课题研究的现状。

2、本课题研究的内容。

3、本课题研究的意义。

选题意义和目的一般作为开题报告里面的第一块内容，是阐述你所研究的这个选题有没有专研究价值或者说讨论价值的。

写开题报告的目的，其实就是要请导师来评判我们这个选题有没有研究价值、这个研究方法有没有可能奏效、这个论证逻辑有没有明显缺陷。

写意义的时候根据你的选题来决定形式，可以分现实意义和理论意义，也可以不细分，把目的和意义和在一起写，总之突出你观点的新颖和重要性即可。

论文种类

1、专题型

这是分析前人研究成果的基础上，以直接论述的形式发表见解，从正面提出某学科中某一学术问题的一种论文。

2、论辩型

这是针对他人在某学科中某一学术问题的见解，凭借充分的论据，着重揭露其不足或错误之处，通过论辩形式来发表见解的一种论文。

3、综述型

这是在归纳、总结前人或今人对某学科中某一学术问题已有研究成果的基础上，加以介绍或评论，从而发表自己见解的一种论文。

4、综合型

这是一种将综述型和论辩型两种形式有机结合起来写成的一种论文。