目标检测论文开题
列固为了减小摩擦的是( )独讨论某一点的隶属度毫无意义。对 错 (1). 小的混酥面坯制品
医学论文开题报告范文模板
在正式动笔写作毕业论文之前要求学生写出开题报告，以便指导老师能根据学生对文献的综述和对所选论题的认识，确定其可行性。以下是我收集整理的医学论文开题报告范文模板，供大家参考和借鉴。
一、课题意义及国内外研究现状
1、选题意义
慢性肺源性心脏病，简称慢性肺心病，是由肺组织、肺血管或胸廓的慢性病
变引起的肺组织结构和(或)功能异常，产生肺血管阻力增加，肺动脉压力升高，使右心室扩张和(或)肥厚，伴或不伴有右心衰竭的一类心脏病，并排除先天性心脏病和左心病变引起者。肺心病在我国是常见病，多发病。二十世纪七十年代的普查结果表明，>14岁人群慢性肺心病的患病率为‰[1].据流行病学调查，在我国肺心病的发病率较高，人群中的平均患病率为，尤以东北和华北地区较多，在各种器质性心脏病中，肺心病所占的百分比分别为 18%~37%和12%~34%.肺心病患者多数预后较差，病死率在10%-15%左右，原发病及呼吸衰竭是其主要死因[2]，总体说明患病率仍然居高，仍是危害人生命健康的主要原因之一。
随着社会医疗保险制度的建立健全，慢性肺源性心脏病在基层医院的就诊率
增加，使得基层医务工作者对此病的研究越来越多。对于慢性肺心病的治疗原则是积极控制感染;畅通呼吸道;改善呼吸功能;纠正缺氧和二氧化碳潴留、控制呼吸和心力衰竭;控制心力衰竭;积极处理并发症。但在以往的'控制心力衰竭方面主要是增强心肌收缩力，减轻心脏负荷，扩张血管。在增强心肌收缩力方面，洋地黄类药物应用起来有一些弊端，尤其在慢性肺心病患者，常常合并电解质紊乱，因洋地黄安全范围较小，此种情况下极易导致洋地黄药物中毒，限制了洋地黄药物的应用;减轻心脏负荷方面，频繁的利尿易导致痰液粘稠，带来感染不易控制、窒息等麻烦;扩张血管药物会导致血压不稳定，不利于心力衰竭的纠正。如何做到既保证畅通呼吸道，纠正缺氧，又能够及早控制心力衰竭避免病情进一步加重，哪些指标能够尽早提示我们病情的转归，指导我们的治疗，避免过度医疗，成为慢性肺心病临床治疗重要课题。
丹参川芎注射液在呼吸系统疾病中应用广泛，本研究以呼吸内科确诊为慢性肺心病的患者为研究对象，在常规治疗的基础上加丹参川芎嗪注射液治疗，观察检测患者治疗前后，D-二聚体、N端脑钠肽及肌钙蛋白三项指标的变化，评估丹参川芎注射液对慢性肺源性心脏病的治疗效果，这对慢性肺源性心脏病合理治疗，改善患者生活质量，减少患者住院天数，降低医疗资源过度消耗有重要意义。
2、国内外研究现状：
丹参川芎嗪注射液采取祖国传统中医理论为基础研制而成，在国外研究相对较少。该药物价格便宜，应用广泛。在国内已有报道，在常规治疗基础上加丹参川芎嗪注射液有明显改善慢性肺心病患者的血液粘稠度，动脉血二氧化碳分压，动脉血氧分压，血红蛋白，红细胞压积及肺血流图的作用。丹参及川芎嗪均有抑制血小板凝聚，扩张冠状动脉，改善微循环，抗心肌缺血和心肌梗死的作用。丹参还能够调节心律，提高机体耐缺氧能力，有抗凝血，促进纤溶，抑制血栓形成的作用;能够降低血脂，抑制冠脉粥样硬化形成;能够抑制或减轻肝细胞变性、坏死及炎症反应，促进肝细胞再生，并有抗纤维化作用。川芎嗪有明显的镇静作用，而对延脑呼吸中枢、血管运动中枢及脊髓反射中枢具有兴奋作用，并对已聚集的血小板有解聚作用，有降低血液粘度，加速红细胞流速的作用。
亦有研究报道，D-二聚体是交联纤维蛋白特异性降解产物，血液中的D-二聚体是特异性反映体内高凝状态和继发纤溶亢进的标志之一，其水平的增高不仅可反映继发性纤溶亢进的存在，而且也间接地反映凝血酶活性的增强，对慢性肺心病高凝状态的诊断、疗效观察具有应用价值[3].血浆N端脑钠肽在慢性肺心病失代偿期显着升高，对肺心病的病情判断有一定意义，是检测急性充血性心力衰竭一种方便、及时、准确、有效的方法[4].肺心病患者急性发作期肌钙蛋白明显升高是病情危重的可靠信号，及时采取积极有效的救治措施，对于减少患者的病死率有重要意义[5].本研究预采用D-二聚体、N端脑钠肽及肌钙蛋白三项指标，综合评估丹参川芎嗪注射液对慢性肺源性心脏病的临床疗效，用以指导临床用药。
二、课题研究目标、研究内容和拟解决的关键性问题
1、课题研究目标：
(1)明确丹参川芎嗪注射液对慢性肺源性心脏病患者D-二聚体、N端脑钠肽及肌钙蛋白的影响。
(2)合理应用丹参川芎嗪注射液对能否改善慢性肺源性心脏病患者、生存质量、预后以及优化医疗资源配置的意义。
2、研究内容：
(1)观察患者治疗前后病情改善情况：观察HR，Rr，pH，CO2，PaCO2(mmHg)，PaO2(mmHg)，[HCO3-](mmol/L)，SaO2(%)指标。
(2)检测患者治疗前后血浆D-二聚体、N端脑钠肽及肌钙蛋白的生化指标。
3、拟解决的关键性问题：
(1)研究对象在治疗上的依从性，是保证该项研究完整进行的基本条件。(2)患者血浆D-二聚体、N端脑钠肽及肌钙蛋白生化指标的检测，目前在我院呼吸科都能对上述指标进行检测，减少标本送检中间环节，是保证标本信息准确可靠的关键。
三、拟采取的研究方法、技术路线、实验方案及其可行性分析
1、研究方法：
①入组标准：慢性肺心病采用叶任高、陆再英主编第6版内科学“肺动脉高压与肺源性心脏病”诊断标准。
②研究对象收集20xx年1月1日-20xx年12月31日在我院住院的40~90岁所有慢性肺心病患者，按性别、年龄、病情搭配的原则，将研究对象分为：研究组(常规治疗+丹参川芎注射液10ml静脉滴注)，对照组(常规治疗+丹参川芎注射液5ml静脉滴注)。均为1次/日，10-14天为一个疗程。研究组与对照组其他治疗相同。
③实验过程入院24小时内、出院前一天分别做血浆D-二聚体、N端脑钠肽及肌钙蛋白的检测，指标检测器械为：由南京普朗医疗设备有限公司生产FIA8000免疫定量分析仪，标本采集、操作过程均由研究者本人亲自承担。所有研究对象按计划完成血生化检查。血常规、肝功能、肾功能、电解质、凝血功能、二氧化碳、微生物等血生化指标检测均在我院检验科完成。
④数据分析对研究组、对照组各指标进行统计分析。
2、技术路线：
(1)收集病人。
(2)记录数据、整理资料。
(3)统计分析采用统计软件进行分析。
(4)得出结论，撰写论文
3、试验方案：入院24小时内、出院前一天分别做血浆D-二聚体、N端脑钠肽及肌钙蛋白的检测，指标检测器械为：由南京普朗医疗设备有限公司生产 FIA8000免疫定量分析仪，标本采集、操作过程均由研究者本人亲自承担。所有研究对象按计划完成血生化检查。血常规、肝功能、肾功能、电解质、凝血功能、二氧化碳、微生物等血生化指标检测均在我院检验科完成。
4、可行性分析：
(1)冬季慢性肺心病患者数量多，病例资料容易收集，而且丹参川芎嗪注射液在临床上应用广泛。
(2)我们医院呼吸科能够科内独立完成血浆D-二聚体、N端脑钠肽及肌钙蛋白的检测，可以轻松获得实验结果，余相关指标医院检验科也可获得。因此在选题上可行性较强。课题的研究得到科室的大力支持，相信可以圆满地完成课题。
四、课题的创新性
丹参川芎嗪注射液在呼吸科应用广泛，该药物对改善患者微循环已有较多研究。但在以往研究中，较少检测生化指标，或检测指标项目较少而不能全面准确的评估患者病情以及药物疗效，不能及时用来指导临床用药。因此本研究采用丹参川芎嗪注射液对慢性肺源性心脏病患者血浆D-二聚体、N端脑钠肽及肌钙蛋白的影响，以期客观评估临床疗效，及时的指导慢性肺源性心脏病的临床治疗，改善患者生活质量，减少住院天数，减少医疗资源不必要的浪费。
五、计划进度、预期进展和预期成果
1、计划进度：
(1)20xx年10月1日-20xx年12月31日收集病例。
(2)20xx、2整理及分析数据。
(3)20xx、2-20xx、3撰写论文、定稿。
2、预期进展：各项计划规定时间内完成。
3、预期成果：发表2篇文章。
参考文献：
[1]叶任高，陆再英。肺动脉高压与肺源性心脏病。内科学，第6版，第二篇，第九章。
[2]蒲芋伶。浅谈慢性肺源性心脏病的护理和健康教育。求医问药，1672-2523(2012)10-0191-01.
[3]童亚玲，李乾兵，徐建林。慢性肺心病急性加重期患者动脉血气、血浆BNP与D-二聚体、及血流变学相关研究。皖南医学院学报[J]，2013，32(4)：1002-0217(2013)04-0278-03.
[4]仇爱民，陶章，张梅林等。脑钠肽对评估慢性阻塞性肺病和慢性肺源性心脏病严重程度的意义[J].临床肺科杂志。(4)：：631-632.
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
开题报告指导意见（精选9篇）
老师的指导意见一般为：该论文构思较为严密，论题较为新颖，具有一定的社会现实意义，拟采取的研究方法合理，目标可行，可以开题。
该生通过与课题组成员和老师充分讨论，参考了许多文献，确定了具有一定的市场价值的课题。本课题初步确定的电路原理图合理，设计思路基本明确，通过设计和研究可以提高开发电子产品的能力。本课题的研究方法和研究步骤基本合理，难度合适，学生能够在预定时间内完成该课题的设计。
同意该课题开题。
该生对选题与老师进行了充分讨论，符合思想政治教育专业毕业论文要求，参考了许多文献，具有一定的实用价值。本选题是学生所学专业知识的延续，符合学生专业发展方向，对于提高学生的基本知识和技能，对于提高学生的研究能力有益。研究方法和研究计划基本合理，难度合适，学生能够在预定时间内完成该论文的设计。
学生xx的选题，紧扣专业方向、紧扣现实，做到理论与实践结合、与实习体会结合，有现实意义，有完成选题的能力和条件，其开题报告体现了我院培养高级实用型人才的目标的要求。
且该生对于所开课题进行了较为详尽的调研，参考了许多文献，最后确定的课题具有一定的实用价值。本课题是学生所学专业知识的延续，符合学生专业发展方向，对于提高学生的基本知识和技能，对于提高学生的研究能力有益。研究方法和研究计划基本合理，难度合适，学生能够在预定时间内完成该课题的设计。
同意该课题开题。
该生对本课题相关的知识与理论研究比较透彻，参考了许多的文献资料，具有一定的研究价值。
本课题结构合理，内容完整，主要观点突出，并且时效性强，是学生学习方向的.延续，对于提高学生的能力有利。
同意该课题开题。
论文选题与专业结合较紧密，选题的范围比较适中。该选题的研究具有一定的实践指导意义。论文的结构完整，包括引言、正文和结论。论文的内容安排合理，逻辑关系清晰，紧扣论文主题。拟采取的研究方法具有一定的合理性。整个论文按时完成的可行性较大。在下一阶段写作中，要注意研究方法的正确应用，在深入分析的基础上提出切合实际的、有较强针对性的具体建议。该开题报告符合要求，同意该同学开题，并进入下一阶段的论文写作。
课题立意明确，技术路线可行，研究内容充实，研究方法切实有效，学生本人对相关领域的国内外现状有较为全面地了解，现开展的工作为完成课题提供了多方面的便利，相信能够完成课题，并撰写出达到硕士学位论文要求的毕业论文。
XX同学所设计的题目是智能锅炉温度控制系统，题目来源于生活生产实际。题目涉及到信号检测与处理、微机控制技术、单片机应用技术等专业知识，具有一定的深度和广度;该同学在开题期间收集并查阅了一定的技术资料，对所设计的系统任务基本明确，设计思路比较清晰，控制方案选择较为合理、可行，对选择的器件进行了较为详细的论证;工作量适中，工作计划安排合适，预测按计划安排抓紧时间进行设计，可以如期完成设计任务。
开题答辩通过，同意进入毕业设计。
同意开题。
指导教师审核意见要能反映以下几点：
1.学生开题报告中对选题来源研究现状和发展趋势了解情况;
2.学生开题报告中研究的基本内容、研究的主要问题、研究的方向是否明确;
3.学生开题报告中研究的方法及措施是否可行;
4.学生开题报告中研究工作的步骤、进度安排是否合理，特别要注意学生开题报告中的时间安排与本人下发的任务书规定的时间安排要相呼应;
5.是否同意开题;
注：以上审核意见及签名均要求指导老师手写，不能电脑打印!
该实习生在实习期间，表现出强烈的敬业精神，深厚的专业思想和良好的师德。实习态度极其认真，工作积极、细心、踏实，能虚心接受指导，较好地掌握运用管理方法与技巧。
我们一起起早贪黑，全身心投入班级管理。能较快地熟悉班情，独立妥善处理班级日常事物。热爱学生、关心学生，特别注意了学生的个别教育，效果良好，班级各项考核均居年级首位。因此深受学生爱戴。被师生一致认为是一位非常优秀的实习班主任。
xx在我校实习期间工作认真，勤奋好学，踏实肯干，服从分配,尊敬指导教师及实习单位人员，能够虚心向富有经验的教师请教，虚心听取别人提出的工作建议。能将所学理论指导实际工作，热爱本职工作,关心爱护学生,保质保量完成各项工作任务。
同时，该生严格遵守我校的各项规章制度，实习期间，未曾出现过无故缺勤，迟到早退现象，并能与同事和睦相处，表现出强烈的敬业精神，深厚的专业思想和良好的师德。经过实习期间的工作和学习，该生基本上完成了单位交给的各项任务，综合素质得到较大提高，达到了实习的目的。
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。
ssd目标检测论文
论文里的目标值就是你要围绕什么目标写论文啊，要达到什么水平
作为计算机视觉三大任务（图像分类、目标检测、图像分割）之一，目标检测任务在于从图像中定位并分类感兴趣的物体。传统视觉方案涉及霍夫变换、滑窗、特征提取、边界检测、模板匹配、哈尔特征、DPM、BoW、传统机器学习（如随机森林、AdaBoost）等技巧或方法。在卷积神经网络的加持下，目标检测任务在近些年里有了长足的发展。其应用十分广泛，比如在自动驾驶领域，目标检测用于无人车检测其他车辆、行人或者交通标志牌等物体。
目标检测的常用框架可以分为两类，一类是 two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是 one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表。
Two-stage的方式面世比较早，由于需要将兴趣区域检测和分类分开进行，虽然精度比较高，但实时性比较差，不适合自动驾驶无人车辆感知等应用场景。因而此次我们主要介绍一下SSD和YOLO系列框架。
SSD与2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 一文中提出。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确。
SSD的框架在一个基础CNN网络（作者使用VGG-16，但是也可以换成其他网络）之上，添加了一些额外的结构，从而使网络具有以下特性：
用多尺度特征图进行检测 作者在VGG-16后面添加了一些特征层，这些层的尺寸逐渐减小，允许我们在不同的尺度下进行预测。越是深层小的特征图，用来预测越大的物体。
用卷积网络进行预测 不同于YOLO的全连接层，对每个用于预测的 通道特征图，SSD的分类器全都使用了 卷积进行预测，其中 是每个单元放置的先验框的数量， 是预测的类别数。
设置先验框 对于每一个特征图上的单元格，我们都放置一系列先验框。随后对每一个特征图上的单元格对应的每一个先验框，我们预测先验框的 维偏移量和每一类的置信度。例如，对于一个 的特征图，若每一个特征图对应 个先验框，同时需要预测的类别有 类，那输出的大小为 。（具体体现在训练过程中） 其中，若用 表示先验框的中心位置和宽高， 表示预测框的中心位置和宽高，则实际预测的 维偏移量 是 分别是：
下图是SSD的一个框架，首先是一个VGG-16卷积前5层，随后级联了一系列卷积层，其中有6层分别通过了 卷积（或者最后一层的平均池化）用于预测，得到了一个 的输出，随后通过极大值抑制（NMS）获得最终的结果。
图中网络用于检测的特征图有 个，大小依次为 ， ， ， ， ， ；这些特征图每个单元所对应的预置先验框分别有 , , , , , 个，所以网络共预测了 个边界框，（进行极大值抑制前）输出的维度为 。
未完待续
参考： chenxp2311的CSDN博客：论文阅读：SSD: Single Shot MultiBox Detector 小小将的知乎专栏：目标检测|SSD原理与实现 littleYii的CSDN博客：目标检测论文阅读：YOLOv1-YOLOv3（一）
作者的其他相关文章： 图像分割：全卷积神经网络（FCN）详解 PointNet：基于深度学习的3D点云分类和分割模型 详解 基于视觉的机器人室内定位
2020目标检测论文
在谷歌学术搜索中，存有高达4亿篇论文的数据库。论文被引用的数据可以作为证明文章影响力的依据。即使这个方法有局限性，但在更大程度上，反映了当今社会的进展和科学的进步。
1《亚当：一种随机优化方法 》 Adam: A Method for Stochastic Optimization。文章发布于2015年，引用数为47774。
截止2020年为止，这篇文章达到了，人类可知的引用最高数。一篇涉及人工智能的文章获得最高引用，证实了科学界对人工智能的注重。不仅是科学界对人工智能领域有巨大的兴趣，而且欧美国家也正在把人工智能作为未来的主要发展对象。美国把对人工智能的投资提高了一倍，欧盟也把投资提高了百分之70。《亚当：一种随机优化方法 》能够获得最高引用，正说明在未来人工智能上，将展开激烈竞争。无独有偶，跟着这篇文章后面，引用最多的文章多是涉及人工智能。
2《图像识别的深度残差学习》 Deep Residual Learning for Image Recognition 文章发布于2016年，引用数为25256。
深度残差学习的概念出自何凯明等4名中国学生。何凯明来自清华大学物理系，现是脸书人工智能的科学家。从文章的引用数量来看，足以显示，他提出的这个方法对该行业的影响。
3《让R-CNN更快: 朝着带有区域建议网络 的实时目标检测》 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks发表于2015，引用数为19507。
4《深度学习》 Deep Learning, 文章发布于2015年，引用数为16750。
5 《带着缠绕走得更深》 Going deeper with Convolutions， 文章发布于2015年，引用数为14424。
这篇文章已经成为计算机图像处理必读论文之一。
6《通过深层强化学习的人类层面的控制》 Human-Level control through deep reinforcement learning 文章发布于2015年，引用数为10394。
7 《语义分割的完全常规网络》 Fully Conventinal Networks for Semantic segmentation 文章发布于2015年，引用数为10153。
9 《 脓毒症与脓毒症休克第三版国际共识 》 The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3) 文章发布于2016年，引用数为8576。
10《RNA测序和微阵列研究中 Limma 强化差异表达分析》 Limma porwers defferential expression analyses for RNA-sequencing and microarray studies 文章发布于2015年，引用数为8328。
第9和第10篇是前十名论文中，和计算机没有关系的两篇医学论文。这是否意味着，未来对人类社会影响最大的，除了人工智能就是医学了呢？
最后要提到的这篇文章，虽然没有进入第10，但值得一提。 《以深度神经网络和树搜索掌握围棋战略》 Mastering the game of Go with deep neural networks and tree search发布于2016年，引用数为8209。
这篇文章涉及的是伦敦大学学院的教授David Silver, 他领导的AlphaGo团队击败了围棋九段棋手柯洁。人工智能击败了最强大脑，没有什么能比这更能说明人工智能的前途，同时也可能是一个细思极恐的大事件。在机器击败人的时代，人怎么办？
论文: EfficientDet: Scalable and Efficient Object Detection
目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战:
FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地直接相加，然而由于不同的特征是不同的分辨率，对融合输出特征的共享应该是不相等的。为了解决这一问题，论文提出简单但高效加权的bi-directional feature pyramid network(BiFPN)，该方法使用可学习的权重来学习不同特征的重要性，同时反复地进行top-down和bottom-up的多尺度融合
论文认为除了缩放主干网络和输入图片的分辨率，特征网络(feature network)和box/class预测网络的缩放对准确率和性能也是很重要的。作者借鉴EfficientNet，提出针对检测网络的混合缩放方法(compound scaling method)，同时对主干网络，特征网络和box/class预测网络的分辨率/深度/宽度进行缩放
最后，论文将EfficientNet作为主干，结合BiFPN和混合缩放，提出新的检测系列EfficientDet，精度高且轻量，COCO上的结果如图1，论文的贡献有以下3点：
定义多尺寸特征 ，论文的目标是找到变化函数 来高效融合不同的特征，输出新特征 。具体地，图2a展示了top-down FPN网络结构，一般FPN只有一层，这里应该为了对比写了repeat形式。FPN获取3-7层的输入 ， 代表一个分辨率为 的特征层
top-down FPN操作如上所示， 为上采用或下采样来对齐分辨率， 通常是特征处理的卷积操作
top-down FPN受限于单向的信息流，为了解决这一问题，PANet(图2b)增加了额外的bottom-up路径的融合网络，NAS_FPN(图2c)使用神经架构搜索来获取更好的跨尺度特征网络的拓扑结构，但需要大量资源进行搜索。其中准确率最高的是PANet，但是其需要太多的参数和计算量，为了提高性能，论文对跨尺寸连接做了几点改进：
大多的特征融合方法都将输入特征平等对待，而论文观察到不同分辨率的输入对融合输出的特征的贡献应该是不同的。为了解决这一问题，论文提出在融合时对输入特征添加额外的权重预测，主要有以下方法：
， 是可学习的权重，可以是标量(per-feature)，也可以是向量(per-channel)，或者是多维tensor(per-pixel)。论文发现标量形式已经足够提高准确率，且不增加计算量，但是由于标量是无限制的，容易造成训练不稳定，因此，要对其进行归一化限制
，利用softmax来归一化所有的权重，但softmax操作会导致GPU性能的下降，后面会详细说明
，Relu保证 ， 保证数值稳定。这样，归一化的权重也落在 ，由于没有softmax操作，效率更高，大约加速30%
BiFPN集合了双向跨尺寸的连接和快速归一化融合，level 6的融合操作如上， 为top-down路径的中间特征， 是bottom-up路径的输出特征，其它层的特征也是类似的构造方法。为了进一步提高效率，论文特征融合时采用depthwise spearable convolution，并在每个卷积后面添加batch normalization和activation
EfficientDet的结构如图3所示，基于one-stage检测器的范式，将ImageNet-pretrained的EfficientNet作为主干，BiFPN将主干的3-7层特征作为输入，然后重复进行top-down和bottom-up的双向特征融合，所有层共享class和box网络
之前检测算法的缩放都是针对单一维度的，从EfficientNet得到启发，论文提出检测网络的新混合缩放方法，该方法使用混合因子 来同时缩放主干网络的宽度和深度、BiFPN网络、class/box网络和分辨率。由于缩放的维度过多，EfficientNet使用的网格搜索效率太慢，论文改用heuristic-based的缩放方法来同时缩放网络的所有维度
EfficientDet重复使用EfficientNet的宽度和深度因子，EfficinetNet-B0至EfficientNet-B6
论文以指数形式来缩放BiFPN宽度 (#channels)，而以线性形式增加深度 (#layers)，因为深度需要限制在较小的数字
box/class预测网络的宽度固定与BiFPN的宽度一致，而用公式2线性增加深度(#layers)
因为BiFPN使用3-7层的特征，因此输入图片的分辨率必需能被 整除，所以使用公式3线性增加分辨率
结合公式1-3和不同的 ，论文提出EfficientDet-D0到EfficientDet-D6，具体参数如Table 1，EfficientDet-D7没有使用 ，而是在D6的基础上增大输入分辨率
模型训练使用momentum=和weight decay=4e-5的SGD优化器，在初始的5%warm up阶段，学习率线性从0增加到，之后使用余弦衰减规律(cosine decay rule)下降，每个卷积后面都添加Batch normalization，batch norm decay=，epsilon=1e-4，梯度使用指数滑动平均，decay=，采用 和 的focal loss，bbox的长宽比为 ，32块GPU，batch size=128，D0-D4采用RetinaNet的预处理方法，D5-D7采用NAS-FPN的增强方法
Table 2展示了EfficientDet与其它算法的对比结果，EfficientDet准确率更高且性能更好。在低准确率区域，Efficient-D0跟YOLOv3的相同准确率但是只用了1/28的计算量。而与RetianaNet和Mask-RCNN对比，相同的准确率只使用了1/8参数和1/25的计算量。在高准确率区域，EfficientDet-D7达到了，比NAS-FPN少使用4x参数量和计算量，而anchor也仅使用3x3，非9x9
论文在实际的机器上对模型的推理速度进行了对比，结果如图4所示，EfficientDet在GPU和CPU上分别有和加速
论文对主干网络和BiFPN的具体贡献进行了实验对比，结果表明主干网络和BiFPN都是很重要的。这里要注意的是，第一个模型应该是RetinaNet-R50(640)，第二和第三个模型应该是896输入，所以准确率的提升有一部分是这个原因。另外使用BiFPN后模型精简了很多，主要得益于channel的降低，FPN的channel都是256和512的，而BiFPN只使用160维，这里应该没有repeat
Table 4展示了Figure 2中同一网络使用不同跨尺寸连接的准确率和复杂度，BiFPN在准确率和复杂度上都是相当不错的
Table 5展示了不同model size下两种加权方法的对比，在精度损失不大的情况下，论文提出的fast normalized fusion能提升26%-31%的速度
figure 5展示了两种方法在训练时的权重变化过程，fast normalizaed fusion的变化过程与softmax方法十分相似。另外，可以看到权重的变化十分快速，这证明不同的特征的确贡献是不同的，
论文对比了混合缩放方法与其它方法，尽管开始的时候相差不多，但是随着模型的增大，混合精度的作用越来越明显
论文提出BiFPN这一轻量级的跨尺寸FPN以及定制的检测版混合缩放方法，基于这些优化，推出了EfficientDet系列算法，既保持高精度也保持了高性能，EfficientDet-D7达到了SOTA。整体而言，论文的idea基于之前的EfficientNet，创新点可能没有之前那么惊艳，但是从实验来看，论文推出的新检测框架十分实用，期待作者的开源
目标检测cvpr论文
一篇cvpr能进大厂。
“一篇cvpr能进大厂。看你说的教职是什么。如果是顶级大学比如985，找教授级别的，别想了，至少5篇才有机会。如果是顶级大学研究员、博后啥的，有机会的。只要你的导师推你你就可以去，当然前提是你的导师要足够强，在领域里面有足够的影响力。
如果是次级一点的比如211，教授级别的还是找不到，研究员倒是不用那么看出身也有机会。但研究员/博后这些都是要看产出的。论文压力又大，实验室琐事又多，工资还少。
国际计算机视觉与模式识别会议（CVPR）是IEEE一年一度的学术性会议，会议的主要内容是计算机视觉与模式识别技术。CVPR是世界顶级的计算机视觉会议（三大顶会之一，另外两个是ICCV和ECCV），近年来每年有约1500名参加者，收录的论文数量一般300篇左右。本会议每年都会有固定的研讨主题，而每一年都会有公司赞助该会议并获得在会场展示的机会。
cvpr会议概况
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。
CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定论文是否可被接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议 。在巴西教育部的排名中排名为A1。基于微软学术搜索(Microsoft Academic Search)2014年的统计，CVPR中的论文总共被引用了169,936次。
香港中文大学教授汤晓鸥率领的团队在全球范围内做出了大量深度学习原创技术突破：2012年国际计算视觉与模式识别会议（CVPR）上仅有的两篇深度学习文章均出自其实验室；
2011—2013年间在计算机视觉领域两大顶级会议ICCV和CVPR上发表了14篇深度学习论文，占据全世界在这两个会议上深度学习论文总数（29篇）的近一半。他在2009年获得计算机视觉领域两大最顶尖的国际学术会议之一CVPR最佳论文奖，这是CVPR历史上来自亚洲的论文首次获奖。
cvpr论文相当于sci一区论文吗？解析如下：
sci一区是泛指一大类期刊。里面有很多高水平杂志，也有很多一般水平杂志，cvpr是顶尖级的，国内外很多教授穷其一生都无法在其上面发表哪怕一篇文章，它的含金量非常高。
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。
美国《科学引文索引》(Science Citation Index, 简称 SCI )于1957 年由美国科学信息研究所(Institute for Scientific Information, 简称 ISI)在美国费城创办，是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。
SCI(科学引文索引 )、EI(工程索引 )、ISTP(科技会议录索引 ) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。