论文主题标引的深度
非规范化语言 ：也称非受控语言，就是从原始信息中抽取出自由词作为检索点的检索语言。规范化语言 ：又叫受控语言或人工语言，就是人为的对标引词和检索词加以控制和规范，使每个检索词只能表达一个概念。主题法 ：以自然语言的语词经过规范处理后，直接作为文献主题标识，并按字顺排列，结合参照体系和其他方法来间接地显示概念之间的关系，提供从事物名称检索的途径。叙词 ：一些以概念为基础的，经过规范化和优选处理的，具有匹配功能，并能显示词语间语义关系和动态性的词和词组。关键词 ：指那些出现在文献标题（篇名，章节名）乃至摘要、正文中，对表征文献主题内容具有实质意义的语词，亦即对揭示和描述文献主题内容来说是重要的、带关键性的（可以作为检索入口的）那些语词。关键词法 ：将文献原来用的，能描述其主题概念的那些具有关键性的词抽出，不加规范或只作极少量的规范化处理，按字顺排列，以提供检索途径的方法。自动标引 automatic indexing ：也称计算机辅助标引，根据文献内容，依靠计算机系统全部的或部分的自动给出标引符号的过程。主题标引 ：是一种将文献主题的自然语言形态，转换为主题法语言形态的标引，这是建立主题检索系统的依据。受控标引 ：是用规范化的检索语言如分类语言，叙述语言等作为描述和表达文献主题检索标识的标引。自由标引 ：是直接使用自然语言中未经规范的自由词，关键词作为表达文献主题检索标识的标引。标引深度 indexing depth ：是指对一篇文献情报内容进行周详标引的程度，或者说标引一篇文献的主题数量，简单的表述就是给予一篇文献的检索标识数量。深标引 ：指对文献内容做完全的标引，即不仅标引文献的主要论点，而且标引次要讨论的但仍有重要性的内容。浅标引 ：指仅标引文献主要论点的内容，即对主要概念进行的标引。概念组配 ：指能够确切表达复合概念词构成成分的各个主题词的组配，来表达复合概念含义的一种方法，其组配结果不着重于字面上是否与自然语言的复合词形相符。概念相交： 同级词组配，这是在两个或两个以上的具有概念交错关系的同级主题词之间进行的逻辑推演，组配结果所形成的新概念，是原来两个概念的种概念。概念限定 ：即方面词组配，指由一个事物的叙词和另一个事物的属性或某个方面词进行的组配，方面组配应以文献中论述的事物作为主体因素进行标引，其结果表达一个专指的概念。
公文的主题词是适应机关办公自动化、公文处理规范化的需要，从公文标题选取转换出来的，能反映公文主题概念的词或词组。公文主题词的标引主要依据是由国务院办公厅秘书局制定的《国务院公文主题词表》。此外，各地区和各行业都结合自身公文处理实际，制订了各自的主题词表。我们水利部黄河水利委员会公文处理的主题词标引，使用《黄河水利委员会公文主题词表》。 一、主题词标引程序三步走 第一步：审读文件，分析主题。 首先通读公文，了解公文的主要内容和发文意图。一般来说，审读文件标题，进行主题词标引是文秘人员常用的方法。如文件标题能概括公文的主要内容，就从标题入手分析主题。否则，就要从公文的内容入手进行主题分析。 其次分析主题。首先看一篇公文标题是单一型的主题还是多个主题。单主题标引时用多个表达同一概念主题词，多主题用分组的多个主题词分别表达各自的主题概念。 分析主题重点是主题结构分析。即分析主题里面的主要成分和次要成分以及它们之间的关系。《黄河水利委员会公文主题词表》将主题结构次序分为主体因素、通用因素、空间因素、文种因素五类。 第二步：提炼、转换主题概念。 经过分析主题类型和主题结构后，就掌握了一份文件的全部主题概念。对这些主题概念，并不完全需要标引出来，而应当去粗取精，有所取舍。要提炼标引那些最重要的、专指性的主题概念，舍弃一般的主题概念。 对提炼出的公文真正具有检索意义的主题概念，查公文主题词表将其准确、规范、科学地转换成主题词。查表取词的主要途径： （1）直接查字顺表，适用于析出的主题概念与主题词表的词一致或接近。可以用拼音、也可用部首来查。 （2）查范畴索引。主要适用两种情况，一是公文主要内容集中于某一范畴，为提高标引效率，可先查范畴索引；二是主题概念一时找不到合适的词，但范畴比较明确，也可查范畴索引。 （3）查词族索引。适用于查比较复杂的主题概念时，从复合主题的某一词素入手，克服复杂主题查找时词汇形式难以确定的困难。 第三步：标引记录，审核校验。主题词成功转换后，根据《国家机关公文格式》规定，将主题词标注在公文末页下部抄送栏目左上侧。词目之间空一字，不用标点符号，按主体、通用、空间、时间、文种等要素，依次进行著录。 在结束主题词标引之前，必须对标引结果进行审核。审核的主要内容有： （1）主题概念提炼是否准确、全面，有无漏项； （2）主题词的转换是否符合标强规则和组配规则； （3）同类型公文所选用的主题词是否一致； （4）标引记录有无遗漏等。如发现问题，及时纠正补救。 二、主题词标引三要 一要准，即主题词的标引对公文的内容揭失要准确，包括两个方面的内容， （1）在主题分析过程中对公文主要内容的分析和提炼是否准确， （2）对分析出来的主题概念转换成主题词准确。 二要全，标引主题尽量能全面反映公文的主题内容，不能漏标。黄委系统公文主题词标引深度不超过7个。 三要专，即标引的主题词与公文主要内容的相符程度，一般说来，对于一个公文主题概念只有一个专指的主题词。这是衡量主题词揭失主题概念精度的一个重要因素。 三、主题词标引三不 一是不能使用表外词。有很多人在标引主题词时，往往都是从标题中抽取几个关键词进行标引，根本没有由于使用主题词表转换，致使标引的主题词出现了表外词，这是主题词标引的大忌。 二是不能颠倒顺序。主题词的标引按照主体、通用、空间、时间、文种五大因素的顺序排列。但是有很多人都是依据公文的标题，从前向后依次标引。 三是不能字面组配。主题词标引时经常遇到待标的主题概念没有现成的主题词可供直接标引，必须先将该主题概念分解成二个以上的简单的主题概念，然后再分别用相应的主题词进行转换。分解时应将主题概念分解成两个或多个有交叉关系的子概念，或者是有限定关系的子概念，切忌避免字面拆分。 主题词标引是一项基础性工作，也是技术性很强的工作。做好这项工作，不仅需要从业人员熟悉使用的标引工具，熟练掌握标引规则和方法，而且还要掌握相应的专业知识，更需要从业人员严谨、认真、踏实的作风。限于篇幅，不再一一赘述。
文学深度的论文题目
以下题目作为参考：
1、中国古代神话传说中的女性形象 （或其他形象）
2、 试析《诗经》中的婚恋诗（或选“战争诗”、“农事诗”）
3、 建安文学研究（需选定一个角度）
4、 论宫体诗的审美情趣与文化心理
5、 唐代宫廷诗研究（需选定一个角度）
6、 浅谈唐代边塞诗的演变
7、 唐诗中的女性形象
8、 唐传奇中的侠客形象
9、 唐五代曲子词研究（需选定一个角度）
10、 宋词的跨文化传播（需选定一个角度）
汉语言文学呢，我一向建议从三个方向去写，一个是文学，一个是语言学，一个是民俗学。
对于文学呢，在我的写作生涯中，明清小说居多。但是这里也有一个问题，明清小说其实研究得很多很多了，再难翻出新意了。真的。如果老师没有特别的要求，而你也没有什么好的方向呢，我建议几个题目，希望可以给你一些参考。
比如明代宦官专权对文人文风的影响，比如正德文坛的大佬，李梦阳啊，王阳明啊。
比如你可以写才子佳人小说，将其中的媒介，媒约的叙事功能做一个演变对比。
比如你可以写诗歌，如果选唐诗我建议你写李贺和白居易，一个诗歌辞赋化，一个诗歌通俗化。
如果你写人，那么有很多比如袁枚，他的翻案诗值得研究研究。
如果你写当代文学，我建议写金庸或者网络玄幻，金庸呢其实有一个点，关于对传统侠文化的继承和创新，在引申出一个点，如何处理情和义的关系。至于网络玄幻小说呢，我建议和先秦神话联系起来，比如山海经里面神话形象的重构。
至于选择语言学呢，这个一般不建议写，很麻烦的。比如你要写语言暴力现象，可以从语义—语用角度分析，可以集中在动画动漫上。还有的写网络新兴词缀，要是从模因理论还行。至于民俗学呢，写的一般偏少，但是真心好写。
我们写作古代文学论文时，首要任务就是要确定论文的题目，一个好的题目起到了事半功倍的作用。下面是我带来的关于古代文学论文题目的内容，欢迎阅读参考! 古代文学论文题目(一) 1. 汉魏六朝书信体 散文 研究 2. 汉初政论散文研究 3. 梁园文人群体的辞赋创作考论 4. 汉武帝时期辞赋考论 5. 论司马相如赋的现实政治企向 6. 论《史记》中下层人物的描写 7. 论《史记》的叙事艺术 8. 论汉乐府诗的艺术成就 9. 南北朝乐府民歌艺术风格比较 10. 论《古诗十九首》中的人生思考和抒情技巧 11. 论邺下文人的游宴活动与游宴诗创作 12. 论曹植诗歌的整体风格 13. 正始文学与建安文学异同论 14. 论魏晋隐逸之风与魏晋文学 15. 阮籍咏怀诗略论 16. 左思咏史诗略论 17. 试论陶渊明的人格和诗风 18. 陶渊明与谢灵运诗歌比较研究 19. 试论陶渊明田园诗的艺术风格 古代文学论文题目(二) 1. 浅谈陶渊明的出仕与归隐 2. 试论陶渊明诗歌中的鸟、酒和菊等意象 3. 谢灵运山水诗略论 4. 南朝宫体诗略论 5. 试论《世说新语》刻画人物 6. 唐前女性作家诗文创作论略 7. 略论《诗经》中的民俗描写 8. “风”“雅”“颂”研究综述 9. 孔子“删诗”说检讨 10. 《论语》文学性检讨 11. “女娲” 故事 流变探略 12. 中国洪水神话考论 古代文学论文题目(三) 1、试论《诗经》中的婚恋诗 2、试论《诗经》中的战争徭役诗 3、试论《诗经》中的政治讽刺诗 4、《诗经》宴飨诗与礼乐 文化 精神研究 5、《诗经》意象论 6、《诗经》抒情手段论 7、论楚辞的来源及其文体特征 8、试论《离骚》抒情主人公形象 9、试论屈原香草美人似的比兴手法对后世文学的影响 10、论汉人评屈 11、论班固评屈 12、论刘勰评屈 13、两汉骚体文学创作略论 14、魏晋南北朝骚体文学创作略论 15、论《左传》对中国古典小说的影响 16、《左传》行人辞令研究 17、《左传》、《战国策》行人辞令比较研究 18、论《庄子》中的畸人形象的描写及其思想蕴涵 19、《庄子》寓言探略 20、汉楚歌略论 猜你喜欢： 1. 浅谈古代文学论文 2. 古代文学毕业论文题目大全 3. 古代文学论文题目 4. 有关古代文学毕业论文选题 5. 古代文学论文选题方向
深度学习目标检测论文
Since we combine region proposals with CNNs, we call our method R-CNN: Regions with CNN features. 下面先介绍R-CNN和Fast R-CNN中所用到的边框回归方法。 为什么要做Bounding-box regression？ 如上图所示，绿色的框为飞机的Ground Truth，红色的框是提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准(IoU<)，那么这张图相当于没有正确的检测出飞机。如果我们能对红色的框进行微调，使得经过微调后的窗口跟Ground Truth更接近，这样岂不是定位会更准确。确实，Bounding-box regression 就是用来微调这个窗口的。 那么经过何种变换才能从图11中的窗口P变为窗口呢？比较简单的思路就是： 注意：只有当Proposal和Ground Truth比较接近时（线性问题），我们才能将其作为训练样本训练我们的线性回归模型，否则会导致训练的回归模型不work（当Proposal跟GT离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）。这个也是G-CNN: an Iterative Grid Based Object Detector多次迭代实现目标准确定位的关键。 PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。模型详解 RCNN全程就是Regions with CNN features，从名字也可以看出，RCNN的检测算法是基于传统方法来找出一些可能是物体的区域，再把该区域的尺寸归一化成卷积网络输入的尺寸，最后判断该区域到底是不是物体，是哪个物体，以及对是物体的区域进行进一步回归的微微调整（与深度学习里的finetune去分开，我想表达的就只是对框的位置进行微微调整）学习，使得框的更加准确。 正如上面所说的，RCNN的核心思想就是把图片区域内容送给深度网络，然后提取出深度网络某层的特征，并用这个特征来判断是什么物体（文章把背景也当成一种类别，故如果是判断是不是20个物体时，实际上在实现是判断21个类。），最后再对是物体的区域进行微微调整。实际上文章内容也说过用我之前所说的方法（先学习分类器，然后sliding windows），不过论文用了更直观的方式来说明这样的消耗非常大。它说一个深度网络（alexNet）在conv5上的感受野是195×195，按照我的理解，就是195×195的区域经过五层卷积后，才变成一个点，所以想在conv5上有一个区域性的大小（7×7）则需要原图为227×227，这样的滑窗每次都要对这么大尺度的内容进行计算，消耗可想而知，故论文得下结论，不能用sliding windows的方式去做检测（消耗一次用的不恰当，望各位看官能说个更加准确的词）。不过论文也没有提为什么作者会使用先找可能区域，再进行判断这种方式，只是说他们根据09年的另一篇论文[1]，而做的。这也算是大神们与常人不同的积累量吧。中间的深度网络通过ILSVRC分类问题来进行训练，即利用训练图片和训练的分类监督信号，来学习出这个网络，再根据这个网络提取的特征，来训练21个分类器和其相应的回归器，不过分类器和回归器可以放在网络中学习，R-CNN 模型如果要拟人化比喻，那 R-CNN 肯定是 Faster R-CNN 的祖父了。换句话说，R-CNN 是一切的开端。 R-CNN，或称 Region-based Convolutional Neural Network，其工作包含了三个步骤： 1.借助一个可以生成约 2000 个 region proposal 的「选择性搜索」（Selective Search）算法，R-CNN 可以对输入图像进行扫描，来获取可能出现的目标。 2.在每个 region proposal 上都运行一个卷积神经网络（CNN）。 3.将每个 CNN 的输出都输入进：a）一个支持向量机（SVM），以对上述区域进行分类。b）一个线性回归器，以收缩目标周围的边界框，前提是这样的目标存在。 下图具体描绘了上述 3 个步骤：Abstract ： R-CNN的两个贡献：卷积层的能力很强，可以遍历候选区域达到精确的定位。2.当有标签的数据很少的时候，我们可以事前进行有标签（别的数据集上？）的预训练作为辅助任务，然后对特定的区域进行微调。Introduction: 这篇文章最开始是在PASCAL VOC上在图像分类和目标检测方面取得了很好的效果。 为了达到很好的效果，文章主要关注了两个问题：1.用深层网络进行目标的定位。2.如何用少量的带标签的检测数据来训练模型 对于 对一个问题目标定位 ，通常有两个思路可以走： 1.把定位看成回归问题。效果不是很好。 2.建立划窗检测器。 CNN一直采用建立划窗这个方式，但是也只是局限于人脸和行人的检测问题上。 本文使用了五个卷积层（感受野食195*195），在输入时移动步长是32*32。 除此之外，对于定位问题，我们采用区域识别的策略。 在测试阶段，本文的方法产生了大约2000个类别独立的候选区域作为cnn的输入。然 后得到一个修正后的特征向量。然后对于特定的类别用线性SVM分类器分类。我们用简 单的方法（放射图像变形）来将候选区域变成固定大小。 对于第二个缺少标签数据的问题 目前有一个思路就是无监督的预训练，然后再加入有监督的微调。 作为本文最大的贡献之二：在ILSVRC数据集上，我们先进行有监督的预训练。然 后我们在PASCAL这个小数据集上我们进行特定区域的微调。在我们的实验中，微调 可以提升8%的mAP。 本文的贡献;效率高 仅仅是特别类别的计算是合乎情理的矩阵运算，和非极大值抑制算法。他们共享权 值，并且都是低维特征向量。相比于直接将区域向量作为输入，维数更低。 本文方法处理能实现目标检测，还以为实现语义分割。 2.用R-CNN进行目标检测： 有3个Model： （1）产生独立的候选区域。 （2）CNN产生固定长度的特征向量。 （3）针对特别类别的一群svm分类器。 模块的设计 候选区域： 之前有大量的文章都提过如果产生候选区域。本文采用SS（selective search ）方法。参考文献【34】+【36】 特征抽取： 对于每个候选区域，我们采用cnn之后得到4096维向量。 测试阶段的检测 在测试阶段，我们用选择性搜素的方式在测试图片上选取了2000个候选区域，如上图所示的步骤进行。 运行时间分析: 总之当时相比很快。 训练模型 有监督的预训练： 我们使用了大量的ILSVRC的数据集来进行预训练CNN，但是这个标签是图片层的。换句话说没有带边界这样的标签。 特定区域的微调： 我们调整VOC数据集的候选区域的大小，并且我们把ImageNet上午1000类，变成了21类（20个类别+1个背景）。我们把候选区域（和真实区域重叠的）大于的标记为正数，其他的标记为负数。然后用32个正窗口和96个负窗口组成128的mini-batch。 目标类别分类器： 对于区域紧紧的包括着目标的时候，这肯定就是正样本。对于区域里面全部都是背景的，这也十分好区分就是负样本。但是某个区域里面既有目标也有背景的时候，我们不知道如歌标记。本文为了解决这个，提出了一个阈值：IoU覆盖阈值，小于这个阈值，我们标记为负样本。大于这个阈值的我们标记为正样本。我们设置为。这个是一个超参数优化问题。我们使用验证集的方法来优化这个参数。然而这个参数对于我们的最后的性能有很大的帮助。 一旦，我们得到特征向量。因为训练数据太大了。我们采用standard hard negative mining method（标准难分样本的挖掘）。这个策略也是的收敛更快。 Results on PASCAL VOC 201012 . Visualization, ablation, and modes of error . Visualizing learned features 提出了一个非参数的方法，直接展现出我们的网络学习到了什么。这个想法是将一个特定的单元(特性)放在其中使用它，就好像它自己是一个对象检测器正确的。具体方法就是：我们在大量候选区域中，计算每个单元的激励函数。按从最高到最低排序激活输出，执行非最大值抑制，然后显示得分最高的区域。我们的方法让选定的单元“为自己说话”通过显示它所触发的输入。我们避免平均为了看到不同的视觉模式和获得洞察力为单位计算的不变性。我们可以看到来着第五个maxpooling返回的区域。第五层输出的每一个单元的接受野对应输出227*227的其中的195*195的像素区域。所以中心那个点单元有全局的视觉。. Ablation studies 实际上ablation study就是为了研究模型中所提出的一些结构是否有效而设计的实验。比如你提出了某某结构，但是要想确定这个结构是否有利于最终的效果，那就要将去掉该结构的网络与加上该结构的网络所得到的结果进行对比，这就是ablation study。 Performance layer-by-layer, without fine-tuning. 我们只观察了最后三层Performance layer-by-layer, with fine-tuning. 微调之后，fc6和fc7的性能要比pool5大得多。从ImageNet中学习的pool5特性是一般的，而且大部分的提升都是从在它们之上的特定领域的非线性分类器学习中获得的。Comparison to recent feature learning methods. 见上图 . Detection error analysis CNN的特征比HOG更加有区分。. Bounding box regression 有了对错误的分析，我们加入了一种方法来减少我们的定位错误。我们训练了一个线性的回归模型HOG和SIFT很慢。但是我们可以由此得到启发，利用有顺序等级和多阶段的处理方式，来实现特征的计算。生物启发的等级和移不变性，本文采用。但是缺少有监督学习的算法。使得卷积训练变得有效率。第一层的卷积层可以可视化。 【23】本文采用这个模型，来得到特征向量 ImageNet Large Scale Visual Recognition Competition用了非线性的激励函数，以及dropout的方法。【34】直接将区域向量作为输入，维数较高。IoU覆盖阈值=，而本文设置为，能提高5个百分点。产生候选区域的方式：selective search 也是本文所采取的方式是结合【34】+【36】。【5】产生候选区域的方式为：限制参数最小割bounding box regression HOG-based DPM文章中的对比试验。缩略图概率。[18][26][28]文章中的对比试验。
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）。
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
有深度的杂志
中国青年报冰点周刊每周一发行，每月更新一次，每年出版12期。冰点周刊拥有多元化的内容，关注新生代热点，关注新生代的话题，以及关注改变社会的力量。它是中国青年报旗下的周刊品牌，是一个专注于新生代文化的时尚杂志，致力于为当代青年提供有价值的精神营养和文化熏陶。
1 每周一期。2 因为《中国青年报》冰点周刊是一份周刊，每周只发行一期。3 如果你想获取更多的资讯，可以关注其他的报刊、杂志、网站等多种渠道获取信息。
好的杂志有很多呀，比如说《青年文摘》是很好的杂志，内容比较丰富，也比较有深度，比较有内涵，很值得看一看。
您好，中国青年报冰点周刊每周发行一期，通常在周五发布。每期的文章都有一定的篇幅，最少也要有100字以上。冰点周刊是一份深度报道类的杂志，每期都会涉及到一些社会热点、政治事件、文化趋势等方面的内容。同时，冰点周刊也会对一些较为冷门的话题进行深入探讨，以期为读者提供更加全面、深入的信息。总的来说，冰点周刊是一份非常有深度和思考性的杂志，非常值得一读。
有理论深度的论文题目
论 反垄断法中的企业合并规制 论沉默权 国际贸易中信用证的欺诈与防范 论审判行为 论BOT投资方式的风险 论在物权变动模式下的无权处分行为的效力问题 论电子商务中的消费者权益保护 自由的真义 论我国商业银行不良贷款的法律规制 初谈死刑之存废 论我国行政垄断的法律规制 论受贿罪的犯罪构成 论民事证据的排除规则 贪污罪与职务侵占罪之辨析 民事举证责任分配的价值考察 谈正当防卫的必要限度和特殊防卫权 我国民事诉讼调解制度的弊端与改革 论房产抵押中的法律问题 合同法诚实信用原则的道德基础 浅论公司法人人格否认原则的运用 论述婚姻法基本原则之自由原则 浅论先占制度 论民事诉讼法中的再审程序 浅谈公司治理可够制度 论我国国家赔偿的范围 论证券民事赔偿制度 浅谈我国民事诉讼模式下的辩论原则 对我国目前违反一夫一妻制现象的浅析 我国民事诉讼调解制度存在的问题及完善之我见 浅析夫妻侵权责任体系 小议行政分开制度 浅议电子合同生效制度的法律构建 论适应WIO的银行制度 论国际反倾销与中国之对策 反倾销与保障措施的对比研究 试论医药广告法律调整的完善 浅论公司法人格否认法理 未注册商标法律保护制度之国际比较及对我国的借鉴意义 保护少数股东权益 浅析我国不安抗辩权制度 中外消费者权益保护的比较与我国消费者保护法的完善 论法定抵押权 试论我国现行精神损害赔偿制度保护范围及其完善 论驰名商标的认定保护 浅析我国现阶段金融监管制度 电子商务中的法律问题 对非法证据排除规则的理性思考 浅析行政侵权损害赔偿问题 从两个案例谈董事的注意责任及完善措施 浅析刑讯逼供 消费纠纷中的举证责任 试论我国刑事诉讼中人权保障的完善 试论医疗行为豁免权 关于法官根据民法基本原则进行创造性司法活动的 法理研究 浅析精神损害赔偿问题 关于民事公诉制度可行性的探究 论加害给付 论行政诉讼中的举证责任 论预期违约 论依法治国的科学含义 物权的自我救济 论正当防卫制度的修改及把握 论沉默权在我国的实现 英美法与大陆法侵权因果关系对我国借鉴意义 论无因管理之债 论宪法的基本原则 论夫妻侵权责任 论行政执法监督制度 论我国的家庭暴力 论民事侵权诉讼的证明责任分担 浅析我国协议离婚制度 论精神损害赔偿 对人身伤害大额赔偿案件有关问题法律思考 浅析大学生结婚的问题 论财产继承中债权人利益的保护 论基因专利 试论家庭暴力 浅析辩诉交易在中国的使用 试论离婚损害赔偿 我国合同法第八条之无权处分 试论配偶权的侵权及救济 浅论 商标权和对商标权的保护 试论我国现行夫妻财产制 浅析我国民事诉讼处分原则 中国同性婚姻合法化之必要性与可行性 浅析正当防卫 论缔约过失责任的构成要件 未成年人犯罪的预防研究 论我国市场经济中的诚信问题 论职务犯罪的控制和预防 浅议配偶权 企业商业秘密保护的思考 成年人行为能力欠缺制度之比较研究 对我国民事诉讼中审级制度的思考 论专利侵权行为的认定 挪用公款罪“归个人使用” 浅析我国的离婚损害赔偿问题 浅析债权人的代位权的理论与实践 浅析我国婚姻无效制定的基本问题 试论公司人格否认制度 论表见代理之构成 我国民事调解制度的弊端与改革 论家庭暴力的司法救济 我国夫妻财产制 试论我国夫妻财产制度 论合同违约责任 论电子商务合同 论善意取得制度在不动产上的适用 论侵权责任构成中的因果关系 新闻自由与人格权保护 论我国婚姻法夫妻财产制的价值取向 浅谈我国婚姻法中的夫妻财产制 浅论根本违约 浅析婚姻法中的夫妻财产制度 浅谈涉外遗嘱继承 违约责任与侵权责任的区分标准 论 反垄断法中的企业合并规制 论沉默权 国际贸易中信用证的欺诈与防范 论审判行为 论BOT投资方式的风险 论在物权变动模式下的无权处分行为的效力问题 论电子商务中的消费者权益保护 自由的真义 论我国商业银行不良贷款的法律规制 初谈死刑之存废 论我国行政垄断的法律规制 论受贿罪的犯罪构成 论民事证据的排除规则 贪污罪与职务侵占罪之辨析 民事举证责任分配的价值考察 谈正当防卫的必要限度和特殊防卫权 我国民事诉讼调解制度的弊端与改革 论房产抵押中的法律问题 合同法诚实信用原则的道德基础 浅论公司法人人格否认原则的运用 论述婚姻法基本原则之自由原则 浅论先占制度 论民事诉讼法中的再审程序 浅谈公司治理可够制度 论我国国家赔偿的范围 论证券民事赔偿制度 浅谈我国民事诉讼模式下的辩论原则 对我国目前违反一夫一妻制现象的浅析 我国民事诉讼调解制度存在的问题及完善之我见 浅析夫妻侵权责任体系 小议行政分开制度 浅议电子合同生效制度的法律构建 论适应WIO的银行制度 论国际反倾销与中国之对策 反倾销与保障措施的对比研究 试论医药广告法律调整的完善 浅论公司法人格否认法理 未注册商标法律保护制度之国际比较及对我国的借鉴意义 保护少数股东权益 浅析我国不安抗辩权制度 中外消费者权益保护的比较与我国消费者保护法的完善 论法定抵押权 试论我国现行精神损害赔偿制度保护范围及其完善 论驰名商标的认定保护 浅析我国现阶段金融监管制度 电子商务中的法律问题 对非法证据排除规则的理性思考 浅析行政侵权损害赔偿问题 从两个案例谈董事的注意责任及完善措施 浅析刑讯逼供 消费纠纷中的举证责任 试论我国刑事诉讼中人权保障的完善 试论医疗行为豁免权 关于法官根据民法基本原则进行创造性司法活动的 法理研究 浅析精神损害赔偿问题 关于民事公诉制度可行性的探究 论加害给付 论行政诉讼中的举证责任 论预期违约 论依法治国的科学含义 物权的自我救济 论正当防卫制度的修改及把握 论沉默权在我国的实现 英美法与大陆法侵权因果关系对我国借鉴意义 论无因管理之债 论宪法的基本原则 论夫妻侵权责任 论行政执法监督制度 论我国的家庭暴力 论民事侵权诉讼的证明责任分担 浅析我国协议离婚制度 论精神损害赔偿 对人身伤害大额赔偿案件有关问题法律思考 浅析大学生结婚的问题 论财产继承中债权人利益的保护 论基因专利 试论家庭暴力 浅析辩诉交易在中国的使用 试论离婚损害赔偿 我国合同法第八条之无权处分 试论配偶权的侵权及救济 浅论 商标权和对商标权的保护 试论我国现行夫妻财产制 浅析我国民事诉讼处分原则 中国同性婚姻合法化之必要性与可行性 浅析正当防卫 论缔约过失责任的构成要件 未成年人犯罪的预防研究 论我国市场经济中的诚信问题 论职务犯罪的控制和预防 浅议配偶权 企业商业秘密保护的思考 成年人行为能力欠缺制度之比较研究 对我国民事诉讼中审级制度的思考 论专利侵权行为的认定 挪用公款罪“归个人使用” 浅析我国的离婚损害赔偿问题 浅析债权人的代位权的理论与实践 浅析我国婚姻无效制定的基本问题 试论公司人格否认制度 论表见代理之构成 我国民事调解制度的弊端与改革 论家庭暴力的司法救济 我国夫妻财产制 试论我国夫妻财产制度 论合同违约责任 论电子商务合同 论善意取得制度在不动产上的适用 论侵权责任构成中的因果关系 新闻自由与人格权保护 论我国婚姻法夫妻财产制的价值取向 浅谈我国婚姻法中的夫妻财产制 浅论根本违约 浅析婚姻法中的夫妻财产制度 浅谈涉外遗嘱继承 违约责任与侵权责任的区分标准
1.论我国竞业禁止制度的完善2.论我国服务期制度的完善3.论股权的善意取得4.论公司章程的效力5.论我国股东派生诉讼制度的完善6.论我国法人人格否认制度的完善7.保险法中道德风险防范机制研究8.保险代位求偿权适用范围探讨9.第三者责任保险合同中"第三者"认定问题研究10.论我国破产撤销权制度的立法完善11.论我国破产财产清偿制度的完善12.论我国个人破产制度的建立13.论我国破产重整制度的完善14.论消费者网购的权益保障15.消费者撤回权制度研究16.以附属商行为视角论自助寄存的法律性质17.论我国劳务派遣制度的完善18.论商标的合理使用19.营业转让中债务承担问题研究(本回答来源于学术堂)
啊？你们还没写论文了？？？不是都答辩完了么？还是写明年地？
4．英美审判制度与我国审判制度之比较 个人认为诉讼方面的会比较好写，因为理论深度不像实体法那么大，而比较型的论题会比较好写，因为比较的材料都是事实问题，可占很大的篇幅，只要稍作论述即可。