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。
目标检测（object detection）是计算机视觉中非常重要的一个领域。在卷积神经网络出现之前，都利用一些传统方法手动提取图像特征进行目标检测及定位，这些方法不仅耗时而且性能较低。而在卷积神经网络出现之后，目标检测领域发生了翻天覆地的变化。最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。 目标检测分为两步：第一步是对图像进行分类，即图像中的内容是什么；第二步则是对图像进行定位，找出图像中物体的具体位置。简单来说就是图像里面有什么，位置在哪。 然而，由于不同图片中物体出现的大小可能不同（多尺度），位置也可能不同，而且摆放角度，姿态等都可以不同，同时一张图片中还可以出现多个类别。这使得目标检测任务异常艰难。上面任务用专业的说法就是：图像识别+定位两个不同的分支分别完成不同的功能，分类和定位。回归（regression）分支与分类分支（classification）共享网络卷积部分的参数值。 还是刚才的分类识别+回归定位思路。只是现在我们提前先取好不同位置的框，然后将这个框输入到网络中而不是像思路一将原始图像直接输入到网络中。然后计算出这个框的得分，取得分最高的框。 如上，对于同一个图像中猫的识别定位。分别取了四个角四个框进行分类和回归。其得分分别为，因此右下角得分最高，选择右下角的黑框作为目标位置的预测（这里即完成了定位任务）。 这里还有一个问题——检测位置时的框要怎么取，取多大？在上面我们是在257x257的图像中取了221x221的4个角。以不同大小的窗口从左上角到右下角依次扫描的话，数据量会非常大。而且，如果考虑多尺度问题的话，还需要在将图像放缩到不同水平的大小来进行计算，这样又大大增加了计算量。如何取框这个问题可以说是目标检测的核心问题之一了，RCNN，fast RCNN以及faster RCNN对于这个问题的解决办法不断地进行优化，这个到了后面再讲。 总结一下思路： 对于一张图片，用各种大小的框将图片截取出来，输入到CNN，然后CNN会输出这个框的类别以及其位置得分。 对于检测框的选取，一般是采用某种方法先找出可能含有物体的框（也就是候选框，比如1000个候选框），这些框是可以互相重叠互相包含的，这样我们就可以避免暴力枚举所有框了。讲完了思路，我们下面具体仔细来看看RCNN系列的实现，本篇先介绍RCNN的方法。 R-CNN相比于之前的各种目标检测算法，不仅在准确率上有了很大的提升，在运行效率上同样提升很大。R-CNN的过程分为4个阶段： 在前面我们已经简单介绍了selective search方法，通过这个方法我们筛选出了2k左右的候选框。然而搜索出的矩形框大小是不同的。而在AlexNet中由于最后全连接层的存在，对于图像尺寸有固定的要求，因此在将候选框输入之前，作者对这些候选框的大小进行了统一处理——放缩到了统一大小。文章中作者使用的处理方法有两种： （1）各向异性缩放因为图片扭曲可能会对后续CNN模型训练产生影响，于是作者也测试了各向同性缩放的方法。有两种方法： 此外，作者对于bounding box还尝试了padding处理，上面的示意图中第1、3行就是结合了padding=0，第2、4行结果采用padding=16的结果。经过最后的试验，作者发现采用各向异性缩放、padding=16的精度最高。 卷积神经网络训练分为两步：（1）预训练；（2）fine-tune。 先在一个大的数据集上面训练模型（R-CNN中的卷机模型使用的是AlexNet），然后利用这个训练好的模型进行fine-tune（或称为迁移学习），即使用这个预训练好的模型参数初始化模型参数，然后在目标数据集上面进行训练。 此外，在训练时，作者还尝试采用不同层数的全连接层，发现一个全连接层比两个全连接层效果要好，这可能是因为使用两个全连接层后过拟合导致的。 另一个比较有意思的地方是：对于CNN模型，卷积层学到的特征其实就是基础的共享特征提取层，类似于传统的图像特征提取算法。而最后的全连接层学到的则是针对特定任务的特征。譬如对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对性别分类的特征了。 最后，利用训练好的模型对候选框提取特征。 关于正负样本的问题：由于选取的bounding box不可能与人工label的完全相同，因此在CNN训练阶段需要设置IOU阈值来为bounding box打标签。在文章中作者将阈值设置为，即如果候选框bounding box与人工label的区域重叠面积大于，则将其标注为物体类别（正样本），否则我们就把他当做背景类别（负样本）。 作者针对每一个类别都训练了一个二分类的SVM。这里定义正负样本的方法与上面卷积网络训练的定义方法又不相同。作者在文章中尝试了多种IoU阈值（）。最后通过训练发现，IoU阈值为的时候效果最好（选择为0精度下降了4个百分点，选择精度下降了5个百分点）。即当IoU小于的时候我们将其视为负样本，否则为正样本。 目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。在实现边界回归的过程中发现了两个微妙的问题。第一是正则化是重要的：我们基于验证集，设置λ=1000。第二个问题是，选择使用哪些训练对(P,G)时必须小心。直观地说，如果P远离所有的检测框真值，那么将P转换为检测框真值G的任务就没有意义。使用像P这样的例子会导致一个无望的学习问题。因此，只有当提案P至少在一个检测框真值附近时，我们才执行学习任务。“附近”即，将P分配给具有最大IoU的检测框真值G（在重叠多于一个的情况下），并且仅当重叠大于阈值（基于验证集，我们使用的阈值为）。所有未分配的提案都被丢弃。我们为每个目标类别执行一次，以便学习一组特定于类别的检测框回归器。 在测试时，我们对每个提案进行评分，并预测其新的检测框一次。原则上，我们可以迭代这个过程（即重新评估新预测的检测框，然后从它预测一个新的检测框，等等）。但是，我们发现迭代不会改进结果。 使用selective search的方法在测试图片上提取2000个region propasals ，将每个region proposals归一化到227x227，然后再CNN中正向传播，将最后一层得到的特征提取出来。然后对于每一个类别，使用为这一类训练的SVM分类器对提取的特征向量进行打分，得到测试图片中对于所有region proposals的对于这一类的分数，再使用贪心的非极大值抑制（NMS）去除相交的多余的框。再对这些框进行canny边缘检测，就可以得到bounding-box(then B-BoxRegression)。 参考： Rich feature hierarchies for accurate object detection and semantic segmentation. RCNN-将CNN引入目标检测的开山之作-晓雷的文章 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN R-CNN 论文翻译
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。
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
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？
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
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 ：
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 ：
更新科学`战胜自己~
高中语文作为教学中的一个重要组成板块，怎么教育教学也是一个重要方面。教学教学，顾名思义就是教和学。那么要怎么样更好地教学呢?相信大家在这方面都需要做不少的研究。下面是我为大家整理的关于高中语文教学的论文题目200个，希望大家喜欢。
高中语文教学论文优秀题目一
1.当前高中语文教学研究的探索与反思——以人大复印报刊资料《高中语文教与学》为中心的分析
2.浅析高中语文作文教学的实用性和创新性
3.高中语文散文阅读教学的审美困境与突破
4.高中语文课堂教学诊断标准化策略
5.高中语文外国文学教学的历史与现状
6.高中语文选修课专题式教学的实施分析
7.新课程标准下高中语文的作文教学
8.高中语文选修课教学的问题与对策——以深圳市育才中学教学实践为例
9.关于高中语文阅读教学有效性的思考
10.高中语文选修课程中基础性与发展性的矛盾及解决策略
11.例谈高中语文选修课“诗歌与散文”系列的教学策略
12.高中语文选修课问题的理论解释和实践策略
13.高中语文新课程选修教材编写实践的理性反思——以人教版和苏教版为例
14.高中语文教师课外阅读的调查研究
15.论我国高中语文教育中传统文化的渗透
16.高中语文教师文学阅读教学目标设计的调查与分析
17.高中语文教学应开拓优质高效的科学发展之路
18.新课程背景下高中语文课堂教学策略研究
19.高中语文选修课程的特征及其对课程实施的影响
20.高中语文现代诗歌教学方法之我见
21.高中语文选修教材分析
22.高中语文小说教学策略研究
23.高中语文选修课程实施过程中的问题与对策
24.新课程背景下高中语文教师课堂教学反思探究
25.文感培养:高中语文阅读教学的成功之途
26.浅议对新课程背景下高中语文阅读教学的思考
27.高中语文有效阅读教学策略的研究
28.美国高中的“选课指导”及语文选修课实施的对策
29.高中语文分层教学的必要性及具体措施
30.高中语文选修课程实施现状及对策建议——基于江苏实验区的调查研究
31.新课程下高中语文课堂有效性教学的实施
32.论高中语文微课程的开发与实践
33.自主学习策略在高中语文写作教学中的有效运用
34.构建高中语文高效课堂应重视四个策略
35.我国大陆与台湾高中语文课程文件比较研究
36.高中语文教学与传统文化的契合
37.如何实现高中语文课堂的教学有效性
38.高中语文作业设计探究
39.高中语文现当代诗歌教学问题研究
40.浅析高中语文高效课堂的途径
41.如何提高高中语文文言文教学效率
42.论新课程标准下的高中语文教学改革
43.苏教版高中语文选修课程开设的六大困惑
44.基于新课标课堂教学有效性视角下高中语文现代文阅读教学模式探究
45.基于高中语文写作教学中自主学习策略的应用
46.新中国成立后高中语文教科书选文变化的历史研究(1949-2000年)
47.谈高中语文教学探究式学习模式的运用
48.优化教学设计 构建高中语文高效课堂
49.高中语文翻转课堂教学实践初探——以“中国现当代小说经典阅读”课教学实践为例
50.高中语文阅读能力的培养
51.高中语文阅读教学中的合作学习研究
52.基于高考试卷分析的高中语文现代文阅读教学思考
53.新课程背景下高中语文必修课程评价方案构想
54.关于高中语文阅读教学的探究
55.自主学习策略在高中语文写作教学中的应用探析
56.关于高中语文教育中传统文化的渗透研究
57.探析高中语文研究性学习的开展
58.高中语文阅读教学现状及对策思考
59.高中语文写作教学策略之我见
60.微探高中语文作文教学中的问题及应对策略
61.高中语文教育中传统文化的渗透
62.多媒体技术在高中语文教育中的运用
63.试论高中语文整合式教学
64.高中语文选修课程:变革、困惑与反思
65.关于高中语文口语训练教学的一种构想
66.新课改背景下高中语文诗歌审美性教学探讨
67.高中语文课堂有效教学的探索及实践
68.高中语文课堂合作学习的问题及应对策略
69.如何提升高中语文课堂阅读教学的有效性
70.高中语文古文诗词教学模式创新初探
71.论高中语文隐性知识教学
72.关于高中语文评价改革的几点思考
73.浅谈高中语文教育中存在的问题及应对措施
74.苏教版高中语文必修教材课后练习评价
75.高中语文课程的价值追求
76.高中语文教育评价概述(上)
77.高中语文阅读审美能力培养策略初探
78.论高中语文选修课程有效实施策略
79.高中语文阅读教学现状探究
80.浅析当前高中语文作业设计的问题和设计改革策略
81.探讨如何提高高中语文课堂教学有效性
82.高中语文古代诗歌鉴赏的一般方法
83.高中语文新课改教学的有效性探究
84.从教材讲授看高中语文教材(人教版)与高考脱节现象
85.提高高中语文课堂的有效性措施探讨
86.高中语文文言文教学中需要注意的问题
87.高中语文课堂教学评估工具与使用策略
88.浅谈高中语文作文教学
89.高中语文修辞教学的目标和内容
90.高中语文教学融入情感教育的探究
91.新课程背景下提高高中语文课堂有效性探讨
92.高中语文教学中传统文化的渗透分析
93.走出高中语文古诗词教学误区
94.阅读之钥:关注文本细读——也谈高中语文文学类文本的阅读教学
95.高中语文泛化的介入性学科审理体系
96.浅谈高中语文教学中的探究性学习
97.高中语文课堂构建中彰显语文魅力的思路探索
98.对当前高中语文选修课的反思
99.论高中语文教材中外国文学选文现状及思考
100.浅议高中语文早读课存在的问题和对策
高中语文教学论文优秀题目二
1、语文教师课堂教学言语行为探析
2、中学语文“任务诱导”教学模式研究
3、语文课堂互动研究
4、中国现代文学的接受与中学文学教育
5、语境与中学作文教学
6、高中古诗词教学与人文精神的有效传承
7、文言文教学之历史沿革与革新策略
8、改革开放以来语文特级教师教学观的变迁
9、多元取向下的迷惘与坚守
10、高中语文教科书写作教材比较研究
11、香港《中国语文课程指引》与内地《语文课程标准》比较 基于网络的语文校本教研
12、语文课程中的语文知识建构摭谈 语文课程的多媒体教学
13、基于体验的语文情感教育研究 语文教师现代信息素养研究
14、感悟式学习是生成和建构语文素养的重要途径
15、近二十年语文中考命题发展研究
16、一位农村语文特级教师发展需要及生活经历的叙事研究
17、一位高中语文教师的实践知识研究
18、在新课标指导下培养高中学生口语交际能力
19、对话式阅读教学实践的反思及改进
20、中学作文主体情感趋动的探析
21、职业高中写作课程的反思
22、叙事学与中学小说教学内容的构建初探
23、中学语文教师教育信念的个案研究
24、论李镇西生活化语文教育经验
25、论绿色作文教学
26、新时期语文阅读教学中的《祝福》
27、高中作文训练序列与学生的心理发展
28、新课程评价标准下的作文评语研究
29、英语记叙文图式训练对中学生阅读水平的影响
30、中学语文古诗词鉴赏教学中的语感培养
31、中职语文发展性学习评价的探究
32、优化语文课堂情境改革与实践：课程与教学整合新视点
33、儒家文化与中学语文教学关系探考
34、高中生语文反思性学习能力培养策略实验研究
35、人教社三套高中语文课本阅读部分比较研究
36、建构中学文言文教学文献学知识背景初探
37、中学语文课堂活动教学的研究与实践
38、论“个性化阅读”教学
39、新课程与语文教学模式的建构
40、中学语文情境教学初探
41、中学语文教学中问题意识的培养
42、高中小说自主学习教学模式的实践与研究
43、新课程背景下高中语文教师课堂管理观念和管理方式的现状分析与研究
44、中学生课外阅读常规化探索及实践
45、一体两翼：中学语文教学人文素养与语文素养的双向培养
46、关于高中语文“发展性课堂助学”实践活动的研究
47、中职语文教学现状分析及对策研究
48、中学古典诗词鉴赏教学方式研究
49、广元本土文化与语文校本课程开发的实践研究
50、通过任务型语言教学提高初中学生口语交际能力的研究
51、苏教版语文教科书与美国(加利福尼亚州)语文教科书的比较研究
52、陇南本土文化作为语文校本课程资源的开发与利用研究
53、中职校商贸专业语文教学现状及其改进策略研究
54、苏教版《高中语文(必修)》综合性学习的设计特点及实施研究
55、试论中学语文专题教学模式
56、人教版初中《语文》综合性学习设计特点与实施策略研究
57、文化变革视野下的信息技术与语文课程整合研究
58、高中信息技术教学中的主体性学习活动设计
59、高中语文对话式阅读教学研究
60、新课程背景下的中学作文评改策略研究
61、高中语文小班化教学实验研究
62、论阅读教学中的“整体感知” 语文阅读教学内容研究
63、承德市乡镇初中语文新课程改革的调查与反思
64、刘国正语文教育思想研究
65、对吕叔湘语言教育思想的再思考
66、苏教版国标本初中《语文》综合性学习设计及其教学现状研究
67、高中开放式作文教学研究
68、新课标背景下初中语文阅读教学现状调查及改革研究
69、“南通乡土文化”地方课程的开发与实施研究
70、魏书生语文教育教学创新思想研究
71、高中生语文课外阅读能力培养初探
72、高中个性化作文教学的探索与实践
73、基于案例的语文教师校本培训策略研究
74、苏教版高中语文课文系统选编特点及教学实施研究
75、新课程背景下高中生语文审美能力培养研究
76、中职校旅游专业语文教学改革的思考与实践
77、高中高效语文作业实验研究
78、中学语文课鲁迅作品教学研究
79、唐彪《家塾教学法》阅读思想研究
80、“当代孔子”-魏书生语文教育思想研究
81、语文课堂教学生态初探
82、语文阅读教学中学生问题意识培养探究
83、作文合作学习探究
84、写作教学中情感教育的理论与实践
85、高中语文口语交际教学现状分析及改进策略研究
86、苏教版中职语文教材及其教学策略研究
87、高中文言文学习策略教学研究
88、职校生语文能力现状调查及其培养策略探析
89、新课程背景下语文教师的专业成长研究
90、论审美理论在高中文学课文阅读教学中的应用
91、黎锦熙语文教育思想研究
92、《千字文》教材模式及教学意识流变研究
93、建国以来中学语文语法意识变革研究
94、《古文观止》语文教学思想研究
95、《程氏家塾读书分年日程》语文教学思想及现代意义
96、一位高中语文教师隐性教育观念的研究
97、语文教师实践性学识养成研究
98、语文校本课程的开发与利用研究
99、中等师范学校语文写作教学方法研究
100、中学语文课堂教学中泛语文化的原因及其对策
论文题目是论文的名片，可以一眼让人看出这篇论文主要讲述什么内容。所以论文题目切记不能假大空，而要浓缩其精华准确表达论文的中心思想。
语文教育即我国的母语教育，语文教学一直是教育领域的重中之重，新课标实施以来，小学语文教育取得了丰硕的成果，以下是本文整理的 310个"小学语文教学论文题目范例", 为大家展现语文教育研究热点。 小学语文论文题目范例一： 1、浅论小学语文教学小组合作学习 2、探究农村小学语文教学小组合作学习的策略 3、小学语文教学小组合作学习的对策分析 4、小学语文教学中小学生课堂阅读能力的培养 5、浅谈在小学语文教学中小学生创新思维能力的培养 6、小学语文教学小组合作学习的几个误区 7、小学语文教学小组合作学习应用浅探 8、小学语文教学小组合作学习 9、浅谈在小学语文教学中小学生创新思维能力的培养 10、小学语文教学小组合作成长式评价的研究 11、语文教学中如何培养小学生的阅读能力 12、小学高年级语文教学应注意小升初语文内容的衔接问题 13、在语文教学中如何培养小学生的阅读兴趣 14、语文教学如何培养小学生的想象能力 15、关于"包容教育"的理性思考 16、探究制约学校教科研发展的因素 17、对合作学习热的"冷"思考 18、作文教学中培养学生说真话诉真情的几种方法 19、新课程理念下作业与课堂教学的和谐统一 20、谈"对话式"课堂教学 21、数学学习也要"听说读写" 22、《苏北农村小学教师职业道德现状及教育对策研究》研究报告 23、"留守孩儿"教育策略和实践研究 24、"元认知理论"下优化小学生语文学习方式的研究 25、谈对话教学的现状要素及其理想定位 26、关于小学骨干教师心理问题的分析 27、城区学生与农村学生的对比研究 28、传统教师评价的负面影响 29、传统作文教学的误区研究 30、词汇教学在阅读教学中的地位和作用研究 31、大学生选择教育类专业的心理相关研究 32、大众媒体对小学生的影响分析 33、当代儿童对儿童文学的期待与要求 34、地方课程与学校课程的开发与管理研究 35、东西方教育模式与人才培养研究 36、独生子女家庭教育问题研究 37、多媒体技术在小学语文教学中的应用 38、儿童课外文学阅读现状的调查与研究 39、儿童文学作品在小学语文教材中所占的比重地位及意义 40、改革开放以来小学作文教学方法的多元现象研究 41、改进小学课堂教学效率的策略与方法研究 42、改进小学语文课堂教学效率的策略与方法研究 43、关于文学欣赏的研究 44、合格教师基本标准的探究 45、缓解教师心理问题的措施途径的研究 46、激发学生学习兴趣的研究 47、家庭对于小学生的才艺与兴趣活动的支出调查研究 48、教师职业生活规律的相关研究 49、教师智慧发展内涵与策略的思考 50、教师自我教育的途径与策略探究 小学语文论文题目范例二： 51、教学组织形式：小班化教学研究 52、教育类专业学生就职前的知识储备研究 53、教育类专业学生就职前的专业思想形成研究 54、教育类专业学生就职前角色转变过渡的相关研究 55、教育实习后的专业认同变化研究 56、课程改革与小学语文学科课程关系的研究 57、激发小学生学习兴趣 提高小学语文教学效率 58、小组合作学习在小学语文教学中的合理应用 59、如何在语文教学中培养小学生的问题意识 60、浅谈在农村小学语文教学中如何提高小学生的作文水平 61、"小先生制"--小学语文有效教学模式研究 62、语文教学如何培养小学生的创新能力 63、如何在语文教学中培养小学生的自学能力 64、关注"幼小衔接" 提高小学语文起始年段教学实效 65、在语文教学中培养小学生的科学素养 66、 小组合作学习打造小学语文高效课堂 67、 小学语文高效课堂的构建策略浅谈 68、 对小学语文"高效课堂"的几点思考 69、 "微"中见大：让微课成就小学语文高效课堂 70、 浅谈如何构建小学语文高效课堂 71、 多措并举 构建小学语文高效课堂 72、 构建小学语文高效课堂之我见 73、 浅析新课改下小学语文高效课堂的构建 74、 小学语文高效课堂构建策略研究 75、 小学语文高效课堂教学探析 76、 如何打造小学语文高效课堂 77、 运用微课构建小学语文高效课堂的实践研究 78、 小学语文高效课堂阅读教学策略研究 79、 小学语文高效课堂的构建 80、 如何构建小学语文高效课堂 81、 小学语文高效课堂的构建方略 82、 小学语文高效课堂的建设 83、课改背景下的"好课"标准的研究 84、家庭环境对学生个性养成与心理成熟的影响 85、家庭教育对儿童语言发展的影响 86、家庭教育与学校教育配合问题的研究 87、教师的教学能力研究 88、论优秀班风的建设 89、某一位儿童作家或某一类儿童文学作品的研究 90、农村教师发展动因与城市教师发展动因的比较研究 91、培养创新型教师的理论与实践研究 92、拼音教学在小学语文教学中的意义和地位研究 93、贫困地区普及九年义务教育的基本思路办学模式的研究 94、贫困地区普及九年义务教育的难点及对策的研究 95、青春期教育研究 96、少年儿童社会化问题的研究 97、社会环境与教师发展关系的思考 98、识字教学的人文教育研究 99、试论如何在语文教学中指导学生朗读 100、独生子女家庭教育问题研究 小学语文论文题目范例三： 101、多媒体技术在小学语文教学中的应用 102、儿童课外文学阅读现状的调查与研究 103、儿童文学作品在小学语文教材中所占的比重地位及意义 104、改革开放以来小学作文教学方法的多元现象研究 105、改进小学课堂教学效率的策略与方法研究 106、改进小学语文课堂教学效率的策略与方法研究 107、关于文学欣赏的研究 108、合格教师基本标准的探究 109、缓解教师心理问题的措施途径的研究 110、激发学生学习兴趣的研究 111、试论小学生创新意识的培养 112、试论小学生的合作学习 113、小学生常见的拼音错误调查分析 114、小学生出走问题的调查与分析 115、小学生辍学原因分析及对策研究 116、小学生错别字情况调查及对策分析 117、小学生的心理特点与小学阶段的美育 118、小学语文课堂小练笔教学策略探析 119、强化小学语文教学，提升小学生阅读能力 120、小学语文教学要让"小插图"发挥"大作用" 121、探讨合作学习在小学语文教学中的应用价值 122、小学语文阅读教学的有效性策略探析 123、解析小学语文教学中学生语言表达能力的培养对策 124、浅论网络环境下小学语文多元评价模式的研究 125、探讨小学语文教学中学生阅读能力的培养 126、课堂提问在小学语文教学中的有效性实施策略 127、浅谈小学语文读写结合的教学策略 128、小学语文核心素养下低年级"有趣有效"教学方法探索 129、趣味教学法在小学语文阅读教学中的应用 130、小学语文作文分类指导教学的创新探讨 131、构建以学生为主体的小学语文高效课堂探讨 132、课外阅读在小学语文教学中的作用--以部编版小学语文教学为例 133、论小学语文阅读教学对情境体验的有效运用 134、小学语文课堂表演性朗读的运用策略剖析 135、基于核心素养的小学语文课堂有效教学 136、小学语文课堂教学中读写结合策略探究 137、探索小学语文教学现状和策略 138、小学语文拼音教学中趣味教学模式初探 139、小学语文教学中如何有效渗透书法教育 140、核心素养下的小学"语用型"课堂教学策略 141、基于思维导图的小学语文阅读教学模式刍议 142、小学语文阅读教学与作文训练的整合分析 143、以人为本理念下的小学语文教学策略探究 144、小学语文课堂应用小组合作模式的探究 145、谈小学语文课堂增效减负策略的实践应用 146、小学语文课堂应用合作学习模式的探究 147、小学高年级语文落实语言文字训练的策略 148、浅议小学语文课内外阅读有效整合的教学策略 149、试析提升小学语文课堂教学质量的关键点 150、提高小学语文教学质量的有效策略研究 小学语文论文题目范例四： 151、电子白板在小学语文阅读教学中的应用 152、小学语文教学中培养学生创造性思维的对策分析 153、小学语文作文教学的问题分析与对策探讨 154、略谈小学语文教学中社会主义核心价值观教育的渗透策略李祥 155、趣味识字教学法在小学语文教学中的应用 156、课外阅读在小学语文教学中的实践应用探讨 157、微课在小学语文课堂教学中的作用丁光忠学周刊-- 158、搞好语文教学 彰显语文魅力--对小学语文教学的探讨和分析 159、小学语文教学中如何妙用游戏朱 160、小学语文核心素养的内涵及其实现路径 161、关于小学语文古诗词教学的情感陶冶策略研究 162、小学语文课堂教学效率的提升措施探究 163、如何在小学语文教学中践行陶行知生活教育思想 164、小学语文拓展阅读教学研究 165、小学语文教学中的整本书阅读教学研究 166、小学语文教学中培养学生问题意识的方法研讨 167、小学语文教学中渗透德育的思路及意义探究 168、刍议小学语文课堂渗透社会主义核心价值观的实践 169、小学语文教学中加强语言训练的策略微探 170、试论激励教育在小学语文教学中的实施措施 171、小学语文课堂应用合作学习模式的探究 172、试析提升小学语文课堂教学质量的关键点 173、提高小学语文教学质量的有效策略研究 174、电子白板在小学语文阅读教学中的应用 175、小学语文作文教学的问题分析与对策探讨 176、浅谈小学语文朗读训练策略 177、略谈小学语文教学中社会主义核心价值观教育的渗透策略 178、趣味识字教学法在小学语文教学中的应用 179、课外阅读在小学语文教学中的实践应用探讨 180、微课在小学语文课堂教学中的作用 181、关于小学语文古诗词教学的情感陶冶策略研究 182、小学语文课堂教学效率的提升措施探究 183、如何在小学语文教学中践行陶行知生活教育思想 184、小学语文拓展阅读教学研究 185、小学语文教学中的整本书阅读教学研究 186、小学语文教学中培养学生问题意识的方法研讨 187、小学语文教学中渗透德育的思路及意义探究 188、论小学语文学习中学生预习的重要性 189、提高农村小学语文教学质量的思考 190、大数据时代的小学语文教学之变 191、小学语文阅读教学模式分析与建构 192、小学语文教育中所蕴含的中国传统文化 193、小学语文写作教学存在的问题及解决办法 194、论如何营造良好的小学语文课堂氛围 195、优化小学语文作业，提升小学语文质量 196、国学经典在小学语文教学中的渗透探讨 197、谈如何在小学语文教学中渗透法制教育 198、浅谈小学语文教学中合作学习的运用 199、小学语文教材中对学生人文性进行培养的分析 200、关于写作策略知识在小学语文教学中应用状况的分析 201、浅议如何培养小学语文教学中学生的写作兴趣与能力 小学语文论文题目范例五： 202、小学语文教学中如何提高学生的学习能力 203、小学语文教学对学生文化自信的培养策略研究 204、谈如何在小学语文教学中实施素质教育 205、小学语文深度学习教学案例分析 206、自主阅读能力在小学语文教学中的培养 207、小学语文教学中学生阅读能力培养策略 208、新教育形势下小学语文新教学模式--互动式教学模式 209、小学语文作业分层设计的探索 210、小学语文教学中存在的问题分析与对策探讨 211、小学语文课堂表演性朗读的运用策略 212、小学语文写作教学存在的问题及对策探讨 213、小学语文学科核心素养的培养探讨 214、小学语文课堂表演性朗读的运用策略剖析 215、基于核心素养的小学语文课堂有效教学 216、课本剧编演让小学语文课堂精彩纷呈 217、浅谈如何构建智慧的小学语文课堂 218、浅谈小学语文课堂培养学生协作学习的策略 219、谈小学语文课堂提问的有效构建 220、谈如何构建高效小学语文课堂 221、基于生命教育理念下的小学语文教学策略探讨 222、关注学科特点 培养核心素养--浅谈小学语文课堂提问应凸显学科特色 223、谈如何在小学语文课堂中激发学生自主学习的兴趣 224、快乐教育理念下的小学语文课堂教学探析 225、如何在小学语文课堂激发学生的学习兴趣 226、谈微课在小学语文教学中的应用 227、小学语文课堂即时评价优化策略 228、浅谈提高小学语文课堂提问的有效性 229、浅谈小学语文课堂中学生学习兴趣的激发路径 230、谈如何让小学语文课堂"活"起来 231、快乐教学法在小学语文教学中的应用研究 232、谈小学语文课堂中学生表演性朗读的运用 233、基于核心素养导向的小学语文教学策略研究 234、故事教学法在小学语文教学中的应用分析 235、略谈小学语文作文教学现状及改进策略 236、让小学语文课堂童心飞扬的策略 237、浅析小学语文优质教学的有效途径 238、新课标下小学语文生活化教学的思考 239、浅谈小学语文教学的困境及突破策略探析 240、新课改背景下小学语文阅读教学方法 241、浅析小学语文教学中德育的有效渗透 242、新课改背景下小学语文阅读教学方法 243、读写结合教学法在小学语文教育教学中的运用 244、小学语文教学中诵读国学经典的实践 245、浅析小学语文教学中德育的有效渗透 246、谈小学语文教学中合作学习的实施 247、浅谈如何构建智慧的小学语文课堂 248、基于核心素养下的小学语文阅读策略研究 249、核心素养下的小学语文阅读教学方法分析 250、小学语文教学中阅读与写作教学的融合 小学语文论文题目范例六： 251、小学语文阅读教学策略探究 252、小学语文教学中如何将读写绘有效结合 253、新课标背景下小学高年级语文阅读教学的文本精读策略分析 254、个性化角度下的小学语文作文教学初探 255、现代信息技术在小学语文阅读教学中的运用探讨 256、浅谈小学语文阅读教学的有效性 257、古诗文教学情境创建杨晓丽 258、儿童文学作品在语文阅读教学中的应用 259、浅谈如何提高小学语文写作能力 260、语文阅读与写作整合的研究现状及有效策略 261、学生语文自主学习能力的培养策略 262、课堂教学自主学习合作探究策略 263、刍议小学语文教学中情境化方法与价值 264、论基于教学反思角度的小学语文教育教学与改革策略 265、关于小学语文小组合作学习模式的研究 266、小学语文教学中减负的策略 267、小学语文教学中阅读能力的培养 268、课外阅读在小学语文作文教学中的应用研究 269、小学语文教学中读写结合策略应用探讨 270、小学语文情境化课堂识字教学方法的探索 271、谈如何构建高效小学语文课堂 272、浅谈小学语文教学中的情感教育 273、基于生命教育理念下的小学语文教学策略探讨 274、基于模块化模式下小学语文阅读教学的思考 275、浅析小学语文阅读教学的有效研究 276、统编小学语文教材"语文要素"的教学实施 277、信息技术与小学语文课堂教学有效融合的几点认识 278、小学语文略读课文教学策略 279、小学语文高年段提问策略的教学实践与思考 280、以生为本理念下的小学语文课堂的构建 281、实现"活动型"写作教学--微探小学语文写作教学新策略 282、新课标理念下的小学语文阅读教学研究 283、小学语文游戏化教学原则和策略研究 284、思维导图在小学语文教学中的应用研究 285、小学语文作文个性化教学方法研究 286、阅读教学对小学语文教学的作用探讨 287、小学语文作文教学有效性问题分析 288、新课程实施中小学语文教学的问题及解决策略 289、论小学语文阅读教学中读写结合教学法 290、小学语文教学中传统文化教育的导入与价值探寻 291、小学语文教学中传统文化教育的巧妙渗透分析 292、小学语文教学中实施情感教育的策略研究 293、小学语文教学如何有效提升学生文化素养探究 294、浅谈小学语文教学中学生阅读能力的培养 295、浅谈提高小学语文课堂教学效率的策略 296、谈如何让创新之花在小学语文课堂教学中绽放 297、巧用提问提高小学语文课堂教学效果 298、浅析小学语文教学与心理健康教育的结合 299、小学语文课堂教学中书香味儿呈现策略探析 300、关于以五步教学法打造小学语文高效课堂的思考 301、中小学语文教学中学生创新能力的培养 302、基于核心素养的小学语文阅读习惯 303、合作学习在小学语文阅读教学中的具体运用 304、小学语文高年级的高效课堂教学模式探究 305、新教材背景下的小学语文作业设计与指导 306、探析大数据时代的小学语文智慧教学策略 307、小学语文教学中激发学生文本阅读兴趣的策略研究 308、小学语文非连续性文本有效教学策略研究 309、基于核心素养下农村小学生语文阅读兴趣培养的研究 310、小学语文教学中培养学生创新思维的策略 以上就是"小学语文教学论文题目"的全部内容，如需了解更多信息，可点击下列相关推荐。