oks是关键点检测中的一个评价指标，其中keypoint similarity指一个关键点预测结果和标注之间的相似度，其定义为，其中 表示预测结果， 表示ground truth， 是物体（instance）的像素面积， 是和关键点类型相关的，也就是说即使距离相同，不同关键点其ks是不一样的。上面的公式中，相似度和距离呈反比，和 呈正比，和面积也呈正比。关键点影响因子 是从5000张标注图片中计算得到的， 表示关键点未标注， 表示关键点有遮挡但已经标注， 表示关键点无遮挡且已标注。 在条件成立时为1否则为0 在评估一个算法时，先找出所有ground truth oks最大的预测点，然后OKS的阈值变化从，大于阈值的认为时True Positive，否则是False Positive，而没有匹配的gt关键点认为是False Negative，即可以得到 AP （图像级别的计算AP）。 pck是在oks之前广泛使用的关键点检测评价指标，是以关键点为单位计算的指标。对于一个检测器 来说其PCK为表示关键点检测器， 表示关键点是否和gt匹配的阈值。 表示测试集合， 表示检测器预测位置，而 表示其gt。一般来说人体关键点检测中 取值为人头像素scale的、、...分别计算得到不通阈值下的pck，同理也可以卡不通的阈值来获取 AP 这个指标计算和PCK类似，不过其参考的scale是输入图片的大小， 因此指标并不是归一化的，关键点最小框面积占输入图片面积越小这个指标越低，仅仅用作训练时的一个参考指标[1] Matteo Ruggero Ronchi, Pietro Perona. Benchmarking and Error Diagnosis in Multi-Instance Pose Estimation. ICCV, 2017. [2] Leonid Pishchulin, Eldar Insafutdinov . DeepCut: Joint Subset Partition and Labeling for Multi Person Pose Estimation. CVPR, 2016. [3] Tomas Simon, Hanbyul Joo . Hand Keypoint Detection in Single Images using Multiview Bootstrapping. CVPR, 2017.
cornerNer论文链接： github： CenterNet论文链接： github： CornerNe-Lite论文链接: github: 所谓基于关键点进行目标检测，其实就是使用one-stage网络将目标边界框检测为一对关键点（即边界框的左上角和右下角）。通过将目标检测为成对关键点，就可消除现有的one-stage检测网络中对一组anchors的需要，这个最近火热的anchor-free也是不谋而合。接下来，先简单介绍下CornetNet和CenterNet这两个基于特征点的目标检测网络。最后对CornerNet-Squeeze做个简单介绍！ CornerNet网络的整体思路是，首先通过Hourglass Network网络进行特征提取，紧接着将网络得到的特征输入到两个模块： Top-left Corner pooling 和 Bottom-right Corner pooling 提取关键点的特征，对于每个Corner Pooling模块都会进行目标框的左上角关键点和右下角关键点的类别分类（ Heatmaps ），并找到每个目标的一对关键点（ Embeddings ），以及减少基于坐标回算目标目标位置时的偏置（ offsets ）。网络的整体结构图如下： 很显然，CornerNet的核心是四个部分： 最终，如下图所示，上半支路的网络结果如下所示，网络最终是由两条支路组成的。 CenterNet网络主要是基于CornerNet网络存在的问题，而提出的基于关键点目标检测的网络。其实现了目前为止在one-stage系类算法中最高的MAP。CenterNet的作者发现，CornerNet是通过检测物体的左上角点和右下角点来确定目标，但在此过程中CornetNet使用corner pooling仅仅能够提取到目标边缘的特征，而导致CornetNet会产生很多的误检。基于此，CenterNet利用关键点 三元组 即 中心点、左上角关键点和右下角关键点 三个关键点而不是两个点来确定一个目标，使得网络能够获取到目标内部的特征。而CornerNet在论文中也说道了，约束其网络性能最重要的部分是关键点的提取，因此CenterNet提出了 Center Pooling 和 cascade corner Pooling 用来更好的提取本文提出的三个关键点。 作者基于Corner Pooling的系列思想，提出了Center Pooling的思想，使得网络提取到的中心点特征能够更好的表征目标物体。 最终，CenterNet在CornerNet的基础上增加了中心点的预测，以及修改了关键点特征的提取方式，大大减小了网络的误检，并且实现了one-stage系列算法中的最好效果。 普林斯顿大学在4月19号提出了两种更高效的基于关键点的目标检测算法，分别为： CornetNet-Saccade 和 CornetNet-Squeeze ，若将两种策略结合则称为 CornerNet-Lite 。以下是Cver对这两个网络的介绍，个人感觉写的很好，我就不造轮子了： 最终我最感兴趣的网络CornerNet-Squeeze和YOLOv3进行对比，达到了如下图所示的效果。 然而，就在我学习并总结这篇文章的过程中，我发现CornerNet-Squeeze是基于CornerNet改进的，但正如上文中介绍CenterNet的时候提到过的CornerNet所具有的那些弊端，我总觉得CornerNet-Squeeze在误检的部分不一定会很优秀，所以接下来就是看源码阶段了，希望CornerNet-Squeeze能够不负我望哈~
最近一直了解人脸检测的算法，所以也尝试学多人脸检测框架。所以这里将拿出来和大家分享一下 Retinaface 与普通的目标检测算法类似，在图片上预先设定好一些先验框，这些先验框会分布在整个图片上，网络内部结构会对这些先验框进行判断看是否包含人脸，同时也会调整位置进行调整并且给每一个先验框的一个置信度。 在 Retinaface 的先验框不但要获得人脸位置，还需要获得每一个人脸的五个关键点位置 接下来我们对 Retinaface 执行过程其实就是在图片上预先设定好先验框，网络的预测结果会判断先验框内部是否包含人脸并且对先验框进行调整获得预测框和五个人脸关键点。 MobileNet 网络是由 google 团队在 2017 年提出的，专注移动端和嵌入式设备中轻量级 CNN 网络，在大大减少模型参数与运算量下，对于精度只是小幅度下降而已。 在主干网络输出的相当输出了不同大小网格，用于检测不同大小目标，先验框默认数量为 2，这些先验框用于检测目标，然后通过调整得到目标边界框。 深度可分离卷积好处就是可以减少参数数量，从而降低运算的成本。经常出现在一些轻量级的网络结构(这些网络结构适合于移动设备或者嵌入式设备)，深度可分离卷积是由DW(depthwise)和PW(pointwise)组成 这里我们通过对比普通卷积神经网络来解释，深度可分离卷积是如何减少参数 我们先看图中 DW 部分，在这一个部分每一个卷积核通道数 1 ，每一个卷积核对应一个输入通道进行计算，那么可想而知输出通道数就与卷积核个数以及输入通道数量保持一致。 简单总结一下有以下两点 PW 卷积核核之前普通卷积核类似，只不过 PW 卷积核大小为 1 ，卷积核深度与输入通道数相同，而卷积核个数核输出通道数相同 普通卷积 深度可分离卷积
人脸关键点检测可以精确定位面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴，脸部轮廓等。支持一定程度遮挡以及多角度人脸。使用关键点检测技术，可以精确定位人脸美化局部，还可以实现表情交互。
python使用dlib进行人脸检测与人脸关键点标记
Dlib简介：
首先给大家介绍一下Dlib
Dlib是一个跨平台的C++公共库，除了线程支持，网络支持，提供测试以及大量工具等等优点，Dlib还是一个强大的机器学习的C++库，包含了许多机器学习常用的算法。同时支持大量的数值算法如矩阵、大整数、随机数运算等等。
Dlib同时还包含了大量的图形模型算法。
最重要的是Dlib的文档和例子都非常详细。
Dlib主页：
这篇博客所述的人脸标记的算法也是来自Dlib库，Dlib实现了One Millisecond Face Alignment with an Ensemble of Regression Trees中的算法
这篇论文非常出名，在谷歌上打上One Millisecond就会自动补全，是CVPR 2014(国际计算机视觉与模式识别会议)上的一篇国际顶级水平的论文。毫秒级别就可以实现相当准确的人脸标记，包括一些半侧脸，脸很不清楚的情况，论文本身的算法十分复杂，感兴趣的同学可以下载看看。
Dlib实现了这篇最新论文的算法，所以Dlib的人脸标记算法是十分先进的，而且Dlib自带的人脸检测库也很准确，我们项目受到硬件所限，摄像头拍摄到的画面比较模糊，而在这种情况下之前尝试了几个人脸库，识别率都非常的低，而Dlib的效果简直出乎意料。
相对于C++我还是比较喜欢使用python，同时Dlib也是支持python的，只是在配置的时候碰了不少钉子，网上大部分的Dlib资料都是针对于C++的，我好不容易才配置好了python的dlib，这里分享给大家：
Dlib for python 配置：
因为是用python去开发计算机视觉方面的东西，python的这些科学计算库是必不可少的，这里我把常用的科学计算库的安装也涵盖在内了，已经安装过这些库的同学就可以忽略了。
我的环境是:
大家都知道Ubuntu是自带的，而且很多Ubuntu系统软件都是基于的，有一次我系统的python版本乱了，我脑残的想把卸载了重装，然后……好像是提醒我要卸载几千个软件来着，没看好直接回车了，等我反应过来Ctrl + C 的时候系统已经没了一半了…
所以我发现想要搞崩系统，这句话比rm -rf 还给力…
sudo apt-get remove
首先安装两个python第三方库的下载安装工具,好像是预装了easy_install
以下过程都是在终端中进行：
1.安装pip
sudo apt-get install python-pip1
2.安装easy-install
sudo apt-get install python-setuptools1
3.测试一下easy_install
有时候系统环境复杂了，安装的时候会安装到别的python版本上，这就麻烦了，所以还是谨慎一点测试一下，这里安装一个我之前在博客中提到的可以模拟浏览器的第三方python库测试一下。
sudo easy_install Mechanize1
4.测试安装是否成功
在终端输入python进入python shell
python1
进入python shell后import一下刚安装的mechanize
>>>import mechanize1
没有报错，就是安装成功了，如果说没有找到，那可能就是安装到别的python版本的路径了。
同时也测试一下PIL这个基础库
>>>import PIL1
没有报错的话，说明PIL已经被预装过了
5.安装numpy
接下来安装numpy
首先需要安装python-dev才可以编译之后的扩展库
sudo apt-get install python-dev1
之后就可以用easy-install 安装numpy了
sudo easy_install numpy1
这里有时候用easy-install 安装numpy下载的时候会卡住，那就只能用 apt-get 来安装了：
sudo apt-get install numpy1
不推荐这样安装的原因就是系统环境或者说python版本多了之后，直接apt-get安装numpy很有可能不知道装到哪个版本去了，然后就很麻烦了，我有好几次遇到这个问题,不知道是运气问题还是什么，所以风险还是很大的，所以还是尽量用easy-install来安装。
同样import numpy 进行测试
python>>>import numpy1234
没有报错的话就是成功了
下面的安装过程同理，我就从简写了，大家自己每步别忘了测试一下
6.安装scipy
sudo apt-get install python-scipy1
7.安装matplotlib
sudo apt-get install python-matplotlib1
8.安装dlib
我当时安装dlib的过程简直太艰辛，网上各种说不知道怎么配，配不好，我基本把stackoverflow上的方法试了个遍，才最终成功编译出来并且导入，不过听说更新之后有了,那真是极好的，我没有亲自配过也不能乱说，这里给大家分享我配置的过程吧：
1.首先必须安装libboost，不然是不能使用.so库的
sudo apt-get install libboost-python-dev cmake1
2.到Dlib的官网上下载dlib，会下载下来一个压缩包，里面有C++版的dlib库以及例子文档，Python dlib库的代码例子等等
我使用的版本是,大家也可以在我这里下载：
之后进入python_examples下使用bat文件进行编译，编译需要先安装libboost-python-dev和cmake
cd to 123
之后会得到一个，复制到dist-packages目录下即可使用
这里大家也可以直接用我编译好的.so库,但是也必须安装libboost才可以，不然python是不能调用so库的，下载地址：
将.so复制到dist-packages目录下
sudo cp /usr/local/lib/
最新的好像就没有这个bat文件了，取而代之的是一个setup文件，那么安装起来应该就没有这么麻烦了，大家可以去直接安装，也可以直接下载复制我的.so库，这两种方法应该都不麻烦～
有时候还会需要下面这两个库，建议大家一并安装一下
9.安装skimage
sudo apt-get install python-skimage1
10.安装imtools
sudo easy_install imtools1
Dlib face landmarks Demo
环境配置结束之后，我们首先看一下dlib提供的示例程序
1.人脸检测
源程序：
#!/usr/bin/python# The contents of this file are in the public domain. See This example program shows how to find frontal human faces in an image. In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face.## The examples/faces folder contains some jpg images of people. You can run# this program on them and see the detections by executing the# following command:# ./ ../examples/faces/*.jpg## This face detector is made using the now classic Histogram of Oriented# Gradients (HOG) feature combined with a linear classifier, an image# pyramid, and sliding window detection scheme. This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human faces. Therefore, if you are interested in making# your own object detectors then read the example# program. ### COMPILING THE DLIB PYTHON INTERFACE# Dlib comes with a compiled python interface for python on MS Windows. If# you are using another python version or operating system then you need to# compile the dlib python interface before you can use this file. To do this,# run . This should work on any operating# system so long as you have CMake and boost-python installed.# On Ubuntu, this can be done easily by running the command:# sudo apt-get install libboost-python-dev cmake## Also note that this example requires scikit-image which can be installed# via the command:# pip install -U scikit-image# Or downloaded from . import sysimport dlibfrom skimage import iodetector = ()win = ()print("a");for f in [1:]:print("a");print("Processing file: {}".format(f))img = (f)# The 1 in the second argument indicates that we should upsample the image# 1 time. This will make everything bigger and allow us to detect more# = detector(img, 1)print("Number of faces detected: {}".format(len(dets))) for i, d in enumerate(dets):print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(i, (), (), (), ()))()(img)(dets)()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different (len([1:]) > 0):img = ([1])dets, scores, idx = (img, 1) for i, d in enumerate(dets):print("Detection {}, score: {}, face_type:{}".format(d, scores[i], idx[i]))1234567891011128192021222324252627282930337383940414243444546474849505575859606162636465666768697077778798081
我把源代码精简了一下，加了一下注释：
# -*- coding: utf-8 -*-import sysimport dlibfrom skimage import io#使用dlib自带的frontal_face_detector作为我们的特征提取器detector = ()#使用dlib提供的图片窗口win = ()#[]是用来获取命令行参数的，[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径for f in [1:]: #输出目前处理的图片地址print("Processing file: {}".format(f)) #使用skimage的io读取图片img = (f) #使用detector进行人脸检测 dets为返回的结果dets = detector(img, 1) #dets的元素个数即为脸的个数print("Number of faces detected: {}".format(len(dets))) #使用enumerate 函数遍历序列中的元素以及它们的下标#下标i即为人脸序号#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离for i, d in enumerate(dets):print("dets{}".format(d))print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format( i, (), (), (), ())) #也可以获取比较全面的信息，如获取人脸与detector的匹配程度dets, scores, idx = (img, 1)for i, d in enumerate(dets):print("Detection {}, dets{},score: {}, face_type:{}".format( i, d, scores[i], idx[i])) #绘制图片(dlib的ui库可以直接绘制dets)(img)(dets) #等待点击()123456789101112819202122232425262728293033738394041424344454647484950
分别测试了一个人脸的和多个人脸的，以下是运行结果：
运行的时候把图片文件路径加到后面就好了
python ./data/
一张脸的：
两张脸的：
这里可以看出侧脸与detector的匹配度要比正脸小的很多
2.人脸关键点提取
人脸检测我们使用了dlib自带的人脸检测器（detector），关键点提取需要一个特征提取器（predictor），为了构建特征提取器，预训练模型必不可少。
除了自行进行训练外，还可以使用官方提供的一个模型。该模型可从dlib sourceforge库下载：
也可以从我的连接下载：
这个库支持68个关键点的提取，一般来说也够用了，如果需要更多的特征点就要自己去训练了。
源程序：
#!/usr/bin/python# The contents of this file are in the public domain. See This example program shows how to find frontal human faces in an image and# estimate their pose. The pose takes the form of 68 landmarks. These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forth.## This face detector is made using the classic Histogram of Oriented# Gradients (HOG) feature combined with a linear
是的，比如云脉人脸识别中的人脸检测技术就是采用三维定向，对人脸三维朝向，做精准到“度”的判断，以及对人脸特征点进行“像素级”定位，轻松判断眼睛开合状态，还可通过技术对现有人脸识别做技术上的补充和完善，进而达到识别的创新性和严谨性。
论文降重的一般方法：
1、文字转图片
将一些重要的论点文献等无法进行改写的内容，可以将其转化成图片的形式来进行降重，不过这种方法只适用于点缀。不能够大面积使用。
2、数据转表格
在部分数据较多的专业下，即便是自己实验得出的数据也是很容易飘红的，那么这个时候，可以将数据以表格或者图表的形式来进行展现，既能降低论文的重复度，又能提升论文的美观度哦。
3、段落改写
将较长的段落进行拆分，一个大段拆分成几个小段，并添加部分自己的理解与内容，对段落进行一个承上启下的作用。
4、段落删除
如果论文的长度过多的话，完全是可以进行一定的删除，将论文飘红的地方进行适当的删减与修改。也是非常有效的。
5、调整结构
论文的结构一般能不动就不动了，毕竟调整结构是一个比较浩大的工程，但是若是论文查重率居高不下，那么很有可能就是论文的结构重复度过高。
一、修改关键字写论文的时候，总会有类似于其他论文的一部分，如果没有进行修改，就会导致论文的重复性增加。例如专有名，我们可以把他的中文名和英文名写在一起，或者解释一下专有名的含义。但我们不能以减重为代价，还是要保证论文的专业性。二、转换陈述中华文化博大精深，同一句子可以用不同的语句表达，重复某些内容，我们就可以颠倒句子顺序，复杂变简单，正反说，主动变被动，简单变复杂。注：为了避免原则上的错误，我们不能改变原文的意思。三、短句变长句重复性的短句是很难修改的，因此，要尽可能地充实文章中的句子，使短句变为长句，不仅可以增加文章中的字数，还可以降低重复性。
随着查重技术的成熟，论文查重系统的检测能力将继续增强。如果学生的论文想通过学校的审核，就非常有必要降低毕业论文的查重率。在我们向导师提交论文之前，我们可以通过市场上的第三方系统对论文进行检测。在确定论文重复的情况下，更容易修改。让我们来看看有没有比较简单的降重方法？paperfree小编给大家讲解。 1.修改关键字。因为有很多学科可能使用相同的关键字，毕竟，这也与我们的专业有关，所以我们仍然需要使用，但毕业论文检测降重需要特别注意关键字修改，尽量直接修改关键字，所以自然降低查重率会更容易。你知道，在成千上万的论文中，数百个单词可能会有很大的影响。 2.你可以简化一些句子。对于许多段落中简化的句子。事实上，这些句子很少，而且非常分散。如果每句话都需要更多的时间来修改，那么对于这个数字来修改大量的重复工作可以被删除，这可以大大提高工作效率。 3.图表应合理使用。有时图表论文检测系统分析会非常困难，所以只要合理使用，就能确保毕业论文检查减少，大多数时候我们也应该知道，图片应用不会检查，虽然系统升级，但毕竟，图片不仅有文本内容，我们的截图格式至少有三到五种，系统不能全部审查，所以图表的合理应用，对我们的降重或有帮助。 4.了解句子表达形式的调整。每个人都有一定的写作习惯，并不是每个人的论文表达方式都是一样的。毕业论文或改变句子，如专业技术知识决定研究方向，你可以改为如何写专业知识领域，我相信这样的句子改变你应该能够掌握，也可以提高论文的字数。
论文降重三小妙招 1增加字数，扩写句子2小语种转换法3 AI降重
您是想问论文查重显示没有外文关键词怎么办吗？论文查重显示没有外文关键词的办法是索引的外文字数不要太多，最好不要大段大段的引用。
问题一：毕业论文不合格怎么办？ 不晓得你是哪个学校的，建议你问下你的师哥师姐们你那个学校关于论文的事情是怎么处理的。 不过可以跟你说下我们学校。1本211学校，论文答辩的话有2次机会。第一次答辩没过的话，再给你不到一周的时间让你重新写论文然后再参加答辩，二次答辩没有第一次那么认真，基本你按第一次老师提的意见修改下自己的论文之后都能过。我的感觉是，学校不可能卡着你的论文不让你毕业，毕竟你毕不了业对学校来说也不是什么好事。就拿你所在的院系来说，毕业论文通过率太低老师们脸上也挂不住啊。 还有你既然怕过不了，听你的语气你现在又没把论文交上去，那你干嘛不按导师的意思把论文好好改下嘞？花点功夫不用多久就能改好的~~非要看到不及格？ 问题二：毕业论文不及格会怎么样？ 不会不给毕业证 但是会延迟 问题三：本科生真的会因为毕业论文查重不过而不让毕业么 目前，高校对于硕博士论文,需要通过抄袭检测系统的检测才能算过关。对本科生来说，大部分学校也采取抽查的方式对本科论文进行检测。 抄袭过多，一经查出超过30%,后果严重。轻者延期毕业，重者取消学位。辛辛苦苦读个大学，学位报销了多不爽。 但是，软件毕竟是人工设置的一种机制，里面内嵌了检测算法，我们只要摸清其中的机理，通过简单的修改，就能成功通过检测。 本文是在网络收集的资料。整理了最重要的部分，供大家参考。 论文抄袭检测算法： 1.论文的段落与格式 论文检测基本都是整篇文章上传，上传后，论文检测软件首先进行部分划分，上交的最终稿件格式对抄袭率有很大影响。不同段落的划分可能造成几十个字的小段落检测不出来。因此，我们可以通过划分多的小段落来降低抄袭率。 2.数据库 论文检测，多半是针对已发表的毕业论文，期刊文章，还有会议论文进行匹配的，有的数据库也包含了网络的一些文章。这里给大家透露下，很多书籍是没有包含在检测数据库中的。之前朋友从一本研究性的著作中摘抄了大量文字，也没被查出来。就能看出，这个方法还是有效果的。 3.章节变换 很多同学改变了章节的顺序，或者从不同的文章中抽取不同的章节拼接而成的文章，对抄袭检测的结果影响几乎为零。所以论文抄袭检测大师建议大家不要以为抄袭了几篇文章，或者几十篇文章就能过关。 4.标注参考文献 参考别人的文章和抄袭别人的文章在检测软件中是如何界定的。其实很简单，我们的论文中加了参考文献的引用符号，但是在抄袭检测软件中。都是统一看待，软件的阀值一般设定为1%，例如一篇文章有5000字,文章的1%就是50字，如果抄袭了多于50，即使加了参考文献，也会被判定为抄袭。 5.字数匹配 论文抄袭检测系统相对比较严格，只要多于20单位的字数匹配一致，就被认定为抄袭，但是前提是满足第4点，参考文献的标注。 论文抄袭修改方法： 首先是词语变化。文章中的专业词汇可以保留，尽量变换同义词； 其次，改变文中的描述方式，例如倒装句、被动句、主动句；打乱段落的顺序，抄袭原文时分割段落，并重组。 通过上述方法，能有效降低抄袭率。 下面举几个例子，大家可以参考下： 例句A： 本文以设备利用率最大化为目标函数,采用整数编码与实数编码相结合的遗传算法,研究了HFS的构建问题。本文提出的染色体编码方法及相应的遗传操作方法可实现研究对象的全局随机寻优。通过对car系列标准算例的研究,显示了本文提出方法具有较高的计算重复性和计算效率。 修改A： 本文研究了HFS问题的构建，通过遗传算法并结合整数与实数编码，目标函数为最大化设备利用率来求解。本文的染色体编码方法与对应的遗传算法操作可有效提高算法的全局搜索能力。通过对一些列基准算例的研究，验证了本文算法的有效性，并具有较高的计算重复性和较高的运算效率。 例句B： 由于房地产商品的地域性强，房地产开发企业在进行不同区域投资时，通常需要建立项目公司，此时就会面临建立分公司还是子公司的选择。子公司是一个独立的法人，而分公司则不是独立法人，它们在税收利益方面存在差异。子公司是独立法人，在设立区域被视为纳税人，通常要承担与该区域其它公司一样的全面纳税义务；分公司不是独立的法人实体，在设立分公司的所在区域不被视为纳税人，只承担有限的纳税义务，分公司发生的利润与亏损要与总公司合并计算。 修改B： 房地产开发企业在不同区域进行投资时，由于此类商品的地域性强，因此需要建立项目公司。此时，企业需要选择建立分公司还是子公司。主要的区别是子公司具有独立的法人，分公司则不是独......>> 问题四：毕业论文不过怎么办 先改改成什么样算什么样交了再说。不行再重写个，问问老师那里出现的问题。 问题五：毕业论文检测不过怎么办？ 要点 ⑴引言：引言又称前言、序言和导言，用在论文的开头。引言一般要概括地写出作者意图，说明选题的目的和意义，并指出论文写作的范围。引言要短小精悍、紧扣主题。 〈2)论文正文：正文是论文的主体，正文应包括论点、论据、论证过程和结论。主体部分包括以下内容： a.提出问题-论点; b.分析问题-论据和论证; c.解决问题-论证方法与步骤; d.结论。 为了做到层次分明、脉络清晰，常常将正文部分分成几个大的段落。这些段落即所谓逻辑段，一个逻辑段可包含几个小逻辑段，一个小逻辑段可包含一个或几个自然段，使正文形成若干层次。论文的层次不宜过多，一般不超过五级。 问题六：毕业论文没过怎么办 你的论文准备往什么方向写，选题老师审核通过了没，有没有列个大纲让老师看一下写作方向？ 老师有没有和你说论文往哪个方向写比较好？写论文之前，一定要写个大纲，这样老师，好确定了框架，避免以后论文修改过程中出现大改的情况！！ 学校的格式要求、写作规范要注意，否则很可能发回来重新改，你要还有什么不明白或不懂可以问我，希望你能够顺利毕业，迈向新的人生。 按老师批注和意见认真修改，这样你才能顺利通过，而且数据一定要充分 毕业论文不同于一般的小论文，特别是硕士毕业论文或者博士毕业论文。一般的小论文就四五页，而硕士论文动辄五六十页，有的甚至七八十页。所以有些东西如果要人工的去修改，将是一件非常痛苦的事情。痛苦的事情至少有两个：目录自动生成和编号、参考文献引用的上标。本文将从这两个方面说说小技巧，自动生成，非常方便。 先说两种痛苦情况。 设定好文章的目录结构后，突然发现中间要添加或者删除一个章节，添加删除容易，可是其后遗症就是后面的编号都要跟着变动。比如要删除第二章，那么原理的第三章就要改为第二章，后面的要跟着动，添加也一样，很麻烦。 目录自动生成简单说下，将文档切换到大纲视图，然后设置你要设定成目录的文字的大纲级别。如果将大纲级别设定为1级，那么就是1级目录，一般我们会设置到3级，这样会生成1、2、3级目录。设定好后，在要插入目录的地方，点击插入--引用--索引和目录就可以了。格式在另外设置下就行了。 心灵手巧，轻松点击一下收藏，别等需要的时候乱了阵脚。 1、论文题目：要求准确、简练、醒目、新颖。 2、目录：目录是论文中主要段落的简表。（短篇论文不必列目录） 3、提要：是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。 4、关键词或主题词：关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。 每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。主题词是经过规范化的词，在确定主题词时，要对论文进行主题，依照标引和组配规则转换成主题词表中的规范词语。 5、论文正文：（1）引言：引言又称前言、序言和导言，用在论文的开头。 引言一般要概括地写出作者意图，说明选题的目的和意义, 并指出论文写作的范围。引言要短小精悍、紧扣主题。〈2）论文正文：正文是论文的主体，正文应包括论点、论据、 论证过程和结论。主体部分包括以下内容：a.提出-论点；b.分析问题-论据和论证；c.解决问题-论证与步骤；d.结论。 6、一篇论文的参考文献是将论文在和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献著录规则》进行。中文：标题--作者--出版物信息（版地、版者、版期）：作者--标题--出版物信息所列参考文献的要求是：（1）所列参考文献应是正式出版物，以便读者考证。（2）所列举的参考文献要标明序号、著作或文章的标题、作者、出版物信息。 第一步：初稿一般重复率会比较高(除非你是自己一字一句写的大神)，可以采用万方、papertest去检测，然后逐句修改。这个系统是逐句检测的，也就是说你抄的任何一句话都会被检测出来。这种检测算法比较严格，从程序的角度分析这种算法比较简单。因而网上卖的都很便宜，我测的是3万字，感觉还是物美价廉的。(注意：1 这个库不包含你上一届研究生师兄的大论文，修......>> 问题七：毕业论文没通过怎么办? 1.确定自己的主题2.根据自己的主题，搜集大量的有用的材料3.了解论文的格式附：论文格式广义来说，凡属论述科学技术内容的作品，都称作科学著述，如原始论著、简报、综合报告、进展报告、文献综述、述评、专著、汇编、教科书和科普读物等。但其中只有原始论著及其简报是原始的、主要的、第一性的、涉及到创造发明等知识产权的。其它的当然也很重要，但都是加工的、发展的、为特定应用目的和对象而撰写的。下面仅就原始论著的撰写谈一些体会，同时对如何做好学术报告也谈一些经验。在讨论原始论著写作时也不准备谈有关稿件撰写的各种规定及细则。我主要谈的是写作中容易发生的问题和经验，是写作道德和书写内容的规范问题。 论文写作的要求 下面按文章结构的顺序依次叙述。 (一)题目 科学论文都有题目，不能“无题”。题目一般20字左右。题目大小应与内容符合，尽量不设副题，不用第l报、第2报之类。题目都用直叙口气，不用惊叹号或问号，也不能将科学论文题目写成广告语或新闻报道用语。 (二)署名 科学论文应该署真名和真实的工作单位。主要体现责任、成果归属并便于后人追踪研究。严格意义上的作者是指对选题、论证、查阅文献、方案设计、建立方法、实验操作、整理资料、归纳总结、撰写成文等全过程负责的人，应该是能解答文章的有关问题者。现在往往把参加工作的人全部列上，那就应该以贡献大小依次排列。署名应征得本人同意。学术指导人根据实际情况既可以列为作者，也可以一般致谢。行政领导人一般不署名。 (三)引言 是引人入胜之言，很重要，要写好。一段好的引言常能使读者明白你这份工作的发展历程和在这一研究方向中的位置。要写出立题依据、基础、背景、研究目的。要复习必要的文献，写明问题的发展，文字要简练。 (四)材料与方法 按规定如实写出实验对象、器材、动物和试剂及其规格，写出实验方法、指标、判断标准等，写出实验设计、分组、统计处理方法等。这些按杂志规定办即可。 (五)实验结果 应高度归纳，精心分析，合乎逻辑地铺叙。应该去粗取精，去伪存真，但不能因不符合自己的意图而主观取舍，更不能弄虚作假。只有在技术不熟练或仪器不稳定时期所取得的数据，在技术故障或操作错误时所得的数据和不符合实验条件时所得的数据才能废弃不用。而且必须在发现问题当时就在原始记录上注明原因，不能在总结处理时因不合常态而任意剔除。废弃这类数据时应将在同样条件下，同一时期的实验数据一并废弃，不能只废弃不合己意者。 实验结果的整理应紧扣主题，删繁就简，有些数据不一定适合于这一篇论文，可留作它用，不要硬行拼凑到一篇中。行文应尽量采用专业术语。能用表的不要用图，可以不用图表的最好不要用图表，以免多占篇幅，增加排版困难。文、表、图互不重复。实验中的偶然现象和意外变故等特殊情况应作必要的交代， 问题八：请问毕业论文抄袭率过高怎么办? 目前，高校对于硕博士论文,需要通过抄袭检测系统的检测才能算过关。对本科生来说，大部分学校也采取抽查的方式对本科论文进行检测。 抄袭过多，一经查出超过20%,后果严重。轻者延期毕业，重者取消学位。尼玛辛辛苦苦读个大学，学位报销了多不爽。 但是，软件毕竟是人工设置的一种机制，里面内嵌了检测算法，我们只要摸清其中的机理，通过简单的修改，就能成功通过检测。 本文是在网络收集的资料。整理了最重要的部分，供大家参考。 论文抄袭检测算法： 1.论文的段落与格式 论文检测基本都是整篇文章上传，上传后，论文检测软件首先进行部分划分，上交的最终稿件格式对抄袭率有很大影响。不同段落的划分可能造成几十个字的小段落检测不出来。因此，我们可以通过划分多的小段落来降低抄袭率。 2.数据库论文检测，多半是针对已发表的毕业论文，期刊文章，还有会议论文进行匹配的，有的数据库也包含了网络的一些文章。这里给大家透露下，很多书籍是没有包含在检测数据库中的。之前朋友从一本研究性的著作中摘抄了大量文字，也没被查出来。就能看出，这个方法还是有效果的。 3.章节变换很多同学改变了章节的顺序，或者从不同的文章中抽取不同的章节拼接而成的文章，对抄袭检测的结果影响几乎为零。所以论文抄袭检测大师建议大家不要以为抄袭了几篇文章，或者几十篇文章就能过关。 论文抄袭修改方法： 首先是词语变化。文章中的专业词汇可以保留，尽量变换同义词； 其次，改变文中的描述方式，例如倒装句、被动句、主动句；打乱段落的顺序，抄袭原文时分割段落，并重组。 通过上述方法，能有效降低抄袭率。 下面举几个例子，大家可以参考下：例句A：本文以设备利用率最大化为目标函数,采用整数编码与实数编码相结合的遗传算法,研究了HFS的构建问题。本文提出的染色体编码方法及相应的遗传操作方法可实现研究对象的全局随机寻优。通过对car系列标准算例的研究,显示了本文提出方法具有较高的计算重复性和计算效率。 修改A：本文研究了HFS问题的构建，通过遗传算法并结合整数与实数编码，目标函数为最大化设备利用率来求解。本文的染色体编码方法与对应的遗传算法操作可有效提高算法的全局搜索能力。通过对一些列基准算例的研究，验证了本文算法的有效性，并具有较高的计算重复性和较高的运算效率。 例句B：由于房地产商品的地域性强，房地产开发企业在进行不同区域投资时，通常需要建立项目公司，此时就会面临建立分公司还是子公司的选择。子公司是一个独立的法人，而分公司则不是独立法人，它们在税收利益方面存在差异。子公司是独立法人，在设立区域被视为纳税人，通常要承担与该区域其它公司一样的全面纳税义务；分公司不是独立的法人实体，在设立分公司的所在区域不被视为纳税人，只承担有限的纳税义务，分公司发生的利润与亏损要与总公司合并计算。 修改B：房地产开发企业在不同区域进行投资时，由于此类商品的地域性强，因此需要建立项目公司。此时，企业需要选择建立分公司还是子公司。主要的区别是子公司具有独立的法人，分公司则不是独立法人。其次，在税收利益方面，由于分公司不是独立的法人实体，在设立分公司的所在区域不被视为纳税人，只承担纳税义务，总公司需要合并计算分公司的利润与亏损；而子公司是独立法人，在所在区域被视为法人实体，需要承担与区域其他公司一样的全面纳税义务。有同学这里就提出问题了，学校用的检测系统是知网的学术不端检测系统，不是淘宝几元钱买的万方数据检测。 从经济角度考虑，知网的系统只有教育机构才能申请账号，而一般学生在淘宝上找检测一次也要200左右，来回修改和检测就上千了。哥强烈建议大家......>> 问题九：本科论文答辩没过怎么办 二辩一般会让你过的，学校也不会太为难你，你下次一定要注意你的态度，应该没问题 问题十：专科毕业论文没过怎么办? 如果老师说一篇不行那就只能修改，如果是修改下二稿的话，那你就修改下咯
必须的论文格式方便收录查找这个要是没有的话，论文应该会扣格式分吧
您好，您是想问论文查重显示没有外文关键词是什么原因吗？论文查重显示没有外文关键词是引用标注不规范，因为paperpass、维普、万方这几个检测系统是复制进去的,粘贴后论文里面的引用关系就没有了,因为粘贴后格式都没了,检测的时候也不容易认定那些是引用，所以就无法显示。
工程测量论文
程测量通常是指在工程建设的勘测设计、施工和管理阶段中运用的各种测量理论、方法和技术的总称。下面我整理了工程测量的论文，希望对大家有所帮助。
断面测绘工作是隧洞工程中非常重要的环节，而传统的断面测绘作业方式，具有外业测量程序复杂、定位的精度较低，内业的数据处理工作任务量庞大、效率也很低，归其主要问题是传统的测绘方法和对其进行数据整理分析工作存在很大的局限性。因此，为了提升该工作的工作效率和最终的精确度，必须结合先进的测量仪器对测量的方式进行改进，来提高绘图和数据分析的效率。
1 隧洞横断面的特点和测量的困难
隧洞断面主要有两大特点，其一是形状的多元化，第二是面积比较大。隧洞的这些特点给传统的断面测绘方法造成了困扰，导致有些不能测量，像使用传统的水准仪或经纬仪的测量方法不能对某些疏导洞的断面进行测绘。随着科学技术的发展，电子测量仪在隧洞断面测量上被广泛使用，但其仍然存在某些局限性： ①内部作业仍然使用手工方法对断面进行绘制；②棱镜的放置位置不会在同一个断面，导致产生较大的误差；③棱镜的放置位置不易选取，尤其是面积比较大的隧洞，经常借助吊车等机械设备。
2 GPS布设隧洞工程控制网
隧洞工程控制网的建立与其它工程的基本类似，通常设为独立网形式。主要依据是隧洞的环境/地形条件、自身的长度、现有的仪器设备以及规定的贯通误差等。
通过 GPS 定位技术建设隧洞的平面控制网具有很多优势：①建立网的效率比较高，与三角网相比，观测工作可提高5~10 倍；②GPS 网 对图形夹角或条件要求较低，选布点间距和点位较为随意，仅仅在隧洞口处布设可以互相通视的控制点即可；③计算、检查的工作量比三角网降低很多，并且极易符合规范的`要求；④不管隧洞长短，均可应用，适用的范围较广。
3 隧洞断面测量改进方法的研究
采用免棱镜全站仪测量，并使用Excel、Auto CAD软件绘制断面图
数据收集的方法
数据收集主要是通过激光的方式进行，采用坐标系进行定位，X 轴是隧洞的洞室轴线，原点是洞室轴线的起始点。
绘制断面图
在对实地的数据进行测量后，将全站仪连接在计算机上，打开全站仪办公软件，将数据导入 Excel 表中。断面图体现的是垂直洞室轴线的二维的平面，即 Y值和H 值。因此，在隧洞断面的 Y值很相似时候，应依照桩号把每个断面的 Y值的固定系数进行递增产生断面间距，但是应该保持同一断面不同点 Y值所加的数值相同，避免在自动绘制断面图时出现重叠的现象（见图 1）。
该方法的优点
综合来看，上述方法是一种可行使用、作业效率高的隧洞断面测绘的方法。
其优势具体表现为：①利用Auto CAD 进行自动绘制断面图，解决了手工绘图的麻烦，降低了内业工作任务；②提高了外业作业时的定位准确度，应用先进的电子设备，使测量程序简单化，通常只需 2名外业测量工作人员；③所测数据具有较好的直观性，不用进行复杂的转化，也简化了计算的过程。对该方法在实际应用中的统计结果，该方法提高了 40%左右的工作效率[1].
断面仪的应用
断面仪工作原理
断面仪是电子测量仪与激光测距的有机结合。使用 断面仪可以将测量的数据直接存 入内存，导入计算机。其测距原理简单，即激光照射到断面后，便可测量出距离。它可以在断面的水平方向 360°自由旋转，能够随时改变测量的密度。
的作业方式
主要分为以下三步：
（1）定 位，即选取断面仪的安置地点。一般情形下，将断面仪安装在已知地点，并在该地点放置好棱镜，测量三维坐标，数据将自动计入内存。
（2）启动断面仪。安置好断面仪后，依照菜单的提示进行操作，将断面仪启动后便会进行自动测量工作。其外业工作是通过 Husky 手持测量计算机的Tun 软件控制的。
（3）数据分析和断面图绘制。把记入断面仪内存的定位和测量数据导入计算机后，应用 profiler 软件对所有数据进行分析，通常采用交互式、人机对话和自动分析三种方式。在此基础上，计算机系统将自动绘制断面图[2].
配合免棱镜全站仪
隧洞断面数据的采集
它采用的断面编码方式的数据采集方法。隧洞断面是封闭的，其具体要求有：①进行测量的站点应该架设在隧洞的中线上，而在输入坐标时，高程值输入的是测站位置到设计断面高的相对值；②进行踩点时，应该在隧洞前进方向上、左边底端能测到的第一个点，顺序性的向上进行，需要记录每点的编码 n（即断面的序号），最大程度地密集测量，天顶距点的编码mn;再将望远镜在水平方向上旋转180° , 从接近天顶距的右边的第一个可测量点一次向下进行测量，最后一点是右边最底端可以看见的一点，到此结束全断面的采点。
内业数据的处理
（1）测量数据的传输。与上述方法不同的是，它 是带有编码的，在完成数据的传输后，还要重新确定编码和点的顺序是否有误。其基本步骤是：在进行点击菜单“工程应用”-“生成里程文件”-“由坐标文件生成”操作后，电脑会弹出查找数据文件的对话框，查找并点击导入的文件，输入新的文件名并保存，在出现的命令栏中选择（2）按出现顺序，便会完成断面转化。
（2）绘制隧洞断面图。隧洞断面图有两种生成途径：①设计参数输入的方法；②选取已经存在的设计线，前者实现比较困难，后者比较实用。其基本步骤是：点击“工程应用”-“隧道断面土方计算”-“绘断面图”,在出现的对话框里选择“选择里程文件”里刚刚导入的数据文件即可[3].
利用图像处理实现隧洞断面测量
基本思想
要对隧洞断面进行测量和计算，就必须把隧洞断面边缘信息导入相关的系统中。而在真实的项目施工中，隧洞断面很大区域的光线较弱，而且边缘特征不显着。此时，通过辉光器的作用使隧洞边缘加亮，且输入的图像边缘较明显，再利用拉普拉斯算子模板实施检测。
在图像进行边缘检测后，把它进行细化处理，并进行曲线拟合，生成可以对面积进行计算的环状的有向离散点阵。此处，将简要介绍对环状细化图形进行拟合的方法。首先，上述的点阵应该有与之对应的逻辑中点，以此点为界，把屏幕分成12 个 部分，把各个部分的数据点都设置成水平方向，对其进行曲线拟合，再把拟合结果调至原先的方向，则生成由离散点阵构成的有向环。
在上述的不同区域中，编码的旋转公式是不同的。使所有区域呈现逆时针的排列，并把纵坐标轴作为角分线，纵坐标轴正向的区域视为第一区域，旋转公式通常通常为：
x2=x1cos T+y1sin T
y2=y1cos T-x1sin T
之后再对其进行曲线拟合并把结果还原。
实现步骤
在该方法中，隧洞断面的测量系统是利用 Visual Basic 语言进行编写的，而计算系统是通过 Fortran 和Visual C++语言编程的，测量数据的传输是由动态链接库进行的。其基本步骤主要有以下几步：①通过相机进行图像的输入；②把图像导入图像处理系统，并明确坐标点和比例尺；③对图像进行的面积进行处理和曲线拟合；④导入断面的大小，明确标准高程值，计算断面面积值；⑤把曲线离散转变成逆向离散数据点阵；⑥计算所有断面，并把结果储存到磁盘文件；⑦以表格或图形方式输出数据结果。
实例介绍
通过上述方法对某隧洞进行的实地测量，表 1是上述方法测量结果与人工测量结果的对比，和计算出的误差。可以看出，经过隧洞断面测量系统处理后的结果是能够满足工程施工所要求精度的。
4 结语
先进的科学技术带动了测绘工程的发展，为其提供了快速、安全、有效的测量方法，取得了良好的效果。但是，隧洞情况不一，在测量过程中要选择合理有效的方法，并结合使用，必将发挥更大的作用。
参考文献
[1]彭 勇刚，曹必正。工 程隧洞断面测绘的一种改进方法 [J]. 西 北水电，2006,02:12~13.
[2]郝 亚东，李智祥，郭朝亮。利 用 断 面仪进行隧洞的横断面测量[J].城市勘测，2004,04:41~44.
[3]宋秉元。南方 配合免棱镜全站仪在隧洞断面测量中的应用[J].河北建筑工程学院学报，2006,01:78~79.
食品安全监管的科学模式探索 [2009-08-02 06:56] 摘要：食品安全直接关系着广大人民群众的身体健康和生命安全，同时还影响着国民经济的发展和社会稳定的维护。然而，近年来食品安全事件在全国范围内频频发生，显示我国食品安全正处于风险高发期和矛盾凸现期。如何实现对食品安全科学、有效的监管，保障人民群众的饮食安全，受到社会各界前所未有的关注和重视。剖析了我国食品安全监管中存在的诸多问题，积极探索符合实际、切实有效的科学监管模式。 关键词：食品安全；监管模式 食品安全事件的层出不穷，牵动着无数人民群众的神经。食品安全成为连续多届“两会”的焦点议题，却一直未能取得显著成效。诚然，食品安全监管是一项复杂、系统的任务，离不开公众参与意识、企业诚信自律等多方因素的配合与协作。这些辅持力量的缺失是导致食品安全危机不容忽视的原因。但现行食品安全监管体制存在的重大缺陷才是根本症结所在。 1我国食品安全监管现状和问题 我国面临的食品安全隐患 （1）源头污染。食品原料在种植和养殖过程中污染问题严重。我国种植和养殖业的现状多以农户为单位，分散面广，监管难度大，非法使用违禁农药和有毒有害添加剂的现象难以有效遏制，致使农产品的农药残留超标严重。一方面因农药、兽药引起的食物中毒事件时有发生，如食用被有机磷农药喷过的水果、蔬菜食品中毒和瘦肉精食物中毒；同时也为使用这些农产品原料加工的食品埋下了安全隐患。此外，环境污染也是不容忽视的污染因素。 （2）加工、贮存等过程中的污染。由于我国食品工业发展的时间较短，现有的食品加工基础设备落后，大多数企业规模小，仍采用传统或手工作坊式生产，食品生产加工过程的机械化和规范化程度低，从业人员卫生意识差等因素，使得食品在加工、贮存过程中受到诸多有害物质的污染，这是造成食物中毒的主要因素。尤其是在人群密集的餐饮场所如学生食堂、建筑工地等集体用餐场所，若加工条件和基础设施简陋、缺乏必要的卫生设施，极易引起集体性食物中毒。 （3）制假售假现象猖獗。我国目前正处于经济转轨的阶段，受利益驱使，一些不法分子在食品中掺杂、滥用食品添加剂，甚至用非食品原料和有毒有害物质加工食品。近几年发生的重大食品安全案件，如阜阳劣质奶粉造成婴儿中毒、金华火腿在加工过程中用敌敌畏浸泡、辣椒酱中加苏丹红一号都属此类。 我国现行食品安全监管体制 我国食品安全监管涉及到食品药品监督、卫生、农牧、商务、工商、质量监督检验、海关、环境等多个执法主体。目前，我国食品安全监管采用“一个监管环节由一个部门监管”的原则， 采取“分段监管为主， 品种监管为辅”的方式。 即农业部门（含林业、畜牧业、水产业及粮食业等）负责初级农产品生产环节的监管；质监部门负责食品生产加工环节的监管；工商部门负责食品流通环节的监管；卫生部门负责餐饮业和食堂等消费环节的监管；海关部门负责食品进出口环节的监管；商务部门负责食品供应行业的监管；食品药品监管部门负责对食品安全的综合监督、组织协调和依法组织查处重大事故。这种“分段监督”的模式，初步形成了我国食品安全监管链，形成了现阶段我国食品安全监管工作的基本格局。 我国食品安全监管体制的缺陷 条块分割分治的监管体制所凸现的缺陷非常明显。监管机构的混乱，使食品安全监管体制漏洞百出，有效性大打折扣。在这样的监管格局下，食品安全事件频发，监管部门应对无力的结果是可以预见的。 （1）部门职责划分不清，分工不明确。政出多门、多头执法，监管职能交叉重叠，部门之间互相掣肘的情况时有发生。职权交叉和责任真空的出现在所难免，扯皮、推诿现象司空见惯，彼此无法做到明确分工，协调配合， 食品安全监管难以形成合力。 （2）缺乏统一领导，沟通和协调困难。由于没有统一领导和规划，各部门分头执法，对食品安全进行监管所依据的法律法规、部门规章、监测标准不一，缺乏权威性。另外，沟通、协调不畅导致资源不能得到优化配置，造成巨大浪费，且无法发挥整体最大功效。 （3）缺乏有效的责任追究制度。由于法律没有形成有效的失职行为责任追究制度，当前食品安全监管中广泛存在“执法不严”、“违法不究”的现象。2新型科学监管模式探索和设想 根据美国科学院的一项研究结果，一个有效的食品安全监管体系应该包括以下内容: 要建立在科学基础上，强调风险分析和预防，从而把资源和工作重点放在具有最大潜在影响的风险上；以清楚、合理和科学（以风险为基础）的国家食品法律体系为基础；开展全面的监督和监测活动，并以其作为风险分析的基础；在中央层次上有一个权威声音对食品安全负责，并拥有在所有与食品安全有关的中央行动中贯彻中央政策（以科学为基础）的权力和资源；充分发挥地方政府、行业协会、消费者在食品安全体系中的职责和所扮演的重要角色；拥有实现职能所必需的充足资金。 我国食品安全监管必须从现存实际问题出发，在借鉴既有研究成果的基础上，突破陈旧体制的束缚，建立全新的科学监管模式。 归并执法职能，建立权威、统一、高效的食品安全监管体系 将整个食品安全链的监督职能赋予食品药品监督管理部门，统一行使食品安全综合监管的职能。经法律赋权后的国家食品药品监管部门隶属于国务院，为国务院直属工作局，负责对全国食品安全工作实施垂直管理。对食品的种（养）植（殖）， 生产加工、市场流通、餐饮消费等全过程直接实施法律监督。其主要职能是：拟定、修订食品安全监管法律法规并监督实施；拟定、修订和颁布食品法定标准；拟定、修订食品种植（养殖质量），生产质量，经营质量，食品卫生质量规范并监督实施；依法核发食品生产企业、经营企业、餐饮业许可证；监督鉴定、抽验食品种植（养殖）、生产加工、经营和餐饮业的食品质量及卫生质量，发布国家食品安全质量公报；依法查处制、售假、劣质食品的行为和责任人，监管食品集贸市场；审核食品广告，负责食品的行政保护，指导全国食品检验，检测机构的业务工作等。形成食品安全监管一条边垂直监管的机制后，可有效地避免过去那种政出多门，多头执法，执法部门之间相互制约，职权重叠交叉，办事效率低下，资源严重浪费，对涉嫌食品安全的违法事件打击不力的种种弊端，从而真正形成权威、统一、高效的食品安全监管工作格局。建立办事高效、运作协调、行为规范、政令畅通、监管到位的食品安全监管行政执法体系。 建立规划科学、配置合理、管理统一的食品安全监测运行机制 一要把好源头监管关。充分发挥检测机构的能力优势，开展对初级农产品、食品加工生产、种养业和农贸市场内的蔬菜、豆制品、肉类等产品的检验检测，通过媒介及时公告。 二要做足典型示范。精心组织开展食品安全诚信企业创建活动，将参加活动的各企业的食品安全诚信承诺，通过媒体向社会公告，并请予监督，对社会反映良好的企业，作为典型示范，予以推广。对参加的企业实行诚信考核，建立诚信联系档案，信誉好的企业，各职能部门减少对其检查次数，对信誉差的企业予以曝光并取消其诚信资格。 三要严格考核管理制度。“企业是食品安全的第一责任人”。加强对企业的食品安全质量工作的考核管理，督促企业强化食品质检科室建设、配备必需的质检技术人员和检测设备、加强食品安全的培训、健全质量安全的管理制度。 四要倡导企业规范化管理。各职能部门在加强食品安全监管的同时，倡导和鼓励、支持有条件的企业推广建立良好生产规范(GMP)、良好卫生规范(GHP)和危害分析与关键控制点(HACCP)体系。 五要加大食品安全知识的宣传力度。“消费者自己是保障食品安全的最后一道防线”。加强食品安全知识宣传力度，普及食品安全基本知识，提高消费者的食品安全意识，是完善食品安全监测机制的最后关卡。通过消费者的事后监督，使不符合安全标准的食品退出市场。 参考文献 [1] 郑风田，胡文静.从多头监管到一个部门说话：我国食品安全 监管体制急待重塑[J].中国行政管理.2005，（12） [2] 郭斌.对食品安全立法及改革现行食品安全监管机制的思考 [J].中国初级卫生保健.2005，（2） [3] 李海金.着力构建食品安全监管长效机制[J].中国食品药品监管. 2005，（12） [4] 潘文.我国食品安全成因与对策[J].合作经济与科技.2006（4）
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）。