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）。
Github链接：
家人们，你们有没有这种苦恼？
搬一次家就换一次家具，那些又贵又重的家具既不好搬运，又不好全部带走。
下一次又重新购置一遍家具，浪费钱不说，关键是来来回回都做一样的事情！家具还没用过几次，利用率不高呀！
这种搬家的苦恼，就好比AI领域，做几个任务就需要开发几个高度定制的模型，不仅所需的数据采集量非常大，每次还都得从头标注。既提不起数据的学习效率，又耗费巨大的数据获取成本。
光是AI前端研究就耗费如此巨大的精力，更别提应用场景中数以万计的长尾任务。
那怎么办？
做一款通用的深度学习模型，才是关键。
1 通用，才是技术根本
目前，通用语言模型（GLM）已经取得了令人瞩目的进展，比如BERT、T5和GPT-3，它们在应对广泛的语言下游任务时已经游刃有余。
相形之下，通用视觉模型（GVM）的研究迟迟未交出一份令人满意的答卷。
以往的大多数 GVM 研究主要利用一种监督信号来源，如 ViT-G/14 采用有标签监督，SEER 采用样本的不同增强之间的对比学习，CLIP采用图片文本对进行监督。如果是在单个监督信号下进行的预训练，这几种范式确实能够生成在固定场景下表现良好的模型。但如果用在场景多元、任务多样的下游场景，这些模型就难以胜任了。
比如现在最火的自动驾驶， 汽车 处于移动状态，既要看到路况，又要看到红绿灯，还要注意行人，甚至在智能座舱兴起后，还要和语言技术、LBS场景服务协同，这么多的感知数据与协同任务，这么多随机的新任务，无论在体量还是维度方面，都对视觉模型的要求极大提高。
这时，打造一款通用视觉模型，降低研发门槛，尤其是学术界的时间成本、资金成本，才能畅享下游的极致场景体验。
去年11月，上海人工智能实验室联合商汤 科技 、香港中文大学、上海交通大学发布通用视觉技术体系“书生”（INTERN），一套持续学习框架，用于系统化解决当下人工智能视觉领域中存在的任务通用、场景泛化和数据效率等一系列瓶颈问题。
前不久，上海人工智能实验室联合商汤 科技 发布通用视觉开源平台OpenGVLab，面向学术界和产业界开放其超高效预训练模型、超大规模公开数据集，以及业内首个针对通用视觉模型的评测基准。
这些开源技术，究竟有何魔力？
2 大力出奇迹，打造通用视觉模型
“书生” （INTERN），就是练就通用视觉能力的底层技术。
从技术实现上讲，“书生”技术体系由由七大模块组成，包括三个基础设施模块和四个训练阶段构成。
书生（INTERN）结构图
首先，通用视觉数据系统。
这是一个超大规模的精标数据集，拥有100亿个样本和各种监督信号，并依照四大视觉任务分别设置了四个数据子集：多模态数据GV-D- 10B分类标注的GV-Dc-36M、检测标注的GV-Dd-3M、分割标注的GV-Ds-143K。
另外，这一数据集还包含万的标签系统，不仅涵盖了自然界的众多领域和目前计算机视觉研究中的几乎所有标签，还扩充了大量细粒度标签，涵盖各类图像中的属性、状态等。
而这，就是书生“大力出奇迹”的一大注脚。
其次，通用视觉模型结构。
它是由一个具有CNN和Transformer的统一搜索空间构建而成。
为何要建立这样的混合结构？要知道，多年来，卷积神经网络（CNN）一直主导着视觉表征学习，并在图像分类、目标检测和语义分割等下游任务中表现出稳定的可迁移性。但最近几年，Vision Transformer (ViT)仅使用普通的Transformer结构就能作为图像编码模型在ImageNet-1k上取得媲美 CNN 的性能，在大规模数据集上 ViT 更是展示出比 CNN 更大的潜力。
尽管ViT在性能上有优点，但纯Transformer网络相比卷积神经网络缺乏某些归纳偏置（inductive biases），因此需要更多的数据和计算资源。此外，自注意的计算成本相对于输入的数量是平方的，限制了对高输入分辨率的应用。因此，将CNN和Transformer和MLP结合起来，平衡效率和有效性两个方面，才是模型通用的关键。
这种兼具更好的泛化能力和更高的模型容量的模型结构名为MetaNet。在MetaNet网络结构族里面进行网络结构搜索，从而得到最优的一个模型训练结构。
统一搜索的MetaNet架构：Conv和Trans分别表示卷积和Transformer。C和S为每一阶输出通道数和步幅。
具体来看，MetaNet不仅基于强化学习 的PPO算法提出了统一搜索架构，并且，为了避免传统的下采样模块会成为模型性能的瓶颈，“书生“结合了包含 local-global-DSM (LG_DSM) 和 global-DSM (G-DSM)的context-aware down-sampling modules (DSM)，用来代替原本的下采样模块。
因此，在浅层，模型依然使用卷积来提取特征，但在深层，模型却能将Transformer模块和LG-DSM结合使用，以便于更好地提取全局信息。
同时，书生还基于最大的MetaNet-B15蒸馏出了多达13种不同的模型结构，共24种不同的模型权重，现已全部开源。
这些模型结构基本涵盖了现有市面上大部分的主流backbone，不仅能够很轻易地迁移到所需要的算法框架作为新网络预训练的初始化，而且只需要更短的训练时间就可以达到比原来更好的训练效果。
MetaNet 模型与其他模型结构比较，结果如下：
基于卷积、Transformer和两者混合的结构，分别用C，T和H表示，可以看出，在图像分类性能上，MetaNet系列的MN-B1，MN-B4和MN-B7，和其他的SOTA模型相比，不仅有更高的精度，还有更低的FLOPS和参数量。
除了分类任务，把MetaNet做为检测和分割的backbone，在COCO数据集上使用Mask R-CNN结构训练，结果发现：在模型参数量更小的前提下，MN-B4比Swin-T精度高出2到4个点。另外还在ADE20K数据集上进行了语义分割任务，MN-B4的mIoU指标比Swin-T高出5个点之多。
上述两个实验结果表明，MetaNet系列模型结构，在模型精度与计算量之间，都达到了新的SOTA！
最后，通用视觉评测基准。
视觉评测基准GV-B ，就像是一个「擂台」。
如下表所示，测评基准收集了 26 个下游任务数据集，囊括了 4 种视觉任务类型：分类，检测，分割和深度估计。
在设置上，该基准引入了百分比样本（percentage-shot），只需要选取整个数据集的一部分，例如 10%、20% ，对比缩小下游任务的训练数据量后的模型性能。
与传统的少样本设置相比，这种百分比样本设置可以很好地保留原始数据集的长尾分布等属性，并减轻对样本选择的敏感性。因为有一些数据集样本类别分布不平衡，比如下表中的VOC07+12，百分比数据的划分方式却会继承这种分布情况。
右侧三列avg，min和max，分别表示在10%的数据中，不同类别样本数量的平均值，最小值和最大值。
结合上述数据集和任务类型，论文选取了一些具有代表性的模型来做评测对比。为了比较公平性，该对比使用了这些模型的官方预训练权重。这些模型包括：
有了超大精标数据集、模型结构，以及评测基准后，已经是万事俱备，只欠训练。
书生作为中国古代读书人的经典形象，代表着一个通过不断学习、不断成长进而拥有各方面才能的人格化角色：从基础的知识技能学习开始，到对多种专业知识触类旁通，进而成长为拥有通用知识的通才。借此意象，“书生”（INTERN）系统可通过持续学习，举一反三，逐步实现通用视觉领域的融会贯通，最终实现灵活高效的模型部署。
下面就来看看，这套系统是如何通过训练，一步步从生手变成专家再到多面手，最终在各种任务中大显身手。
第一阶段，训练的是基础能力，被称为“基础模型”（Amateur）。
然而CLIP需要400M的图像-文本对进行前训练，囿于极大的数据量，CLIP很难进一步发展。但“书生”提出了一种新的训练范式，DeCLIP（Data efficient CLIP ），能够同时使用来自图像-文本、图像-图像和文本-文本对的监督信号进行模型预训练，从而更有效地实现通用性。
此外，为了充分利用大规模多模态数据获取基础模型的优势，这一阶段提出了Upstream-Amateur (Up-A)视觉语言预训练框架，同时挖掘模态内和跨模态知识。
这一训练框架分为两个预训练阶段：Upstream-Amateur for Global Representation (Up-A-G)和Upstream-Amateur for Local Representation (Up-A-L)。
其中，Up-A-G(左)使用群体监督功能，从更丰富的监督中学习。Up-A-L(右)采用局部自我监督学习方法，对训练好的视觉-语言模型进行调整，从而提高自身在密集预测CV任务中的表现。
Upstream-Amateur的框架
得益于这些内在的监督，DeCLIP-ResNet50可以在ImageNet上实现的zero-shot 精度第一。这比CLIP-ResNet50高出，数据使用量少了81%。当迁移到下游任务时，DeCLIP-ResNet50在11个视觉数据集中有8个优于CLIP。
更关键的是，训练完成的Upstream-Amateur为后续的训练阶段提供了一个很高的起点。
第二阶段，训练的是专业能力，被称为“专家模型”（Expert）。
Up-A阶段得到的基础模型，在一般的视觉识别问题上显示出优异的性能。但要完全掌握检测、分割等更具体的任务，还需要在每个任务中进行更专业的预训练，这就促成了第二个阶段的到来，专家模型。
对于每个专家，“书生”采用了一种简单的多头设计，每个头是一个特定数据集的子网络，从一个公共的、共享的“主干”分支出来。比如Up-E (C)、Up-E (D)和Up-E (S)，分别用于图像分类、对象检测和语义分割。
第三阶段，训练的是组合能力，被称为“通才模型”（Generalist）。
上述的多任务是指不同数据集(如ImageNet和CIFAR)的一个视觉问题(如分类)，或一个数据集的多个视觉问题(如分类和检测)。但关键是，如何将专家整合到一个统一的模型中，获得一个更加通用的视觉模型。因此，在预训练“专家”阶段之后，又将“通才”作为第三个预训练阶段，以进一步统一特征表示。
“书生”提出了一个新的范式，名为“混合参数共享”，从而开发一个名为“多面手”的通才模型。
具体来说，由于专家捕获的知识是相互关联的，当专家的特征融合为一个共享的表示形式时，再利用基于软共享的跨任务知识转移和基于硬共享的通用表示学习的方法，在不引入任务冲突的情况下在专家之间传递信息（特征转移），从而进一步提高了多任务训练的模型(专家)性能，即“通才”能力。
在结构上，通才模型是所有专家的一个相互关联的版本，因此可以把每个“专家主干”称为“通才分支”。此外，我们还可以根据训练相应专家的任务将通才中的每个分支分为图像、补丁和像素。但无论是软共享还是硬共享，都意味着从专家模型到通才模型的一次跃升。
在经历了前三个训练阶段模块后，终于来到最后的任务迁移阶段 （Adaptation）。
这个阶段属于技术链条的下游，用来解决各式各样不同类型的任务，而这也是最考验“书生”举一反三能力的时刻。它需要在这个阶段把之前学到的通用知识，融会贯通地应用到不同特定任务中。
在此之前，很多迁移学习方法确实取得了很多进步，但问题是，这些方法既没有利用上游预训练中的隐含信息，也没有考虑到下游数据在少镜头场景中的不足。
因此，“书生”提出了一种Multi-stage Fine-tuning (MF)方法，缓解在数据较少的情况下传输的困难，再通过将上游数据编码成生成模型，即VQ-GAN，可以将预训练的模型转移到多个任务和领域，而无需每次都使用上游数据，而这也使得“书生”更具通用性和可扩展性。
多级微调(MF)概述：VQ-GAN模型首先在第一阶段使用上游数据进行训练，然后在第二阶段由它重构下游数据。在此之后，第三阶段只对新增任务的特定参数进行重新表示的图像训练，第四阶段则通过下游数据对整个模型进行微调。
至此，一个具有持续学习能力的通用视觉模型终于出世。
而具体有哪些提升，不如看一下更直观的实验数据对比！
3 一网打尽视觉领域四大任务
视觉领域，任务繁多，主流任务包含分类、目标检测、语义分割、深度估计四大类型。
在这四大任务中，最强大的视觉模型还是去年OpenAI发布的CLIP模型。但相比较而言，“书生”则在准确率和数据使用效率上都有所提升。
1、精度表现
通过对“书生”训练出的模型在GV-B上的评测对比，发现经过多阶段预训练的MetaNet精度表现优异。
在ImageNet等26个最具代表性的下游场景中， “书生”在分类、目标检测、语义分割及深度估计等四大任务上，平均错误率分别降低了、、和。
书生（INTERN）与CLIP-R50x16在不同样本量上的性能对比，正确率展示
2、数据使用效率
“书生”在数据效率方面的提升尤为瞩目：只需要1/10的下游数据，就能超过CLIP基于完整下游数据训练的准确度。
以CLIP-R50x16和Up-G MN-B15在GV-B的评测对比为例，分别在分类、目标检测、语义分割、深度估计四大类型的26个下游任务数据集上进行了评测，仅使用了10%数据进行训练的Up-G MN-B15模型，在绝大部分数据集上都能比使用了全部训练数据的CLIP-R50有更好的精度表现。这表明，经过多阶段预训练的MetaNet具有极强的泛化能力，能够在仅有少量的训练样本情况下，达到SOTA的精度表现。
在下游视觉场景中，小样本训练带来的是极高的训练速度，以及极低的训练成本。
例如在花卉种类识别任务上，“书生“只需要每一类型的花卉提供两个训练样本，就能实现的准确率。
这个花卉数据集由102种英国常见的花组成，每个类别有40至258张图片。其中包含有很大的比例、姿势和光线变化。
102个类别的花卉数据集：
4 通用视觉平台，已正式开源
如此强大的通用视觉训练模型已经正式开源！
更关键的是，连同上述讲到的标签数据集、网络结构以及评测基准，均在OpenGVLab被统一打包开源。
其中的网络结构除了MetaNet，还包含大家普遍使用的ResNet， MobileNet， ViT， EfficientNet等，以满足不同场景的应用，赋能计算机视觉。
然而，「书生」的布局不止于此。
OpenGVLab将与上海人工智能实验室此前发布的OpenMMLab、OpenDILab一道，共同构筑开源体系OpenXLab，持续推进通用人工智能的技术突破和生态构建。
一位已经使用过此次开源平台的自动驾驶算法研究员表示：“书生系列模型充分覆盖了从移动可部署的小模型，到超大规模自研结构，为行业带来了希望，尤其是它的收敛速度，大幅节省了训练开销，是技术落地的一大助推器。“
不仅是自动驾驶领域，智慧城市、智慧医疗、智慧交通，以及千千万万其他的智能化领域，都将获得通用视觉模型带来的技术红利。
一位腾讯研究员大赞OpenGVLab：“能把这么大的工作开源出来真的是业界良心。简单用了一下，确实比CLIP要更fine-grained（细粒度更高）。”
而来自学界的师生也对此感慨有加：“OpenGVLab集成了大量各种量级的state-of-the-art（先进）模型，使用起来更得心应手，省去了对不同codebase、不同模型繁琐调研的烦恼。”
换句话说，当那些代码和公式脱去了枯燥乏味的外衣，人们才发现了真正的创造力。而这，也是技术创新与平台开源的魅力所在。
往近了说，用这款通用视觉模型打比赛，怕不是奖金多到飞起！在技术生产力的道路上，又诞生了一个致富小妙招！
目前，“书生”技术报告《INTERN: A New Learning Paradigm Towards General Vision》已在arXiv平台发布。
论文地址：
参考资料： YOLO之外的另一选择，手机端97FPS的Anchor-Free目标检测模型NanoDet现已开源~ 1、什么是 Nanodet Nanodet 是一个速度超快和轻量级的移动端 Anchor-free 目标检测模型，是基于 FCOS 模型进行轻量化改进而来的2、Nanodet 跟其他模型的性能对比华为 P30 上用 NCNN 移植跑 benchmark，一张图片仅需 毫秒，比 YoloV4-Tiny 快 3 倍，参数量小 6 倍，COCO mAP(05:) 能够达到 。而且模型权重文件仅有 由此可见，Nanodet 能够在有较低参数量和较小的模型权重文件情况下，能够拥有跟 YoloV4-Tiny 一样的 mAP3、Nanodet 的网络结构图backbone 是 ShuffNetV2 ，去掉最后一层的卷积层，并且抽取 8/16/32倍下采样率的特征输入到 PAN 中做多尺度的特征融合4、Nanodet 相对于 FCOS 的改进① 检测头 FCOS：共享检测头权重 Nanodet：不共享检测头，因为在移动端是使用 CPU 来进行计算的，共享检测头权重并不会对推理过程加速；共享检测头会使得其检测能力进一步下降 ② 归一化方式 FCOS：使用 Group Normalization Nanodet：使用 Batch Normalization 来取代 Group Normalization，因为后者虽然比前者有很多优点，但却有一个缺点：Batch Normalization 可以在推理时将其参数融入到卷积核中，节省这一步计算可以节省时间 ③ 检测头大小 FCOS：检测头大小为 4 个 256 通道数的卷积核组为一个分支，因此边框回归和分类两个分支，则总共需要 8 个 256 通道数的卷积 Nanodet：将 4 个卷积核组减少为 2 个卷积核组。在通道数上将 256 维降低为 96 维。将边框回归和分类共享检测头，然后再切割成两份，分别去预测边框回归和分类。 ④ FPN 层 FCOS：没有该模块 Nanodet：基于 FPN 改进为 PAN，原版的 FPN 在对高层特征图使用线性插值后，再使用 3*3 卷积。但是 Nanodet 去掉了 FPN 中线性插值后再使用的 3*3 卷积，只保留从骨干网络特征提取后的 1*1 卷积来进行特征通道维度的对齐。同时 FPN 只是在多层特征融合端使用了自上而下的特征融合，而 PAN 则不仅使用了自上而下的特征融合，而且还使用了自底向上的特征融合，使用的方法也是线性插值。5、Nanodet 的算法步骤6、Nanodet 的损失函数7、Nanodet 的优点 ① 速度快 ② 模型参数权重文件小8、Nanodet 的缺点 ① mAP 不高
首先是毕业论文的主题。别人首先看到的是毕业论文的主题。如果毕业论文是模仿的，就不需要看论文都能得知，所以毕业论文的主题也需要检测。然后是毕业论文摘要部分，这是毕业论文的总结，也是毕业论文的终结点。由此可见，毕业论文摘要的重要性，所以这一部分也需要检测。而毕业论文摘要也是毕业论文不可缺少的一部分，因此必须对其进行查重。然后是论文的主体部分，这是论文最重要的部分。没有重复是不可能的，一般是毕业论文重复内容比例最大的部分，也是查重率最高的部分，因此学校都会特别关注这部分的查重率。然后就到了阐述毕业论文的结论。这一部分是论文研究的最后结论，也需要进一步的研究，但总的来说，这一部分基本没有重复问题。如果我的毕业论文的结论不是所研究课题的结论，就会不对应。最后是毕业论文的致谢和参考文献部分，致谢部分需要查重，也有很多同学是自己摘抄的，很容易出现重复率过高的情况，也是我们需要注意的，参考文献部分一般也会一起提交查重，但只要自己的格式正确，这部分的查重率就不会计入最终的查重率。
写完一篇论文后，我们都需要检测论文，但有些人可能不知道在检测论文时会检测哪些部分，所以让paperfree小编谈谈论文检测需要检测哪些内容？ 1、论文正文:正文部分是论文中最重要的部分，也是查重要求最高的部分，还是论文查重率和查重比重最高的部分，这部分查重率几乎是论文的查重率，这部分必须检测。 2、摘要:摘要是论文画龙点睛的部分，也是比较重要的部分，一般只有200-500字左右，但这部分的调查要求也比较严格 3、论文主题:一般主题也需要查重，但查重的要求不严格，只要不抄写别人的主题即可 4、引言:引言部分也要查重，引言部分一般是吸引读者的部分，查重的要求也不特别严格。 5.结论:结论是对一篇论文的总结，也是对自己研究对象的期望和展望。这部分也需要在查重时进行。 6.参考文献:这部分也应该与论文一起参与论文的重复检测，但只要参考文献的格式是正确的，这部分就不会有太大的问题。 关于其它部分是否需要查重，如目录、感谢、附录等部分，要看自己的学校是如何规定的，只要按照自己学校的规定查重论文，就不会有其他问题。
每个学校对于论文查重的内容要求都不同，有的是要求提交全文进行查重，有的只要求提交正常进行查重。实际上，毕业论文中占比最大的就是正文部分，所以一定要保证这部分的重复率比较低，但这也不是说其他内容，例如摘要、致谢等就可以抄袭，如果直接复制他人的，那么一样会拉高全文重复率。
论文呢主要是检测这个时间，地点，人物，事件，还有一个故事的产生，到这个故事的结束，所发生的故事都要举一说明。
1环境监测质量保证工作的涵义环境监测数据一定要保证具有精密性、可比性、准确性和完整性，在对环境监测数据的精密性和准确性进行评价的时候可以通过实验室质量控制来实现。监测数据的完整性是指在进行实际监测的时候一定要保证不会出现数据丢失的情况，一旦出现数据丢失的情况，要对产生的原因进行分析，并且找到解决的方法。监测的数据也要具有代表性，主要是采样的样品在一定程度上要能够代表整个监测项目范围内的污染情况。数据的可比性是指在对数据进行分析的时候要采用规定的分析方法，这样能够更好的对数据进行比较。2大气环境监测质量保证工作的现状分析环境监测质量保证工作在一定程度上是依赖环境保护部门的监督和指导，同时在环境监测方面也要按照相应的规范来进行。但是，在环境监测质量保证方面还是存在着很多的问题，对出现的问题进行分析，才能更好的找到解决的方法。量难以保证监测数据出现不确定的情况是和检测现场的随机因素有很大的关系。因此，样品的检测结果在很多大的程度上是由采样过程中的环境监测环节有很大的关系。我国的环境监测工作在采样过程中出现了长期被边缘化的情况，这样就使得很多的采样人员在专业知识方面出现了不足的情况，而且很多的采样设备也出现了陈旧的情况，这样也给采样过程增加了很大的难度，这样就使得环境监测质量出现了很多的不可控情况。很多的现场采样人员在工作中出现了对相关的资料进行省略的情况，这样会导致采样的样品出现失真的情况。在对工业废气进行采集的时候，存在着采样时间比较随机的情况，这样就使得采样的数据只能反映某个瞬间的情况。监测网络不够完善现在，我国在环境监测网络建设方面存在着不完善的情况，这样就使得很多的监测数据出现了重叠和浪费的情况，国家环保部门对监测网络建设在逐渐的重视，但是即使这样也不能在很快的时间内进行解决出现的问题。为了更好的促进环境监测质量的提高，一定要重视环境监测网络建设的重要性。3开展好大气环境监测的质量保证工作对整个环境监测工作进行全过程的管理和控制能够更好地保证环境监测质量，因此，可以对环境监测结果采取一定的措施，同时在检测的过程中要给予重视，同时对实验室内的质量也要进行控制。针对大气环境监测过程，其质量控制大致体现在采样环节、样品分析与数据处理环节、报告审核环节等。因此，本章节主要从质量保障体系的建立、现场采样的质量监督、质量保证制度的健全、实验室认可制度的实施等方面展开讨论，以期进一步深化大气环境监测的质量保证工作。建立健全大气环境监测的质量保证体系建立健全大气环境监测的质量保证体系是确保采集样品的代表性、测量数据的完整性、分析数据的精密性和准确性、数据综合分析评价的可比性和可观性的必然要求。研究证实。建立健全质量保证体系对质量保证工作发挥推动作用和导向作用，其中各级监测站皆应以质量保证体系为工作准则。强化现场采样的质量监督力度样品的代表性和真实性对环境质量状况的评估具有直接性的作用。由此可见。必须高度重视环境监测工作方面环境样品的时间性和空间性，即采集样品的代表性和真实性。针对如何提高现场采样的质量监督力度，文章主要从如下方面予以阐述：以现场调查为基础，对有关资料予以核实，并根据具体情况明确采样点位、采样断面、采样频次、采样周期，以此制定符合客观实际的采样方案，进而确保样品的完整性和代表性。针对工业污染源，务必要根据某一标准把污染源划分为一般污染源、次重点污染源、重点污染源三大类．其中重点污染地区、重点污染源、重点污染行业，其对应的采样频次应更高，而次重点污染源次之。与此同时，对样品盛放容器、采样设备、保存条件、现场加标样品的频率和数目、样品容器的标识等的控制力度应到位。推动实验室认可制度所谓实验室认可是指“权威机构对实验室有能力进行规定类型的检测或校准所给予的一种正式承认”。研究证实，基于实验室认可的质量管理体系能够为质量保证提供体系认证。基于实验室认可的质量监督网要求就存在质量问题的科室安排一定数量的质量监督员．其主要对该部门有关监测工作予以监督，其中各质量监督员必须对质量负责人负责。针对质量监督员的任务，其主要负责查找出该科室监测工作方面存在的不合理处，并根据权限范围予以适当纠正。如果存在的问题不在自身权限范围内，其必须及时告知质量负责人．此时由质量负责人带头开展纠错工作，以此规范大气环境监测的质量保证工作。4结束语工业的快速发展使得环境出现了严重破坏的情况，为了更好的保护人们的生活环境，一定要对环境保护问题进行重视。环境破坏对经济发展和社会进步也是有很大的影响，在情况比较严重的情况下也是会对人们的生命财产带来一定的影响。对环境进行监测，能够更好的对环境情况进行掌握。环境监测质量保证工作也是会遇到一定的问题的，因此一定要找到解决的措施，这样才能更好的提高环境监测质量保证工作。转载摘抄 参考内容
环境监测包含的内容很广，你要写哪一方面的？
问题一：关于空气污染的小论文，1000左右 大气污染论文 大气是人类赖以生存和发展的必不可少的环境要素之一。然而人口的增多，人类活动频繁，自然因素影响使大气污染严重，保护大气环境是我们刻不容缓的义务。 人类赖以生存的环境由自然环境和社会环境组成。自然环境是人类生活和生产所必需的自然条件和自然资源的总和，即阳关、温度、气候、地磁、空气、水、岩石、土壤、动植物、微生物以及地壳的稳定性等自然因素的总和。而社会环境是人类在自然环境的基础上，为不断提高物质和精神生活水平，通过长期有计划、有目的地发展，逐步创造和建立起来的一种人工环境。社会环境是人类物质文明和精神文明发展的标志，它随着经济和科学技术的发展而不断地变化。社会环境的质量对人类的生活和工作，对社会的进步都有极大的影响。 地球表面覆盖着多种气体组成的大气，称为大气层。一般是将随地球旋转的大气层称为大气圈。由于大气圈中空气质量的分布不均匀，通常将从地球表面到1000-1400千米的气层称为大气圈的厚度。 大气在垂直方向上的温度、组成与物理性质也是不均匀的。根据大气温度垂直分布的特点，在结构上可将大气圈分为五个气层：（一）对流层：对流层是大气中最接近地面的一层，它具有气温随高度增加而降低和空气具有强烈的对流运动两个特点；（二）平流层：对流层层顶之上的大气为平流层，其上界伸展到约55千米处。（三）中间层：由平流层顶至85千米高处范围内的大气称为中间层。（四）暖层：暖层位于85-800千米的高度之间。（五）散逸层：暖层层顶以上的大气，统称为散逸层。如果按空气组成成分划分大气圈层结构，又可将大气层分为均质层及非均质层。 大气是由多种成分组成的混合气体，这些混合气体的组成通常包括以下几部分：（一）干洁空气：它的主要成分为氮、氧、氩，它们在空气中的总容积约占。此外还有少量其他成分，如二氧化碳、氖、氦、臭氧等。干洁空气是大气中的不变组成。（二）水汽：大气中的水汽含量比较低，但它在大气中的含量随时间、地域、气象条件的不同而变化很大，在干旱地区可低到，而在温湿地带可达6%。水汽对天气起着重要的作用。（三）悬浮微粒：悬浮微粒是指由于自然因素而生成的颗粒物，如岩石的风化、火山爆发、宇宙落物以及海水溅沫等。无论是它的含量、种类，还是化学成分都是变化的。大气污染通常是指由于人类活动和自然过程引起某种物质进入大气中，呈现出足够的浓度，达到了足够的时间并因此而危害了人体的舒适，健康和福利或危害了环境环境的现象。按污染的范围，大气污染可分为：局部地区大气污染，区域性大气污染，广域性大气污染和全球性大气污染。燃料的燃烧是造成大气污染的主要原因；石油工业和化工工业大规模的发展也增加了空气中污染物的种类和数量；在农业方面，由于各种农药的喷洒而造成的大气污染也是不可忽视的问题。 1 大气污染对健康的危害 空气是人类生存所必需的，空气被各种有害物质污染将直接或间接影响到人们的健康。大气污染是随着现代工业的发展、城市人口的密集、煤炭和石油燃料的迅猛增长而产生的。近百年来，西欧、美国和日本等工业发达国家大气污染事件日趋增多，20世纪50～60年代成为公害的泛滥时期，例如：英国伦敦烟雾事件，日本四日市哮喘事件，美国洛杉矶烟雾事件，印度博帕尔毒气泄漏事件等，不仅严重地危害居民健康，甚至造成数百、数千人的死亡。 2 大气污染的防治策略和措施 基本的策略应该是监测-干预-评价。第1步，通过对环境污染和人群健康的监测，掌握情况；第2步，针对问题制订对策，进行干预治理；第3步，对干预的效果进行评价，再针对发现的问题采取相应的措施。如此......>> 问题二：关于大气污染的论文4000字 二十一世纪的钟声已经敲响，回首二十世纪，我国经济获得了长足的发展，生产力水平大大提高。但是，传统模式下的生产力的提高在驱动经济增长和为企业带来的利润的同时，却使我们的地球家园变得千疮百孔，不堪重负。1987年，世界环境与发展委员会发布了长篇报告《我们共同的未来》。该报告首次提出了“可持续发展”的定义，即“既满足当代人的需要，又不对后代满足其需要的能力够成危害的发展”。 关键词：石家庄市 大气污染 原因分析 *** 行为对策 一、概述 二十一世纪的钟声已经敲响，回首二十世纪，我国经济获得了长足的发展，生产力水平大大提高。但是，传统模式下的生产力的提高在驱动经济增长和为企业带来的利润的同时，却使我们的地球家园变得千疮百孔，不堪重负。 1987年，世界环境与发展委员会发布了长篇报告《我们共同的未来》。该报告首次提出了“可持续发展”的定义，即“既满足当代人的需要，又不对后代满足其需要的能力够成危害的发展”。这个定义鲜明的表达了两个基本观点： 人类要发展，尤其是贫困地区的发展； 发展要有限度，他不应危及后代人的发展。 石家庄市我国华北地区新型的一座现代化工业城市，是河北省政治、经济、文化、科技中心。总面积15848平方千米，总人口845万。其交通发达，京广、石太、石德铁路和京深、石港、石太高速公路交汇于此。近年来，石家庄市工业迅猛发展，人民生活水平显著提高。但是，经济的快速增长带来了严重的环境问题。 是他一跃成为全国著名的环境污染大市。而其中，尤以大气污染最为突出：尤其是在风力达到一定程度后，尘土满天飞舞，纵横肆虐，有些区域垃圾泛滥成灾。 二、 石家庄大气污染现状及原因分析 石家庄大气污染现状 近年来，随着城市工业的发展，大气污染日益严重，空气质量进一步恶化。河北省环境监测总站4月11日队本周空气质量检测表明，石家庄的首要污染物可吸入颗粒物（PM10）。由于它们直径很小，且夹杂着细菌，可以被人体吸入体内，引起疾病。同时，由于它们很轻，不宜沉降，总是漂浮在空中，阳光照射在这些微尘上，被吸收或散射，致使天空显得灰蒙蒙的，能见度明显下降。扬尘污染也比较严重，特别是雨后就更显得直观，汽车挡风玻璃上全是泥水，就连眼镜片上也满是泥水。由于少数地区垃圾处理不善丁成堆的垃圾在地面上腐烂，随风一锤，一股恶臭扑鼻而来，让人倍觉恶心。工厂排出的废水、废气，也使大气污染受到不同程度的影响，给市民的工作和生活带来严重的不便。 石家庄大气污染原因分析 地形和气候因素是影响石家庄市大气质量的基本原因 石家庄位于河北省中南部，西依太行山脉，东、南、北均为辽阔的华北大平原。而与此同时，石家庄属温带大陆性季风气候，四季分明，具有冬季寒冷少雪，春季干旱多风，夏季炎热多雨，秋季晴朗凉爽等特征。这些特定的地理和气候因素，是石家庄的大气污染面临严峻的挑战。由于东南风的作用，石家庄上空的可吸入颗粒物和其他污染物质随风西移，当遇太行山脉的阻挡后，又转向东移，返回原地。而与此类似，当刮西北风的时候，由于太行山脉这一巨大的屏障，使西北风被拦截在山西境内，一些污染物质也无法被刮走，而只能继续停留在石家庄的上空。 城市建设是影响石家庄大气质量的重要原因 石家庄气体状态大气污染源调查表 根据对主要大气污染的分类统计分析，其主要来源可概括为三大方面：（1）燃料燃烧（2）工业生产过程（3）交通运输等。根据统计资料，以上三方面产生的大气污染所占的比例分别为70%、20%和10%。在直接燃料的燃烧中，燃烧排......>> 问题三：有没有关于空气污染的论文 我国空气污染治理问题探析 摘要：我国对空气污染的治理越来越重视，但是还存在一些问题，如空气污染治理还需加强、治理技术有待提升和公众参与的有效性不足，需要通过健全空气污染治理相关法律法规、提升治理技术能力、加强公众参与等，进一步加强对我国空气污染的治理。 关键词：空气污染；治理技术；区域协同治理；公众参与；环境保护 文献标识码：A 中图分类号：X832 文章编号：1009-2374（2016）22-0082-02 DOI： 1 我国空气污染治理的现状 近年来，伴随着经济的快速发展和城市化程度的提高，我国空气污染问题凸显，引起了 *** 的高度重视和社会公众的广泛关注。城市化和工业化的快速发展过程中，高污染高能耗的生产方式，是造成城市空气污染的原因之一。我国 *** 已经采取了一系列措施，出台了相关政策法规来治理空气污染问题。2012年9月，国务院批复了《重点区域大气污染防治应急方案（试行）》，2013年9月，国务院发布了《大气污染防治行动计划》。2016年1月1日执行的新修订的《大气污染防治法》，在修订过程中广泛征求社会各界的意见，对于污染物排放等各方面都有了更为明确和严格的规定。通过与法律配套的节能减排、新能源的应用等一些政策的推行，空气污染得到了一定程度的控制，空气质量有所好转，但还存在着一些问题。 2 空气污染治理存在的问题 空气污染治理还需加强 *** 采取了多种措施来治理空气污染，但在空气污染治理相关法律法规、激励政策等方面还有不完善的地方。完善的空气污染治理制度能够调动各方参与主体相互配合、共同治理，然而法律体系的不完善，对各方的约束力不够。我国近年来在空气污染治理方面出台了一系列法律法规，对大气污染防治标准、达标规划、大气污染防治的监督管理等方面作了规定。但是，我国的大气污染相关法律法规还需要不断地细化、扩充、修订。目前关于空气污染治理的法律体系还不够完善，给实际的执法过程带来了一些困难。目前对违法排放的惩罚以行政执法、罚款等手段为主，没有形成长效的制约机制。此外，对企业自主节能减排的激励机制不够完善，通过税收、贷款、 *** 采购等手段能够激励企业自主节能减排来治理空气污染，但我国目前以经济为主的污染治理机制还不完善，企业缺乏从内部提升技术水平，减少污染的动力。目前， *** 在空气污染治理中开始尝试区域联防的治理方法。空气在地域之间的流动性也给空气污染的监督和管理带来了困难，通过 *** 间的合作，对区域内的重大环保相关项目的建设进行统一规划，对区域内空气污染事件实现联合执法，通过 *** 合作实现区域内对空气污染的协同治理。对空气污染的协同治理还处在起步阶段，对于地方 *** 间合作的权责划分还要有相关的法律为保障，建立合理的制度体系，推动区域联防治理空气污染治理。 治理技术有待提升 空气污染的治理需要技术的支持，需要先进有效的空气检测技术及时监控空气质量指标，目前对空气污染的检测经常受到资金和技术水平的限制，未采用最先进省时的设备和技术，影响了检测的时效性，不利于执法部门及时采取措施处理违规排放行为。 空气污染的治理和改善不仅需要 *** 的外部监管，更需要企业内部技术的提升，通过先进的技术，提高材料的利用率以及对于废气的处理能力，实现企业节能减排，这对企业在资金、科研能力和科技人才方面都会有比较高的要求，需要企业投入大量时间和人力到技术研发中去，同时技术研发、引入国外先进的废气处理技术以及吸纳优秀的科研人员都需要大量的资金支持。一些中小企业由于规模比较......>> 问题四：求一篇有关大气环境污染的论文(要好的) 摘要：二十一世纪的钟声已经敲响，回首二十世纪，我国经济获得了长足的发展，生产力水平大大提高。但是，传统模式下的生产力的提高在驱动经济增长和为企业带来的利润的同时，却使我们的地球家园变得千疮百孔，不堪重负。1987年，世界环境与发展委员会发布了长篇报告《我们共同的未来》。该报告首次提出了“可持续发展”的定义，即“既满足当代人的需要，又不对后代满足其需要的能力够成危害的发展”。 关键词：石家庄市 大气污染 原因分析 *** 行为对策 一、概述 二十一世纪的钟声已经敲响，回首二十世纪，我国经济获得了长足的发展，生产力水平大大提高。但是，传统模式下的生产力的提高在驱动经济增长和为企业带来的利润的同时，却使我们的地球家园变得千疮百孔，不堪重负。 1987年，世界环境与发展委员会发布了长篇报告《我们共同的未来》。该报告首次提出了“可持续发展”的定义，即“既满足当代人的需要，又不对后代满足其需要的能力够成危害的发展”。这个定义鲜明的表达了两个基本观点： 人类要发展，尤其是贫困地区的发展； 发展要有限度，他不应危及后代人的发展。 石家庄市我国华北地区新型的一座现代化工业城市，是河北省政治、经济、文化、科技中心。总面积15848平方千米，总人口845万。其交通发达，京广、石太、石德铁路和京深、石港、石太高速公路交汇于此。近年来，石家庄市工业迅猛发展，人民生活水平显著提高。但是，经济的快速增长带来了严重的环境问题。 是他一跃成为全国著名的环境污染大市。而其中，尤以大气污染最为突出：尤其是在风力达到一定程度后，尘土满天飞舞，纵横肆虐，有些区域垃圾泛滥成灾。二、 石家庄大气污染现状及原因分析 石家庄大气污染现状 近年来，随着城市工业的发展，大气污染日益严重，空气质量进一步恶化。河北省环境监测总站4月11日队本周空气质量检测表明，石家庄的首要污染物可吸入颗粒物（PM10）。由于它们直径很小，且夹杂着细菌，可以被人体吸入体内，引起疾病。同时，由于它们很轻，不宜沉降，总是漂浮在空中，阳光照射在这些微尘上，被吸收或散射，致使天空显得灰蒙蒙的，能见度明显下降。扬尘污染也比较严重，特别是雨后就更显得直观，汽车挡风玻璃上全是泥水，就连眼镜片上也满是泥水。由于少数地区垃圾处理不善，成堆的垃圾在地面上腐烂，随风一锤，一股恶臭扑鼻而来，让人倍觉恶心。工厂排出的废水、废气，也使大气污染受到不同程度的影响，给市民的工作和生活带来严重的不便。 石家庄大气污染原因分析 地形和气候因素是影响石家庄市大气质量的基本原因 石家庄位于河北省中南部，西依太行山脉，东、南、北均为辽阔的华北大平原。而与此同时，石家庄属温带大陆性季风气候，四季分明，具有冬季寒冷少雪，春季干旱多风，夏季炎热多雨，秋季晴朗凉爽等特征。这些特定的地理和气候因素，是石家庄的大气污染面临严峻的挑战。由于东南风的作用，石家庄上空的可吸入颗粒物和其他污染物质随风西移，当遇太行山脉的阻挡后，又转向东移，返回原地。而与此类似，当刮西北风的时候，由于太行山脉这一巨大的屏障，使西北风被拦截在山西境内，一些污染物质也无法被刮走，而只能继续停留在石家庄的上空。 城市建设是影响石家庄大气质量的重要原因 石家庄气体状态大气污染源调查表 根据对主要大气污染的分类统计分析，其主要来源可概括为三大方面：（1）燃料燃烧（2）工业生产过程（3）交通运输等。根据统计资料，以上三方面产生的大气污染所占的比例分别为70%、20%和10%。在直接燃料的燃烧中，燃烧排放的大气污订物数量约占燃料燃烧排放总量的96%，其中燃煤......>> 问题五：baidu有没有ENGLISH版的？ 没有， 好像百度的目标是专心做好中文，所以估计今后很长一段时间都不会有ENGLISH版
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。
科技领域。《光子学报》是中国科学院西安光学精密机械研究所、中国光学学会主办、科学出版社出版的学术月刊。光子学报目标检测论文属于科技领域，宗旨是展示光子学研究领域的新理论、新概念、新思想、新技术和新进展，反映代表该学科前沿并具有中国国内外先进水平而为国际上关心的最新研究成果。
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）。
Google学术、百度学术
网站有爱学术、汉斯出版社等。
1、爱学术是一家专业的学术文献分享平台，覆盖各个行业期刊论文，学位论文，会议论文，标准，专利等各类学术资源，是国内最大的学术文献交流中心和论文资源免费下载网站，旨在构建一个专业的学术文献交流分享平台。
2、汉斯出版社聚焦于国际开源(OpenAccess)中文期刊的出版发行，是秉承着传播文化和促进交流的理念，积极探索中文学术期刊国际化道路，并且积极推进中国学术思想走向世界。
用户还可以选择维普、万方、paperpass、论文狗、知网等查重网站进行毕业论文查重。
而如果学校通知统一查重会使用知网进行检测，那么建议学生也使用正规的知网查重网站进行检测，保证两者查重后的数据一致。
因此建议学生在提前查重前查看学校的查重通知，若学校通知学生使用对应类型的查重系统，学生在提前查重时建议也使用对应的查重系统进行检测。
知网查重包括包括论文正文、原创说明、摘要、图标及公式说明、参考文献、附录、实验研究成果、结语、引言、专利、文献、注释，以及各种表格。
大多数高校在每年毕业季时，都会统一发通知说明学校的毕业论文规范和查重说明，学校会统一下发论文样式等内容，一般会详细说明查重的范围。要是学校有具体的要求，那提交到学校的时候必须按照学校所要求的来。
知网查重是按照连续出现13个字符类似就会判为重复的标准计算论文重复率。如果学生抄袭了他人论文中的句子或者段落，知网查重系统在对其进行查重时，就会识别出重复部分，并计算到论文的总重复率之中。
因此建议学生在写作论文时不可出现抄袭等学术不端行为，防止因为出现过多重复部分从而使论文总重复率上升很多。
1、从期刊官网介绍中的知道。一个sci开不开源，可以从该本sci简介中知道。sci简介，可以在本期刊官网查询到，除外也可以通过其他方法看到，比如第三方提供期刊信息的网站等。2、从数据库中查询知道。sci期刊被收录在webofscience网站中，我们可以登录查询某一期刊的检索信息，从信息介绍中知道该sci开不开源。而且在该网站，可以筛选开源期刊或不开源期刊范围。除外，一些sci开不开源的信息，可以在中国知网查询到。3、从收不收版面费上知道。sci开不开源是两种不同的运营模式。开源期刊是作者付费，读者可以免费下载文献。不开源期刊是作者不必付费，读者需要付费下载，或者使用学校或单位花大价钱购买的数据库权限。即发表sci期刊论文，收版面费是开源期刊，不收的则是不开源期刊。sci开源期刊和非开源期刊，分别对应OA期刊和非OA期刊。两者的运营模式不同，对论文的要求也不尽相同，投稿后也可能会有不同的结果。
近日，著名学术出版商 Elsevier 正式公布 2020 CiteScore ™（引用分），引起了科研工作者的广泛关注。笔者注意到相对于传统的期刊评价指标 IF（Impact Factor）和分区，许多科研工作者对于 CiteScore 的了解比较有限。基于此，笔者拟在从含义、计算方法和优缺点等方面谈谈 CiteScore。一、什么是 CiteScore？CiteScore™，也被称为引用分，是著名学术出版商 Elsevier 于 2016 年发布的官方期刊评价体系。该指标与 SCI 期刊中的 IF 类似，是基于文献引用率的一项定量评价体系。二、如何计算 CiteScore？CiteScore™ 引用分作为期刊评价的有效度量指标之一，是不断发展的科研评价指标体系的一部分，它能够帮助使用者衡量期刊、丛书、会议论文集和行业杂志引文影响力。更新后的 CiteScore 是采用 4 年期的 CiteScore 时间段可对论文发表后的引用进行稳健的评估。以 CiteScore 2020 为例，CiteScore 2020 等于 2017-2020 年间对 2017-2020 年所发表文章、评论、会议论文、书籍章节和数据论文进行的引用次数，然后将该次数除以在 2017-2020 年所发表的出版物总数。三、如何查询期刊 CiteScore？读者要想获取最新发布的 CiteScore 2020，只需访问 Scopus 官网，免费获取即可。（一）CiteScore 的优点：1. 可评价的期刊数量增加Scopus 数据库收录的期刊涵盖数量有 22000 多种，其中有 11000 本期刊并没有 IF 但有引用次数（CiteScore）。有些期刊尽管未被 SCI 收录，但它们在各领域内的口碑还是不错的，尤其是一些正处于快速发展期的新出版刊物。由此可见，如果 CiteScore 推行使用，将会有更多期刊获得 CiteScore 因子，拓展了我们投稿期刊的范围。另一方面，Scopus 数据库还收录了大量的中文期刊（被 SCI 收录的中文期刊只有 18 本），如此一来，对提升中国本土期刊的排名及业内认可度也会有一定的促进作用。2. 数据透明且免费使用CiteScore 的计算方式非常简便，Scopus 数据库网站上公开列出了详细数据用于确定引用次数。同时，CiteScore 的使用不收取任何费用，任何人都可以使用 Scopus 上的系列指标功能，以及所有的引用次数指标，而 Web of Science 数据库则是需要购买权限的。3. 引用数统计时间和覆盖面增加CiteScore 引用分的计算方法可以在限定时间区域（四年）之内，相比 IF 增加了两年的引用期限，这样覆盖面会更广一些。同时兼顾了当年 IF 与 5 年 IF 两个数值的特点，更加稳定与一致地反映研究型期刊的科研贡献。4. 实时追踪CiteScore Tracker 中的引用分按月度更新，且新近被 Scopus 收录的期刊通常自次年起就会拥有自己的 CiteScore 引用分, 这对编辑和出版社非常有帮助。（二）CiteScore 的不足：1. 没有对不同类型文章重要性进行区分由于 CiteScore 将期刊论文、综述、评论等类型的文章赋予相同的权重，那么一些期刊编辑部是否就会不再重视那些非研究类的小论文，如编辑评述、读者来信、更正信息和新闻等，以减少出版这些内容而获得更高的分数。这样一来势必会改变未来的期刊出版计划，甚至会影响到整个学术出版行业。2. 期刊未经过严格筛选，可能导致 OA 期刊影响上升CiteScore 一定程度上会对开源期刊带来更大的利益。近年来 OA 期刊数量激增，期刊质量层次不齐，受到的争议也越来越多，那些被 SCI 收录的 OA 期刊也许质量尚可，但在 Scopus 数据库中则没有严格筛选，无法区分一些通过非正规手段提升引用数的期刊。3. 部分期刊未能被收录Scopus 数据库也并非十分全面，一些被 SCI 收录、 IF 可能还不错的期刊却没有被收录。4. 计算方法与 IF 相差不大，未能从根本上解决 IF 评价存在的问题最重要的是，CiteScore 在数据的计算方法上与 IF 差别不大，无法从根本上解决 IF 目前已存在的问题。四、CiteScore 能否取代 IF ？CiteScore™ 引用分作为期刊评价的有效度量指标之一，是不断发展的科研评价指标体系的一部分，它能够帮助使用者衡量期刊、丛书、会议论文集和行业杂志引文影响力。在学术界现行的 SCI 期刊的 IF 和分区的评价体系下，CiteScore 作为一个升级优化版的 IF 应运而生，在一定程度上引起了学者的关注，可以作为期刊评价体系的有效补充，帮助读者进行更加准确的决策。但如前文所说，CiteScore 仍然存在许多不足之处，且计算方式在本质上与 IF 相差不大。因此，CiteScore 挑战 IF 的地位还需要一个相当漫长的过程。PS:需要Sci润色、翻译、期刊推荐等服务的）老师可以私信小编。