复旦团队首次公布人体经络影像 前段时间，复旦大学团队首次发表符合人体经络传统描述的系统图像，让人得以“看见经络”。研究小组对数百种药物和食物进行测试后，发现茶的归经感最强。此后，通过不断的研究，团队得出结论：不同茶叶对应的归经规律极其明显。相关论文《茶叶激发的人体红外影像显现经络系统》发表在3月份的《定量生物学》杂志上。 经络理论是古代中医的一部分，在中医理论中占有特别重要的地位。根据这一理论，人体经络分为经络，也分为十二经脉、十二筋和十二皮区。经络分为正经(十二经脉，称为‘十二经脉’)和奇经(八经脉，称为‘奇经八脉’)。络脉分为浮络(体表静脉)；络脉15条(共有15条，其中“十二经脉”和任、督各有一条络脉，共有15条络脉，合称为“十五络脉”)；孙络(络脉的最小分支)。
经络的医疗实践主要有两个方面：对经络穴位的针灸，和根据经络对应的属性配备药剂。在中药学里，归经是指药物对于人体某部分的选择性作用，即某种药物对某经或某几经发生明显的作用，而对其他经作用较小，如黄芪归肝经，黄精归肾经。用现代科学的各种实验和分析证实，这两方面的各种实践都有显著效果。对各种穴位的针灸方案有显著治疗相关疾病的功效。而草本药物所含化合物成分对应的经络归属，也符合特定的数学模型，因此归经属性是可以通过化学分析来预测。
人体经络存在的意义，对于中国意义这种科研有很大的研究，那么通过研究能够知道人体经络的这个循环走向，也能达到非常好的治病的效果。
我觉得它的意义就是科学家们愿意重新去验证中医的真实存在，这是我们中国人的骄傲地方。无论中医还有多少没有被证实的地方，其实时间自有答案。
其实复旦团队公布的人体经络影象，是通过红外成像所显现出来的，通过红外成像可以明显地看到人不同部位在不同时间的颜色区别。
这是真的，因为经络就是西医中我们所说的神经系统和血管，只是换了一个说法而已。
经络当然存在，其实说的就是人体的神经结构，只不过中医，西医叫法不同。
经络是真实存在的，已经有相关的专家将经络具体的纹路画出来了，就对于承认中医是有很大的影响的。
对工程研究，原理（How）往往来自于别的领域，CNN的图像识别是启发自视觉神经（一种被研究的最透彻的神经结构）研究的发现，人民发现人的视觉就是这么工作的，然后试着用它在机器上实现，当有足够快的电脑和多的数据时，人们兴奋的发现可以做高质量的图像识别。原理的解释通常要晚一些。但是抽象的解释并不难：把信息一层层的抽象，最底下是像素，中间是各种特征，越往上越抽象（边，圆，胡子，高鼻梁...)。研究科学不光是看论文：你拿一副照片贴着眼睛看，慢慢拿远大概可以帮助理解。
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 = 0.3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0.5。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0.5 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0.2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0.5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45.3%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0.29，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。
这两天在公司做PM实习，主要是自学一些CV的知识，以了解产品在解决一些在图像识别、图像搜索方面的问题，学习的主要方式是在知网检索了6.7篇国内近3年计算机视觉和物体识别的硕博士论文。由于时间关系，后面还会继续更新图片相似度计算（以图搜图）等方面的学习成果 将这两天的学习成果在这里总结一下。你将会看到计算机视觉在解决特定物体识别问题（主要是卷积神经网络CNNs）的基础过程和原理，但这里不会深入到技术的实现层面。
计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。 ————维基百科 通常而言，计算机视觉的研究包括三个层次： （1）底层特征的研究： 这一层次的研究主要聚焦如何高效提取出图像对象具有判别性能的特征，具体的研究内容通常包括：物体识别、字符识别等 （2）中层语义特征的研究： 该层次的研究在于在识别出对象的基础上，对其位置、边缘等信息能够准确区分。现在比较热门的：图像分割；语义分割；场景标注等，都属于该领域的范畴 （3）高层语义理解： 这一层次建立在前两层的基础上，其核心在于“理解”一词。 目标在于对复杂图像中的各个对象完成语义级别的理解。这一层次的研究常常应用于：场景识别、图像摘要生成及图像语义回答等。 而我研究的问题主要隶属于底层特征和中层语义特征研究中的物体识别和场景标注问题。
人类的视觉工作模式是这样的： 首先，我们大脑中的神经元接收到大量的信息微粒，但我们的大脑还并不能处理它们。 于是接着神经元与神经元之间交互将大量的微粒信息整合成一条又一条的线。 接着，无数条线又整合成一个个轮廓。 最后多个轮廓累加终于聚合我们现在眼前看到的样子。 计算机科学受到神经科学的启发，也采用了类似的工作方式。具体而言，图像识别问题一般都遵循下面几个流程
（1）获取底层信息。获取充分且清洁的高质量数据往往是图像识别工作能否成功的关键所在 （2）数据预处理工作，在图像识别领域主要包括四个方面的技术：去噪处理（提升信噪比）、图像增强和图像修复（主要针对不够清晰或有破损缺失的图像）；归一化处理（一方面是为了减少开销、提高算法的性能，另一方面则是为了能成功使用深度学习等算法，这类算法必须使用归一化数据）。 （3）特征提取，这一点是该领域的核心，也是本文的核心。图像识别的基础是能够提取出足够高质量，能体现图像独特性和区分度的特征。 过去在10年代之前我们主要还是更多的使用传统的人工特征提取方法，如PCA\LCA等来提取一些人工设计的特征，主要的方法有（HOG、LBP以及十分著名的SIFT算法）。但是这些方法普遍存在（a）一般基于图像的一些提层特征信息（如色彩、纹理等）难以表达复杂的图像高层语义，故泛化能力普遍比较弱。（b）这些方法一般都针对特定领域的特定应用设计，泛化能力和迁移的能力大多比较弱。 另外一种思路是使用BP方法，但是毕竟BP方法是一个全连接的神经网络。这以为这我们非常容易发生过拟合问题（每个元素都要负责底层的所有参数），另外也不能根据样本对训练过程进行优化，实在是费时又费力。 因此，一些研究者开始尝试把诸如神经网络、深度学习等方法运用到特征提取的过程中，以十几年前深度学习方法在业界最重要的比赛ImageNet中第一次战胜了SIFT算法为分界线，由于其使用权重共享和特征降采样，充分利用了数据的特征。几乎每次比赛的冠军和主流都被深度学习算法及其各自改进型所占领。其中，目前使用较多又最为主流的是CNN算法，在第四部分主要也研究CNN方法的机理。
上图是一个简易的神经网络，只有一层隐含层，而且是全连接的（如图，上一层的每个节点都要对下一层的每个节点负责。）具体神经元与神经元的作用过程可见下图。
在诸多传统的神经网络中，BP算法可能是性能最好、应用最广泛的算法之一了。其核心思想是：导入训练样本、计算期望值和实际值之间的差值，不断地调整权重，使得误差减少的规定值的范围内。其具体过程如下图：
一般来说，机器学习又分成浅层学习和深度学习。传统的机器学习算法，如SVM、贝叶斯、神经网络等都属于浅层模型，其特点是只有一个隐含层。逻辑简单易懂、但是其存在理论上缺乏深度、训练时间较长、参数很大程度上依赖经验和运气等问题。 如果是有多个隐含层的多层神经网络（一般定义为大于5层），那么我们将把这个模型称为深度学习，其往往也和分层训练配套使用。这也是目前AI最火的领域之一了。如果是浅层模型的问题在于对一个复杂函数的表示能力不够，特别是在复杂问题分类情况上容易出现分类不足的弊端，深度网络的优势则在于其多层的架构可以分层表示逻辑，这样就可以用简单的方法表示出复杂的问题，一个简单的例子是： 如果我们想计算sin(cos(log(exp(x))))， 那么深度学习则可分层表示为exp(x)—>log(x)—>cos(x)—>sin(x)
图像识别问题是物体识别的一个子问题，其鲁棒性往往是解决该类问题一个非常重要的指标，该指标是指分类结果对于传入数据中的一些转化和扭曲具有保持不变的特性。这些转化和扭曲具体主要包括了： （1）噪音（2）尺度变化（3）旋转（4）光线变化（5）位移
该部分具体的内容，想要快速理解原理的话推荐看[知乎相关文章] ( )， 特别是其中有些高赞回答中都有很多动图和动画，非常有助于理解。 但核心而言，CNN的核心优势在于 共享权重 以及 感受野 ，减少了网络的参数，实现了更快的训练速度和同样预测结果下更少的训练样本，而且相对于人工方法，一般使用深度学习实现的CNN算法使用无监督学习，其也不需要手工提取特征。
CNN算法的过程给我的感觉，个人很像一个“擦玻璃”的过程。其技术主要包括了三个特性：局部感知、权重共享和池化。
CNN中的神经元主要分成了两种： （a）用于特征提取的S元，它们一起组成了卷积层，用于对于图片中的每一个特征首先局部感知。其又包含很关键的阈值参数（控制输出对输入的反映敏感度）和感受野参数（决定了从输入层中提取多大的空间进行输入，可以简单理解为擦玻璃的抹布有多大） （b）抗形变的C元，它们一起组成了池化层，也被称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。 （c*）激活函数，及卷积层输出的结果要经过一次激励函数才会映射到池化层中，主要的激活函数有Sigmoid函数、Tanh函数、ReLU、Leaky ReLU、ELU、Maxout等。
也许你会抱有疑问，CNN算法和传统的BP算法等究竟有什么区别呢。这就会引出区域感受野的概念。在前面我们提到，一个全连接中，较高一层的每个神经元要对低层的每一个神经元负责，从而导致了过拟合和维度灾难的问题。但是有了区域感受野和，每个神经元只需要记录一个小区域，而高层会把这些信息综合起来，从而解决了全连接的问题。
了解区域感受野后，你也许会想，区域感受野的底层神经元具体是怎么聚合信息映射到上一层的神经元呢，这就要提到重要的卷积核的概念。这个过程非常像上面曾提到的“神经元与神经元的联系”一图，下面给大家一个很直观的理解。
上面的这个过程就被称为一个卷积核。在实际应用中，单特征不足以被系统学习分类，因此我们往往会使用多个滤波器，每个滤波器对应1个卷积核，也对应了一个不同的特征。比如：我们现在有一个人脸识别应用，我们使用一个卷积核提取出眼睛的特征，然后使用另一个卷积核提取出鼻子的特征，再用一个卷积核提取出嘴巴的特征，最后高层把这些信息聚合起来，就形成了分辨一个人与另一个人不同的判断特征。
现在我们已经有了区域感受野，也已经了解了卷积核的概念。但你会发现在实际应用中还是有问题： 给一个100 100的参数空间，假设我们的感受野大小是10 10，那么一共有squar（1000-10+1）个，即10的六次方个感受野。每个感受野中就有100个参数特征，及时每个感受野只对应一个卷积核，那么空间内也会有10的八次方个次数，，更何况我们常常使用很多个卷积核。巨大的参数要求我们还需要进一步减少权重参数，这就引出了权重共享的概念。 用一句话概括就是，对同一个特征图，每个感受野的卷积核是一样的，如这样操作后上例只需要100个参数。
池化是CNN技术的最后一个特性，其基本思想是： 一块区域有用的图像特征，在另一块相似的区域中很可能仍然有用。即我们通过卷积得到了大量的边缘EDGE数据，但往往相邻的边缘具有相似的特性，就好像我们已经得到了一个强边缘，再拥有大量相似的次边缘特征其实是没有太大增量价值的，因为这样会使得系统里充斥大量冗余信息消耗计算资源。 具体而言，池化层把语义上相似的特征合并起来，通过池化操作减少卷积层输出的特征向量，减少了参数，缓解了过拟合问题。常见的池化操作主要包括3种： 分别是最大值池化（保留了图像的纹理特征）、均值池化（保留了图像的整体特征）和随机值池化。该技术的弊端是容易过快减小数据尺寸，目前趋势是用其他方法代替池化的作用,比如胶囊网络推荐采用动态路由来代替传统池化方法，原因是池化会带来一定程度上表征的位移不变性，传统观点认为这是一个优势，但是胶囊网络的作者Hinton et al.认为图像中位置信息是应该保留的有价值信息，利用特别的聚类评分算法和动态路由的方式可以学习到更高级且灵活的表征，有望冲破目前卷积网络构架的瓶颈。
CNN总体来说是一种结构，其包含了多种网络模型结构，数目繁多的的网络模型结构决定了数据拟合能力和泛化能力的差异。其中的复杂性对用户的技术能力有较高的要求。此外，CNN仍然没有很好的解决过拟合问题和计算速度较慢的问题。
该部分的核心参考文献： 《深度学习在图像识别中的应用研究综述》郑远攀,李广阳,李晔.[J].计算机工程与应用,2019,55(12):20-36. 深度学习技术在计算机图像识别方面的领域应用研究是目前以及可预见的未来的主流趋势，在这里首先对深度学习的基本概念作一简介，其次对深度学习常用的结构模型进行概述说明，主要简述了深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、生成式对抗网络（GAN）、胶囊网络（CapsNet）以及对各个深度模型的改进模型做一对比分析。
深度学习按照学习架构可分为生成架构、判别架构及混合架构。 其生成架构模型主要包括： 受限波尔兹曼机、自编码器、深层信念网络等。判别架构模型主要包括：深层前馈网络、卷积神经网络等。混合架构模型则是这两种架构的集合。深度学习按数据是否具有标签可分为非监督学习与监督学习。非监督学习方法主要包括：受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。 监督学习方法主要包括：深层感知器、深层前馈网络、卷积神经网络、深层堆叠网络、循环神经网络等。大量实验研究表明，监督学习与非监督学习之间无明确的界限，如：深度信念网络在训练过程中既用到监督学习方法又涉及非监督学习方法。
[1]周彬. 多视图视觉检测关键技术及其应用研究[D].浙江大学,2019. [2]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36. [3]逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D].吉林大学,2017. [4]段萌. 基于卷积神经网络的图像识别方法研究[D].郑州大学,2017. [5]李彦冬. 基于卷积神经网络的计算机视觉关键技术研究[D].电子科技大学,2017. [6]李卫. 深度学习在图像识别中的研究及应用[D].武汉理工大学,2014. [7]许可. 卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012. [8]CSDN、知乎、机器之心、维基百科
水果是我们每天必吃的食物之一,它的营养作用是鱼肉蛋奶等动物性食物和大米、面粉等主食所不能替代的,下面是我为你精心整理的水果与人体健康的论文，希望对你有帮助! 水果与人体健康的论文篇1 摘要：随着经济和社会的发展，人们对于健康的要求已经越来越高，不仅追求食物的美味，而且更关注事物的健康。饮食与人类的健康息息相关，如何合理膳食、健康饮食是人们经常谈论的话题。科学饮食对于健康是至关重要的一个方面，此外我们还应树立正确的健康观，积极践行良好的生活方式，为工作学习保驾护航。 关键词：合理饮食的重要性 合理营养 健康的生活观 在当代的社会里，合理膳食已经成为人们紧密关注的一部分。但是大多数人认为，似乎只要吃得合理吃的丰富，就是健康合理的膳食。片面而不科学地选择食物，只会导致身体的不健康。如果单单只从吃的丰富和多样来考虑我们身体的健康，在有些时候，甚至会适得其反。 一、合理饮食的重要性 古语有云“民以食为天”，即言饮食的重要。人体需要的营养素有七大类：矿物质、脂类、蛋白质、维生素、碳水化合物、水和膳食纤维。认识和了解这些营养素的作用，以及食物中分别所富含的成分，有助于我们合理膳食，提高生活质量。随着我国经济水平的提高，居民饮食也随之改变，但健康问题也随之而来，糖尿病、高血压、高血脂等与饮食有关的病迅速增多，合理膳食有助于改变这一现状。合理的膳食是为了给身体带来合理的营养，通过合理和健康的饮食来补充我们的身体所需，从而创造良好的工作学习状态。 二、正确的饮食方式与健康的生活观 人们生活中所需的营养绝大数来自日常饮食，人们通过食物的摄取来满足人体新陈代谢的需要，从而使人体处于健康状态。 <一>养成良好的用餐习惯 保证一日三餐，形成 “早餐要吃好，午餐要吃饱，晚餐要吃少”的好习惯。吃饭的时候最好不要玩手机，看电视，或者聊天，应该细嚼慢咽，文明安静，轻松自然。睡觉前不要吃过多食物，如果实在太饿，吃点饼干和牛奶，不要经常吃宵夜，容易的胃癌。还有，水果应该饭前吃，少喝奶茶和咖啡。 <二>合理搭配，全面营养 同一类食物所含的主要营养成份大致相近，但也有区别，如粮食中维生素的含量相差明显。因此，在安排膳食时，几种食物要合理化搭配，尽量做到多样化，才能得到营养全面的膳食。 (1) 食物不宜太精，粗细搭配 长期食用过精的粮食，就会造成营养缺乏。另外，膳食摄入过精，膳食纤维少，肠胃功能会逐渐减弱，造成便秘或其他更严重的问题。饮食中注意粗细搭配，经常吃一些粗粮、杂粮，各取所长，可以起到营养素互补的作用。 (2) 主副食合理安排，获得全面营养 膳食以谷类为主，同时要注意副食的安排。粮食中蛋白质质量不够优良，其构成蛋白质的氨基酸中赖氨酸不足，大豆或其制品中赖氨酸含量比较多，因而粮食与豆制品一起吃可以提高蛋白质的营养价值，同时应选用适量的动物性食物及蔬菜、水果，以增加优质蛋白质、各种矿物质、维生素和纤维素的摄入量。 <三>多吃蔬菜、水果和薯类 蔬菜与水果含有丰富的维生素、矿物质和膳食纤维。红、黄、绿等到深色蔬菜中维生素含量超过浅色的蔬菜。蔬菜除了能提供丰富的矿物质、维生素和膳食纤维以外，还可以促进鱼、肉、蛋等食物的蛋白质的消化吸收。水果含有葡萄糖、果糖、柠檬酸、等到物质又比蔬菜丰富。经常吃不同种类的水果可增进食欲，帮助消化，对人体健康非常有益。一般水果含糖量较高，糖尿病病人往往想吃而不敢吃，其实糖尿病病人什么水果都可以吃，只是必须注意每次吃的份量，并将其放入总能量内计算，而且最好在两餐之间吃。 <四>常吃奶类、豆类或其制品 中国居民的膳食中奶类和豆类摄入很低，造成我国居民普遍缺钙。一般居民膳食中钙的摄入量平均只达到推荐供给量的一半左右。奶类是钙的最好的食物来源营养专家认为，人在一生中都应该喝牛奶或吃奶制品。同时大豆还富含水量赖氨酸，和谷类食物搭配可以弥补谷类食物赖氨酸的不足，提高膳食蛋白质的营养价值。 <五>经常吃适量鱼、禽、蛋、瘦肉，少吃肥肉和荤油 鱼、禽、蛋、瘦肉等动物性食物是优质蛋白质、脂溶性维生素和矿物质的良好来源。动物蛋白质的氨基酸组成更适合人体需要，且赖氨酸含量较高，有利于补充植物性食物中赖氨酸不足的缺陷。肉类中铁的利用较好，是预防缺铁性贫血的良好食物。鱼类及其他水产品是理想的高蛋白质低脂肪，畜禽类的内脏虽然含多种矿物质和维生素，但内脏多含脂肪及胆固醇较高，不应该吃的太多。由于肥肉和荤油中含有过多的饱和脂肪酸和胆固醇，均是引起肥胖和诸多慢性病的危险因素。为减少患慢性病的危险期因素，早期预防心血管疾病的发生，应少吃肥肉。日常烹调尽量少用荤油，多用植物油。 <六>吃清淡少盐的膳食 吃清淡膳食有利于健康，世界卫生组织建议，每人每日食盐用量不超过 6 克为宜，我国居民食盐摄入量过多，平均值是世界卫生组织建议值的 2 倍以上。 流行病学调查表明，钠的摄入量与高血压发病呈正相关，因而食盐不宜过多。 <七>戒烟限酒 三、日常饮食中的误区 1.空腹喝牛奶，使奶未充分消化即进入肠道，不利于养分吸收，同时牛奶中的与一羟色氨等催眠成分进入体内，可使你工作或学习处于低潮。因此，喝牛奶应伴着面包等粮食类食品，一方面保证早餐有较多能量，另一方面，延长其在小肠的吸收过程，还可使蛋白质得到互补。 2. 饭后马上吃水果： 科学家经过研究后指出，水果中含有大量的单糖类物质很容易被小肠所吸收但若被饭菜堵在胃中就会因腐败而成胀气、使胃部不适，所以吃水果应在饭前一小时或饭后2小时为宜。 3.肉骨头汤补钙：很多骨折的病人喜欢用肉骨头汤补钙， 其实肉骨头汤中含钙量并不高。肉骨头汤脂肪含量很高，因为有骨髓。成人每日需要的钙推荐摄入量为800毫克，用肉骨头汤补钙是远远不能满足需要的，应当用牛奶或钙制剂补钙。 4 .碳酸饮料，不可多饮 碳酸饮料中的碳酸会与体内的钙形成不溶性的碳酸钙，会夺走所吃进去的食物中的钙质，造成钙流失，引起钙缺乏的症状。 小结：果蔬营养与健康是一门结合实际的科学。合理的营养可以防治多种疾病。食物是营养素的载体，人体所需要的营养素必须通过食物获得。营养学家主张用食物来满足人体对营养的需求，提倡合理的膳食是营养之本。合理营养是健康长寿和力量的保证。所谓合理营养就是使人体的营养生理需求与人体通过膳食摄入的各种营养物质之间保持平衡，饮食应合理搭配。 养成健康的饮食习惯关系到我国未来人口素质，是一项强国强民的伟大事业。只有思想上重视，饮食上科学，食品来源健康，才能实现强健国民这样一个宏伟的目标。 总之，保持健康永远是人们生命中的一大主题，健康高于一切。没有一个强健的身体，一切无从谈起。有句话说得好：身体是革命的本钱。身体是我们自己的，如果活得不健康，得到再多 其它 的东西也是枉然，因为你都没有生命来享受它。所以我们应该多重视自身的生活习惯及饮食习惯，从现在做起，从小事做起，合理饮食，形成健康的生活观，让自己变得越来越健康，让自己的明天越来越美好! 参考文献：1.人体营养学与社会营养学 2.食品营养与健康指南 3.膳食营养与健康 4. 食物保健书 (美)罗伯特·杜伊夫 5.中国古代饮食 文化 中的饮食健康观念 [J]，文史知识，2007 水果与人体健康的论文篇2 【摘要】水果是人们日常生活中不可缺少的食品之一，它含有丰富的炭水化合物、有机酸、维生素、纤维素及无机盐、果胶等，因而成为人类生活中重要的营养源。 【关键词】健康;水果;营养 在我们日常生活中，天天都与蔬菜或水果打交道，一般只把蔬菜作为送饭的佳肴，而水果则被当成一种享口福的食品，甚至许多女孩一日三餐均用水果来代替，认为既可以减肥又对美容有好处。但就在你和水果亲密接触的同时，一味的傻吃不但不给你带来健康，反而还会对身体造成伤害。为了健康，必须了解水果的特性。 一、水果的类别 从传统医学来看，水果可分为寒冷性、温热性、平性三种。寒冷性水果的代表有：西瓜、梨、香蕉、芒果、橙、柑、柿子、香瓜、棱角等。温热性水果的代表是：山楂、松子、栗子、石榴、菠萝、桃、葡萄、桔子、荔枝、龙眼、榴莲等。平性水果主要指：山楂、菠萝、木瓜、苹果、椰子等。所以在不同季节选吃不同的水果或因个人体质不同选用的水果类别也是不同的。一般来说，实热体质的人夏天代谢旺盛，交感神经占优势，出汗多，经常脸色通红、口干舌燥、易烦躁、易便秘，所以在夏天选择寒冷的水果。但是，寒性水果不宜多食，否则对身体有害。比如，梨味道甘甜，具有止泻，通便、消化作用，经常吃可以肌肤白嫩，但由于其中含有丰富的糖类和钾盐，食用过多会有损心、肾健康，像冠心病、心肌梗塞、肾炎及糖尿病患者不能多吃。而柑橘、柚子等水果，具有止咳、化痰、润肺、帮助消化的作用，但多吃却容易造成肠胃紊乱，还能导致牙痛、痔疮甚至引起皮肤黄斑，因此有胃病，胃寒的人最好少吃。而气虚，脾虚的人在选择西瓜、梨、香蕉、芒果、橙等水果的时候要谨慎最好不要吃。所谓气虚，一般指中气不足，这些人一般脸色比较苍白，体格瘦小，吃不下饭，而脾虚，是指消化系统比较差，肠蠕动慢，所以常吃寒凉的水果，越会降低肠胃的蠕动力，使肌肉无力，吃多了会因为消化不良而导致腹账。因为胃功能不好的老人和孩子不太适合吃寒凉的水果，如果真的很想吃，可以在午饭后，晚饭前，少吃一点，不可过量。而温热性水果一般用于食欲不好，并且脾胃虚寒的人，平常肚子怕凉、怕凉食的人，一般可食用一些热性水果。平性水果象山楂、菠萝、这样的水果有利于开胃消食，特别喜欢吃肉的人，一般多吃山楂有利于消化肉食，并且山楂这种水果能活血化痰，对于心脑血管疾病有很好的辅助治疗作用，高血压患者、消化不良的人应多吃山楂。而菠萝中的糖、盐和酶有利尿作用，对胃炎、高血压、支气管有一定的辅助治疗作用，菠萝中含有一些有机酸，它不仅增加果实的风味，而且可以调节人体细胞里的酸碱平衡，还能改善血液循环，促进肌腱炎症和外伤的康复。 二、水果营养成分的分类 水果中含量最多的是水分，一般在70%～90%之间。水果的汁液中溶解了许多物质，是营养价值最高的部分。人每天至少要消耗2500毫升的水，而每天我们吃的食物中已含有大量的水，像蔬菜中90%是水分，水果中80%是水分，肉类和鱼也含有70%的水分扣除这些，一天喝1500毫升的水就足够了。而且水果也是含水分较多的食品，供给的热量不多。其次是水果中的糖分，主要有葡萄糖、蔗糖和果糖三种。成熟的水果含糖较多，所以吃起来很甜。实际上所有的水果都有糖分，尤其是香蕉、葡萄、苹果等含糖量很高。所以吃多了糖分很容易对减肥女性造成不良的影响。水果中也含有有机酸，但主要以苹果酸、柠檬酸、酒石酸为主。一般的水果含酸0.1%～0.5%，吃起来酸甜适口。同时水果中的一些有机酸可以刺激消化液的分泌，从而帮助消化。另外水果还具有良好缓泻剂。因为它含纤维素较多，可以促使肠道蠕动加快而有利于大便。水果中还常含有各种芳香物和色素，有一些含有低量的香精油，使其具有一种特殊的香气，能刺激人的食欲，帮助消化。水果中还含有多种维生素，是人们吃水果主要摄取的成分。包括维生素C、维生素A、维生素 B1、维生素B2、维生素D、维生素K、维生素E等，对人体健康起着重要的作用。当提到维生素C时，许多朋友就不由自主地想到水果，甚至有人认为，只要经常吃水果，就不会缺乏维生素C，其实这种看法是片面的。水果中含有丰富的维生素C，有的维生素C含量却很少，有资料表明，猕猴桃、鲜枣、草莓、枇杷、橙、橘、柿子等含有丰富的维生素C。维生素C又叫抗坏学酸，是一种水溶性维生素，在所有维生素中，维生素C是最不稳定的。在贮藏、加工和烹调时，容易被破坏，还易被氧化和分解。水果中的矿物质含量也比较丰富，主要有钙、磷、铁等矿物质，是人体正常生理活动所必需的。它可以中和鱼、肉、蛋等酸性物质，保持人体的酸碱平衡，蔬菜、水果中含有丰富的维生素、矿物质及膳食纤维，很容易消化、吸收。水果中含有的抗氧化物还可以帮助宝宝提高免疫力，使宝宝不易生病，受到年轻父母们的青睐。但家庭自制果汁不但耗时、麻烦，而且在加工过程中容易损失部分营养素(如维生素C等)。其实每种水果都有它特殊的保健功效，如果选择正确的话效果丝毫不逊于任何保健品。 三 酸碱性水果的分类 水果按其PH值可分为酸性和碱性水果。酸性水果主要是指柑橘类水果。酸性水果不宜多食，象杨梅、李子等所含的酸性物质不易被氧化分解，其所含的单宁酸若与海味同食会与蛋白质凝固，沉淀于肠道内，引起呕吐、腹痛腹泻和消化不良;水果中的酸味还会同胃酸一起刺激胃黏膜，溃疡病患者也不宜吃酸性水果，同时便秘的人也应少吃酸性水果，以免加重便秘。碱性水果主要分强碱性、中碱性、弱碱性水果。强碱性水果有：葡萄、柿子(黄瓜、胡萝卜);中碱性水果有：香蕉、草莓、柠檬(番茄);弱碱性水果有：苹果、梨。这些碱性食品可以使人健康聪明，多吃碱性食物的孩子智商高，而且能益体健美。健康人的体液应呈微碱性(PH值为 7.3～7.4)。这样有利于机体对蛋白质等营养物质的吸收和利用，并使体内的血液循环和免役系统保持良好状态，人的精力充沛。而食物本身就是人类赖以生存的基础，且与人体健康及益智有密切的关系。人要健康长寿，健康益智就必须要合理的饮食结构，使体内的体液环境达到最佳状态。而碱性食物本身就具有这种保健功能。一般人们在剧烈的 体育运动 之后，会感到腰腿或全身肌肉酸痛，疲惫不堪，有的还感到饥渴难耐，这时候，有的人会端着可乐大饮特饮，有的大口嚼着巧克力，更有甚者认为吃鸡、鱼、肉。其实越是这样食用，肌肉酸痛和疲劳感越是加重。原因在于，体内的酸碱平衡不但不能正常维持，相反身上的体液偏酸而使疲劳症状加重，正常人的体液呈弱碱性。人在体育锻炼后，感到肌肉、关节酸胀和精神疲乏，其主要原因是体内的糖、脂肪、蛋白质被大量分解，在分解过程中，产生乳酸、磷酸等酸性物质。这些酸性物质刺激人体组织器官使人感到肌肉、关节酸胀和精神疲乏。此时应多食用(牛奶、豆制品、蔬菜)水果等碱性食物，中和体内的酸性成分，缓解疲劳 进入21世纪，希望大家能更多地了解一些水果与健康的有益知识，合理健康地进补水果，吃出健康、吃出美丽，引导健康绿色的新生活。 参考文献: [1]朱俊友，李玉锋 水分在食品安全检测中的应用。2009. [2]张军，李晓霞，张军全等 生长素的研究进展。2002. [3]许杨，万亮，胡娜 维生素技术在食品安全检测中的应用。2008 水果与人体健康的论文篇3 摘要： 文章 列举出西红柿、四季豆、豆角的营养成分，再论证这些的重要性，探讨最佳的上述食物的替代品。 关键词：西红柿 四季豆 豆角 番茄红素 传说 英国一位公爵到南美洲时，发现一种叫狼柿的水果。然后他回国的时候把这种水果供奉给了伊利莎白女皇，博得了女皇的芳心„„这种爱情之果就是后来我们说的西红柿。也有人说，这种水果从西方传到中国的时候，因为长得像茄子，所以叫番茄。众说纷纭，但是西红柿的营养价值却是众多果蔬中的上品。由于，我的一个朋友从小不喜欢吃西红柿、四季豆、豆角，所以上了老师的校选课后，我忍不住论证3种果蔬的重要性，及其替代品。 记得老师上课的时候，把果蔬的营养按照红黄绿黑白来介绍.其中,红就是西红柿了。西红柿的主要营养物质是番茄红素，有抑制LDL氧化的功效。它是红色的脂溶性类胡萝卜素，具有卓越的抗氧化功效，对前列腺具有很好的保护作用，也能降低心肌梗阻,减少体内由于过氧化作用引起的对淋巴细胞DNA的损伤,调控肿瘤增殖, 活化免疫细胞的作用,减缓动脉粥样硬化等生理功能。番茄红素广泛存在于人体的各种器官和组织中。主要分布在人的血液、肾上腺、肝脏、睾丸、前列腺、乳腺、卵巢、子宫、消化道等器官中，其中血液、肾上腺、肝脏、睾丸等含有较多的番茄红素。番茄红素具有非常优越的生理功能其清除单线态氧的速率常数是常用抗氧化剂维生素E的100倍，是β—胡萝卜素的两倍之多。番茄红素是抗氧化性最强的类胡萝卜素。番茄红素能有效的预防前列腺癌， 对子 宫癌、肺癌细胞的抑制作用显著高于β—胡萝卜素、α—胡萝卜素。而且，人体内番茄红素的含量与人的寿命相关。 番茄红素属于类胡萝卜素，在成熟水果中以长型的和针状晶体存在。抗癌，防冠心病，消除老年视网膜黄斑变性等作用，也可用作黄/红食品色素。另外，番茄红素是脂溶性的，适宜熟食。 由此可见，西红柿中的番茄红素有过人之处，另外还有丰富的维生素C、β-胡萝卜素和各种矿物质。西红柿的营养是苹果的1.25倍，是梨的2倍。还含有有机酸，促消化。 不同的果蔬，每一百克果肉中番茄红素的含量不同。木鳖果：155-305mg，番石榴：5.23-5.50mg，番木瓜：0.11-5.3mg，西红柿：0.2-20mg。 由上面列举出数据可得，我们其实可以多吃些木鳖果、番石榴来弥补不吃西红柿的番茄红素缺失。另外，无论在维生素C和胡萝卜的含量上，西红柿都不是最高的。小红辣椒：维生素C为144mg，胡萝卜素为1.39mg;绿菜花：维生素C为51mg，胡萝卜素为7.21;西红柿：维生素C为19mg，胡萝卜素为0,55mg。所以，我们可以稍微多吃些小红辣椒和绿菜花就可以弥补这些的缺失。 除西红柿外，豆类也具有较高的营养物质。我们知道，豆类淀粉含量高，而脂肪含量低于2%，蛋白质含量一般都在20%以上，其蛋白质的质量较好，富含赖氨酸。但是蛋氨酸不足，因此也可以很好地与谷类食品发挥营养互补作用，它们B族维生素和矿物质含量也比较高。 聊完西红柿的主要营养成分，我们来谈谈豆类吧。记得电影《无极》里有句 经典台词 ，主演谢霆锋说过：“跟着你有肉吃。”其实，我们渴望吃肉多半是为了肉里面的蛋白质，脂肪。脂肪可以减少胃部的饥饿感，而蛋白质不仅是构建人体的材料，对生长发育和组织修复必不可少;它还是体内各种酶的原料，激素的原料;它能调节体液渗透压平衡;它能调节酸碱平衡;它是体内运输工具;它是抗体和免疫因子的原料;它也作为人体的重要能源。 豆类除了高蛋白外，还具有很多其他的营养物质。广东产的四季豆(青豆角)含有胡萝卜素610μg，视黄酸102μg，抗坏血酸27μg。北京产的豌豆含有胡萝卜素70μg，视黄酸12μg，抗坏血酸0μg。所以，我们可以看出四季豆中胡萝卜素和抗坏血酸的含量极高，还有没有列举出来的各种丰富的矿物质。 最后，我认为如果你不喜欢四季豆和豆角，那就记得多吃大豆或者大豆类制品。因为四季豆和豆角也并没有什么很特殊的营养物质，反而近年来有很多因为四季豆没煮熟而中毒的例子。四季豆和豆角中的血球凝集素和皂素，它们会刺激消化道黏膜，进入血液还会破坏红细胞及凝血功能。若没有除去或煮熟，很容易导致恶心、呕吐、腹泻、头晕等不良反应。
这里那里哪有论文哦，老大，去CNKI把，清华搞的，那里面是论文数据库，可以随时下载的。下载不了话可以去taobao的<翰林书店>店铺，他那里能帮人下载到，推荐一下
给一张图片，判断图片中的人物在做什么，对于人来说通常并不困难。但是，怎么让机器也学会判断呢？从静态的姿态识别，到动态的动作识别，再到将不同情景下的同一个人识别出来，机器已经变得越来越聪明。 1、2D、3D姿态识别 非常强大，很适合入门，通读后再对具体细节进行深究。 还介绍了动作识别：要识别出人物的动作通常需要连续的视频数据进行分析处理，需要采集的特征通常有单帧图像数据的特征和多帧图像数据之间时间上的特征，简单来说就是静态帧数据+ 帧间数据 。 2、DensePose开源了，2D变3D人体姿势实时识别 对其中一种方法（人体姿势实时识别系统DensePose）的直观介绍 3、SkeletonNet：完整的人体三维位姿重建方法 对SkeletonNet模型进行具体介绍 4、人体姿态估计（人体关键点检测）分类与经典方法分析（附GitHub地址 ） 菜鸡要努力 人体姿态估计（Human Pose Estimation）也称为人体关键点检测（Human Keypoints Detection）。 对于人体姿态估计的研究，简要介绍了各种方法。 1、行为识别 人体骨架检测+LSTM yengjie 2、解读：基于动态骨骼的动作识别方法ST-GCN（时空图卷积网络模型） 我是婉君的 3、基于3D关节点的人体动作识别综述 叶落寒蝉 是一篇针对论文的翻译 1、用单张2D图像重构3D场景 zouxy09 2、【深度相机系列三】深度相机原理揭秘--双目立体视觉 计算机视觉life 介绍的很详细 3、双目摄像机测深度原理 西海岸看日出 可以看作是上一篇的精简版 4、 真实场景的双目立体匹配（Stereo Matching）获取深度图详解 给出了一个具体的实践例子
人体姿态估计是计算机视觉中一个很基础的问题。从名字的角度来看，可以理解为对“人体”的姿态（关键点，比如头，左手，右脚等）的位置估计。 人体姿态估计可以分为两种思路， （1）“top-down”，它指先检测人体区域，再检测区域内的人体关键点。
已有"bottom-up"方法缺点：（1）未利用全局上下文先验信息，也即图片中其他人的身体关键点信息；（2）将关键点对应到不同的人物个体，算法复杂度太高。 文章改进点：提出“Part Affinity Fields (PAFs)”，每个像素是2D的向量，用于表征位置和方向信息。基于检测出的关节点和关节联通区域，使用greedy inference算法，可以将这些关节点快速对应到不同人物个体。
损失函数是保证网络能收敛的最重要的关键点，因此作者对两分支的损失函数均采用L2 loss。训练时，每个阶段都会产生loss，避免梯度消失；预测时只使用最后一层的输出。公式表示如下： 其中， 表示branch1 的label图，也称为heatmap; 是branch2 的label图 ，也称为vectormap。另外，考虑到有些训练数据集只标注了图片中部分人物的关节点，因此对损失函数采用了空域加权操作，W表示二值化mask矩阵，当位置p的标签缺失时其值为0，否则值为1。显然，对于未被标记的人物关节点 ，而被标记的人物关节点和非关节点 ,所以未被标记的人物关节点不会影响模型的学习过程，整个CNN网络架构的优化目标函数如下，
实际上就是使用2D高斯分布建模，求出一张图像上身体j部位的heatmap，记第k个人的第j个关节的heatmap为 ， 表示位置信息，则有： 表示了使用part affinity fields（PAF）建模骨骼区域，对于骨骼区域内的每一个像素，使用2D向量同时表征位置和方向信息，这里的方向指代当前骨骼对应的关节点对的连接方向，对应vectormap。以下图的骨骼区域为例
经过上述过程，我们已经得到各个关节点的坐标图--heatmap，与关节对连接的vectormap，现在的问题就是如何合理地在推理阶段将各个关节连接成一段骨骼，并将它们组装成一个人？ 关节拼接 ：对于任意两个关节点位置 和 ，通过计算PAFs的线性积分来表征骨骼点对的相关性，也即表征了骨骼点对的置信度，公式表示如下， 为了快速计算积分，一般采用均匀采样的方式近似这两个关节点间的相似度， 多人检测 ：由于图片中人数不确定，同时伴随遮挡、变形等问题，因此只使用上述计算关节对相似度，只能保证局部最优，因此作者利用greedy relaxation的思想生成全局较优的搭配。具体操作如下： （1）已知不同关节点的heatmap，也就是不同人的某个关节点的点集； （2）现在要将不同的点集进行唯一匹配，如：一群表示手肘的点集和手腕的点集，两点集中的点必须存在唯一匹配； （3） 关节点之间的相关性PAF已知，将关键点作为图的顶点，将关键点之间的相关性PAF看为图的边权，则将多人检测问题转化为二分图匹配问题，并用匈牙利算法求得相连关键点最优匹配。
由上图可知，COCO数据集总共有18个关键点，17个肢体骨架，但heatmap多了一个背景图，vectormap多了耳朵和肩膀的肢体，为什末要虚构这麽一个肢体呢，因为有时候人体是背对相机的，眼睛这个关键点是不可见的，为了更好的预测耳朵，引入这两个个肢体（也就是关节对：2-16和5-17）。所以总共有19个肢体，应为vectormap为矢量，预测时分为x,y两个分量，所以有19*2=38
完全参考 ，结合2.4节中vectormap( )的计算公式与绿色虚线框内的区域以点集数学公式理解。 关键是叉乘的几何意义是两个向量所组成的平行四边形的面积，所以 就表示与向量 平行距离为 的区域，也就是骨骼宽度。
后来论文作者对网络结构进行了改进，使得效果更好，速度更快，参考文献【11】。
【1】 Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 【2】 人体姿态估计的过去、现在和未来 【3】 论文解读-Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 【4】 Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields【菜鸟读者】 【5】 知乎：openpose笔记 【6】 openpose论文总结：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 【7】 详细介绍匈牙利算法步骤 【8】 Github 项目 - OpenPose 关键点输出格式 【9】 openpose的细节处理 【10】 tf-openpose人体姿态估计标签生成--heatmap--vectormap 【11】 OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields