1、最先大家先进到知网网址的主页，点击查看中国知网查重入口，进来以后大家会见到不一样的检验类型。2、我们要先明确好自己的论文类型，挑选相对应的检验类型入口，开展论文查重。3、依照知网论文检测毕业论文，根据系统软件的提醒进行提交检验。4、递交检验取得成功后，等候检验进行，随后在免费下载结果就好了。在检验全过程中，大家一定要依照毕业论文状况挑选恰当的我国知网论文查重检测系统版本号，依照我国知网论文查重检验流程递交检验，千万别出现错漏哦。
1、选择一个可靠的论文检测系统；2、在选定的论文检测网站上注册或直接登录账户，然后点击查重入口查重；3、输入论文的相关信息，点击上传论文；4、论文检测时间一般为10-30分钟；5、拿到论文检测报告后，根据测试报告中的内容对论文进行有针对性的修改，修改完成后再次进行检测和修改，步骤与上述内容一样。
论文撰写步骤：
一、论文的标题部分
标题就是题目或题名，标题需要以最恰当、最简明的词语反映论文中重要的特定内容逻辑组合，论文题目非常重要，必须用心斟酌选定。
二、论文的摘要
论文一般应有摘要，它是论文内容不加注释和评论的简短陈述。摘要应该包含以下内容：
1、从事这一研究的目的和重要性
2、研究的主要内容
3、完成了哪些工作
4、获得的基本结论和研究成果，突出论文的新见解
5、结构或结果的意义
三、论文关键词
关键词属于主题词中的一类，主题词除关键词外，还包含有单元词、标题词和叙词。关键词是标识文献的主题内容，单未经规范处理的主题词。
四、引言
又称为前言，属于正片论文的引论部分。写作内容包括：
1、研究的理由
2、研究目的
3、背景
4、前人的工作和知识空白
5、作用和意义
五、正文部分
论文的主题，占据论文大部分篇幅。论文所体现的创造性成果或新的研究结果，都将在这一部分得到充分的反映，要求这部分内容一定要充实，论据充分可靠，论证有利，主题明确。
六、参考文献
参考文献是文章在研究过程和论文撰写是所参考过的有关文献的目录，参考文献的完整标注是对原作者的尊重。不只在格式上有具体要求，在数量、种类、年份等方面又有相关要求。
多数学校会先进行论文答辩按照正常的论文审核顺序是你的论文先提交给自己的导师，导师通过审核之后你就可以等着答辩了。论文答辩查重并不是同时进行的，而是先答辩后进行查重。只有通过了答辩之后，你的论文才能够进入到学校的论文查重系统中，如果答辩没有通过论文是无法查重的。这只是多数学校的安排，所以我们还是要提前了解一下自己的学校是如何安排的才行，一般答辩之前学校都是会有相应通知的。部分学校先查重后答辩当然每一个学校的顺序都是不一样的，论文答辩查重也有可能会调整，也有很多学校事先进行论文查重。当导师确定了你的论文没有问题之后，就会要求你按照学校的标准来提交一个word文档，然后导师对你的论文进行查重。论文查重没有问题你才能进入到答辩环节，不过少数学校会这样做，多数学校还是会先进行答辩，这样比较容易操作，审核也会简单一些。顺序不同论文格式也不同因为论文答辩查重的顺序不同，论文的格式也会有很大的差异性。可能很多人都没有注意到这一点，因为你的论文如果事先查重，就要为了查重而牺牲很多语句，甚至是一些数据。导师一般也会宽松一些，知道大家都为了能降重会修改一些格式，不会特别较真。但是如果你的论文需要答辩，还是需要打印一式四份的，其他老师也要看你的论文。只是按照论文检测系统降重的标准来提交的，论文肯定就无法通过审核了，建议他家还是应该将论文分别保存成不同的类别，这样使用的时候直接打印就可以。
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 ：
感觉论文查重对大多数毕业生来说是一场噩梦，有些学生花了很多钱去检测论文，但是论文检测结果也不如人意，其实论文查重并没有那么恐怖，只要我们态度端正，认真查阅参考资料，认真撰写论文，不投机取巧，并学会几个小技巧，论文就可以顺利通过。那么下面来教大家几种降低重复率的方法!一、分析论文检测软件不同论文查重软件的算法和检测机制有很大的不同。因此，在论文检测前，有必要了解每个论文检测软件的优缺点，以便根据学校要求以及个人实际情况来进行具体的选择。二、掌握修改技巧此步骤对于论文检测查重来说是非常重要的。目前来说，常见的方法是同义词替换和局部句型交换。Papertime不仅具有机器人降重功能，还支持在线改重和实时查重功能。方便又好用，节约了同学们大量的时间，让修改论文变得轻松简单！修改方法：1、修改关键词我们在写论文的时候，总会有一些词语和参考文献中的词语相同，如果不修改，就会导致重复率增加。比如专有名词，在这种情况下，可以选择将专有名词的中文名称和英文名称都写上去。或者，还可以解释一下这个专有名词所代表的含义，当然，我们不能为了降重而降重，还是需要保证论文的专业性。 2、转换说法中华文化博大精深，一句话有多种表达方式，在文字标红部分可以使用自己的语言表述时，我们可以选择将句子的语序颠倒，可以参考“四”变。复杂变简单，正话反说，主动变被动，简单变复杂。值得注意的是：为了避免出现原则上的错误，我们不能改变句子的本来的含义。3、短句变长句飘红的短句是很难改的。因此，我们需要尽可能丰富句子，用自己的话来复述，将短句变为长句，这不仅增加了论文字数，而且也降低了重复率。修改论文的关键还是耐心。毕竟在提交论文终稿的时候，需要在学校的检测系统中检测重复率，如果不通过，麻烦就大了。因此，细致、耐心地修改论文的每一个地方，顺利完成自己毕业论文!
据学术堂了解论文降重还是有很多小窍门的：1 数据、步骤部分查重多的尽量做成三线表。亲测好用。2 查重句子可用谷歌翻译先翻译成英文（或日或韩或泰）再将译文翻译成中文，就会变动很多顺序以及近义词，亲测好用。3 替换同义词。如：一般发病突然，改成通常突然发作，定期清洗换成经常性清洗，致病机制改为发病机理，清洁改为干净，等等。4 变换顺序，把字句改被字句。如：存在于所有细菌中，改成，在所有细菌中广泛存在。含有六个部分改为由六个部分组成。试管变蓝则为阳性，改为，阳性反应为试管颜色变蓝。等等。5 适当增删。如果实在不知道怎么改且不重要的句子可以直接删掉，增就是扩充句子了，如今天晴空万里，改成，今天风和日丽，晴朗湛蓝的高空万里无云。重要的一点，就是你学校用哪个网站查重，你就要用那个网站，至少得查一次，不然出现差距较大的那种情况，就不好了。还有喔，虽然大家都为了查重把好好的句子别扭着说，但千万不要太白话了，要记住这还是你的毕业论文，是你的成果，不要改的太浅显了～
不能颠倒顺序的原因一般是： 1.并列关系：与上文的词语或句子一一对应。 2.递进关系：逐层深入，层层递进 3.逻辑关系：某一段是另一段的前提。 4.结构关系：总——分 1.与文中某句话或某个词语相照应；2.几个段落之间的内在联系： 时间顺序：从古到今 逻辑顺序：从小到大、先概括后具体、层层深入
你是说写议论文的顺序吧，这个这个从论题——论点——论据——论证——这个不能调换吧，不信问你的语文老师，调换了如何写，那不成为四不像了
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 ：
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。
为了更好的提高微生物食品的安全性，对微生物的检验技术的发展就变得十分的重要。下面是我为大家整理的食品微生物论文，供大家参考。
【论文关键词】：食品微生物 实验教学 实验开放管理
【论文摘要】：食品微生物实验教学中,本文从精心选择实验内容,有效组织管理实验教学,引进综合考评机制并加强开放管理实验室方面进行思考和 总结 ,以期确保实验课安全、有序、成功的完成,达到教学目的。
实验教学是高等 教育 教学活动的重要环节。通过实验课不仅可以加深学生对课堂内容的理解,巩固已学到的理论知识,而且能够培养学生理论联系实际的能力、分析问题和解决问题的能力,对于活跃思维、提高创新能力起着积极的作用。
食品微生物学是食品专业学生必修的专业课,是普通微生物学的延伸。食品微生物学是一门实践性和应用性较强的学科,它要求学生在系统学习基础理论知识的基础上,掌握食品微生物学检测技术、分离纯化技术、鉴定技术、发酵食品的制备技术、食品加工与保鲜技术以及现代分子微生物学实验 方法 等。通过食品微生物实验教学培养出不仅具有丰富理论知识,而且能掌握现代生物技术并熟练操作的高技能人才。
如何加强食品微生物实践教学的组织指导,如何调动学生的积极性,提高实验教学效果一直是我们关注和探索的问题。下面简单谈一下我们在食品微生物实验教学中遇到的问题,解决的方法和对一些问题的思考。
1 精心选择实验内容,调动学习积极性
随着食品工业和微生物检测技术的迅速发展,食品微生物学及其实验课的内容也不断扩展,而实验课既受理论课内容进度的限制,又受课时及实验室等客观条件的限制。要在有限的课时内,系统、科学地完成食品微生物所有的实验项目是绝对不可能的,这就要求我们实验教师在掌握微生物学教学大纲的前提下,结合现代科技的发展和食品微生物的研究动态,精心设计实验课教学体系,合理选择实验项目。
选择实验内容,我们由浅入深,由感性到理性。首先要求学生对食品中常见细菌、酵母菌、霉菌、乳酸菌进行观察,掌握其性状特征和培养生长条件。学会识别哪些是有益菌,哪些是有害菌,利用有益菌的代谢活动制造更多的发酵产品,提高食品的质量,同时防止有害菌引起食品腐败变质以及食物中毒。其次选择有代表性的发酵食品作为实验内容,使学生了解利用微生物生产发酵食品的整个过程,通过这些实验使同学们对食品发酵有一个总体印象,并能举一反三。最后对不同的食品和发酵食品设计实验,让学生掌握食品微生物学检测技术、分离纯化技术、鉴定技术。并在课堂上结合自己的科研成果和食品研究 热点 介绍食品工业发展的前沿动态。
实验设计过程中,不仅有验证性实验,更多地引进了综合性和设计性实验,学生分成几人一组,让学生从实验设计,自己选择原材料,准备实验材料,试剂的配置,培养基的制备和灭菌等都由学生自己完成,最后写成规范的实验 报告 。学生对此积极性很高,甜酒酿、酸奶、腐乳等都是同学们喜欢并制作的发酵食品。在这个过程中学生将所学内容贯通,并熟悉掌握各个环节的操作步骤,这对学生将来步入社会,在工作岗位上独立开展工作都会有很大的帮助。
2 强化基础技能的训练,有效组织管理实验教学
食品微生物学是在掌握微生物的基本实验技能的基础上开展的,学生无菌操作观念的培养、正确使用、掌握微生物的实验仪器,如光学显微镜、灭菌消毒器械等都非常重要。但基于很多原因,学生的这些基础技能还是很薄弱,所以我们在进行食品微生物的每一个实验的每一个步骤中只要涉及这些基础性的知识,都会给予强调,亲自演示。
学生微生物基础技能培养和形成,不是一两堂课能完成,也不是单单有老师演示后学生就可以掌握,必须让学生每人亲自动手。但在实际教学过程中,由于学生人数的增加,硬件等条件限制,人手一套实验器材不现实,那么在有限人力、有限资源情况下,使每一位同学都能动手操作并熟悉实验过程,有效组织和管理实验教学过程就尤为重要。
(1)首先任课教师和实验技术人员充分做好预实验,对实验的关键步骤和关键操作点都做到心中有数,在授课过程中有重点地强调,并分析某步骤出现问题可能会出现的结果。
(2)每次实验之前任课教师和实验技术人员就实验进行积极的沟通,不仅对实验准备的物品和材料沟通,更要对实验的组织过程协商。
(3)在实验过程中则需要任课教师和实验技术人员相互协作,并充分发挥学生班干部和小组长的作用。课堂理论教学课和实验课最大的区别在于,实验课更注重学生的动手参与,以及实验过程出现问题发现问题的及时解决。 (4)教师要严于律已,教师要严格要求自己,实验过程中耐心指导,热情帮助,回答好学生提出的每个问题,并随时纠正不正确或不规范操作。
3 加强实验课考核,引进综合实验考评
实验课的成绩给定,往往包括实验课出勤率和实验报告成绩两方面综合。所以首先就要求教师认真考勤,只有学生的出勤率有保证才能有效地组织教学活动。其次,要求实验报告书写规范,详细完成实验报告,对实验结果进行讨论,实验失败要分析原因。同时教师也对实验报告认真批改,实验报告是对实验的总结,也是对实验课质量高低的检验。通过对实验报告的批改,可以发现学生的实验操作能力和观察分析问题的能力。
实际教学中,实验报告雷同和抄袭的现象比较多见,为综合考评学生实际动手能力和对实验技能的掌握,建议今后引进期末的综合实验考评:即将各个试验项目设计成不同的实验题目,让每个学生随机抽取并在有限的时间内独立完成操作,视完成的情况给予评分。比如:“食品中常见菌类的平板培养”考察了无菌操作、培养基的制备,对食品中常见菌类平板接菌技术;“食品中常见菌类的形态观察”考察了革兰氏染色,各真菌形态辨别等。在进行具体考核过程中,可把每个考核的内容进行量化定出详细的评分标准,根据学生的每一个操作环节现场打分,并对同学进行现场提问,让学生进行答辩。
4 有计划推进实验室的开放 加强实验室开放管理
微生物实验室的开放是对食品微生物实验课的有益补充,能强化、巩固、提升对食品微生物课程内容的理解,我们鼓励学生设计和开发自己的科研项目,而且学校有很优厚的资金加以支持。但是开放实验室不是无条件的,有时因实验操作不当引起的安全隐患是很严重和难以预料。因此实验室开放时管理须给予加强。
建立科学的管理机制,利用校园网建设实验网站,公布开放实验项目的题目、时间和地点,供学生选择和预约。
专人负责学生的科研队伍,对菌种、标准品、和学生用到的有毒有害物质要有专人负责,注意保管,不随意丢弃,做好无害化处理。对使用仪器学生做好使用登记,实验物品注意清洗、归还、交接。
总之,食品微生物实验课,只有提高对实验教学活动的认识,精心选择实验内容,合理有效组织和管理实验过程,并加强实验课的考核,在此基础上,推进实验室对学生的开放,加强开放实验室的管理,就能确保实验课安全、有序、成功的完成,达到教学目的,也使学生真正有所收获。
参考文献
[1] 赖建平.从培养学生创新能力入手加强化学院食品微生物学实验教学改革[J].广东化工,2007,2:77～79.
[2] 潘蕾.实验室开放管理的研究与实践[J].实验技术与管理,2007,9:131～133.
[3] 陶思源,食品微生物实验课教学改革的初探[J].辽宁行政学院学报,2005,4:211～212.
[论文关键词]：食品微生物 教学改革 多媒体课件
[论文摘要]：针对食品微生物学课程教学， 文章 从教学内容、教学手段、 教学方法 和成绩考核标准等几个方面进行了探讨，为食品微生物教学改革提供了新的思路。
食品微生物学是一门研究与食品有关的微生物的科学，通过对微生物的基本知识、基础理论和基本实验技能的教学，使学生能辨别有益的、腐败的和病原的微生物，从而在食品制造、保藏过程中，充分利用有益微生物，控制有害微生物的活动，以防止食品的变质[1]。该课程内容多，涉及面广，技术性实用性强，是食品专业的专业基础课程。在教学中，除重视基础理论知识、基本操作技能的传授外，也注重了培养学生分析问题、解决问题的能力，做法和体会如下：
一、变学生被动为主动，变换教学立场
教师的备课不是简单的“背课”[2]，是在对教学内容熟悉的基础上，优化内容，根据食品微生物学知识体系的要求合理分配教学时间，增加学生在课堂上的参与和主动，启发引导学生完成学习任务，充分发挥教为主导，学为主体的作用。要改以往课堂以教师讲为主，学生被强迫坐于课堂，不能也不敢出声的传统教学模式，做到让学生“动”起来，让学生自身主动地进入到学习状态，增加学习兴趣，提高学习效果。
如“食品微生物学”与“生物化学”等课程相互渗透、相互联系，在授课时间上有前有后，为了避免相近课程某些内容重复，我们进行了授课内容的优化。对于先修课程生物化学，已讲过“物质代谢”内容，则以学生为主角，让学生课下查阅资料丰富相关知识尤其是一些科研论文(这样可以启发学生发现更多问题)，然后课堂向教师提问的方式来完成这部分教学内容。教师要根据学生提问的难易做到由浅及深地回答，帮助学生回顾已忘或还未掌握的内容。学生在提问时，允许学生充分发挥想象;老师答疑时要尽可能多联系一些日常生活的实例和本学科当前研究的最新进展，用简练、幽默、易懂的语言回答相关问题，这样既丰富了学生知识，又调动了学生积极性和趣味性，让学生在课堂上能够感觉到自己是课堂主角，要发挥主角作用。
二、善于利用多媒体教学资源
传统的板书加挂图的食品微生物教学模式已远远不能满足当今学生的信息量。计算机辅助教学成为当今教育科学及教学手段的重要组成部分[3]。多媒体技术应用于食品微生物教学中，使教学效果前所未有的提高。首先，多媒体技术使直观教学成为可能。将微观世界在课堂上生动再现，其效果胜过任何语言的描述。其次，多媒体提供的信息量远远大于传统教学模式。课堂上学生可以观看多幅图片，阅读多篇教学材料，这个数量可以是传统教学的几倍。第三，多媒体将多种教学资源进行了整合，提供了多种教学方法，如课件、动画、相关网络声像资料及新闻报道等。
食品微生物学，不仅内容丰富，涉及面广，发展迅速，而且个体微小，学生对它的认识远不如对宏观事物，再加上其营养方式、遗传类型多种多样、代谢机制错综复杂，学生往往感觉其知识繁琐、抽象和难以理解。针对这种情况，将多媒体技术应用到微生物学课程的教学，受到了学生的普遍欢迎。通过flash动画、PPT课件、高清晰显微照片、动态显微录像等CAI教学软件，使微观世界宏观化、教学内容形象化[4]。例如，把细菌、真菌、病毒的显微世界以色彩丰富、直观清晰、生动形象的三维画面或科教电影形式展示给学生，以动画的形式表现出细菌鞭毛的运动、T偶噬菌体的增殖、主动吸收的方式、细胞的分裂过程等内容。不仅激发了学生的学习兴趣，有助于学生的理解与接受，而且可突破教学中的难点，加大教学的信息量，提高讲课的效率。
三、采取形象化教学形式
在实际教学过程中要注重知识的逻辑性和系统性，强化抽象理论与具体实例结合，增加学生对抽象理论的感性认识和接受能力。食品微生物学主要讲解了微生物在食品生产、贮运及销售过程的利害影响，但由于微生物的自身特性，我们很难就只有显微条件下才能观察到的细小生物让其形象化，宏观化。虽然多媒体已经在此方面有了很大改善，但要做到与具体实例联系更加紧密，更加强化学生的感性认识，我们必须借助实际生产、生活中的例子来实现形象化教学。如，上课时我们将一些常见的白酒、红酒、酸乳、面包、酱类等发酵食品带入课堂来讲授微生物在发酵食品中的应用，并且通过与实验紧密结合，开展发酵酸乳来增强学生对微生物利用的认知，让学生自已亲自动手制作酸乳，品评自已的劳动成果，便于理解和掌握教学内容重点。再如讲到微生物对食品的危害时，我们选用了一些发霉的粮食、发霉的马铃薯以及发臭的肉和罐头等进入课堂，这样在理论讲解时有现实的例子，无论从教师的讲授还是学生掌握都因有了宏观感性认识而变得轻松容易。
四、调动学生兴趣，培养创新能力
兴趣是学习的动力，也是创新的动力，创新的过程需要兴趣来维持。教育学家乌申斯基说：“没有丝毫兴趣的强制学习，将会扼杀学生探求真理的欲望。”[5]食品微生物课堂教学中要注重培养学生的学习兴趣，养成学生良好的学习习惯，为学生创造性学习奠定基础。那么如何在微生物教学过程中做到调动学生兴趣，培养创新能力呢?我们主要从三方面来做起。第一，因材施教。学生的个性差异和智力发展情况各不相同，因材施教，对不同层次的学生实施不同程度的思维能力和创造能力，对不同层次的学生要有不同的评价标准和不同的目标要求。第二，以“新”为轴，调动学生学习兴趣。教学中突出“新”的理念(即运用新思想，联系新理论，列举新课题等)，在激发学生的学习热情，培养提出问题，解决问题的能力，积极参加各种学术讨论会，大胆提问等方面都无疑会起重要作用，同时还赋予学生宝贵的 创新思维 。第三，多样化传授知识。改传统课堂教学模式，引入食品中微生物变化的课外观察，自行了解微生物的生长变化;鼓励学生课堂提问，学生课外查阅资料课堂以报告会形式进行教学内容讨论;积极开展相关实验，引入校园河水中微生物检测实验，培养学生自行设计安排和完成实验的能力。
五、强化实验教学，重视动手能力
食品微生物学是一门实验性、技能性很强的专业基础课，这一学科的在校大学生踏上工作岗位前，普遍存在动手能力较差、实验技能欠缺的问题。充分利用现有的力所能及的各种条件,加强实验技能培训，是最快捷有效的弥补方法。
(一)课堂实验
食品微生物实验课开始时，讲明实验目的、要求、步骤和注意事项，努力使实验成功的要求变成学生头脑中的指令，使每位同学都全神贯注地投入到实验当中去。从最基本的操作技术做起，抓住实验课上一切可以利用的机会，采取多种形式强化基本技能。具体如下：
最初，教师进行实验目的、要求、步骤和注意事项的详细讲解。
其次，以多媒体的形式将预先录制的实验过程向学生播放。这样既可以回顾理论教学内容加深实验印象，又可使学生初步了解实验过程、实验步骤及实验中的关键操作，帮助掌握实验技能。
再次，教师与学生同时进行实验操作。这样进行实验，学生在观看了录像后对部分仍不明白或是记忆不清楚的地方可以通过教师演示与他们实验的同步，进行实验信息交换，从而让学生能够最短最及时最迅速地掌握正确的实验技能。
最后，进行实验总结，认真完成实验报告的写作和批阅，从中找出问题并进行集中答疑，进一步修正学生实验中的错误。
(二)课外实验
不定期安排学生在课外做些简单实验或集中安排学生课外进行实验技能训练。如在讲微生物腐败变质时安排学生课外取一空矿泉水瓶内装入校园河流中比较清澈的水，然后进行封口存放，直至水质变化产生腥臭。让学生通过这种现象来强化课堂所学内容，起到了良好教学效果。再如集中学生利用课余时间进行校园河水中微生物检测实验，让学生以小组为单位独立完成从实验设计到完成检测报告一系列工作，并且最后进行结果评比。这样不但丰富了学生课余生活，而且还调动了学生的学习积极性，提高了学生的实际动手和综合运用知识的能力。
六、建立适合当代大学生的考核机制[6]，正确评定学生成绩
实行理论和实验考试分离，突出实验，综合评定的考试模式。改以往教师授课内容为蓝本，学生考前背，考后忘的非正常态考试模式。将理论考查内容面放宽加大，强调与实际食品生产的联系，将知识点以命题形式溶入现实生活，做到“学以致用”。实验考试采用笔试和操作各占一半的命题形式，做到实验理论和实验操作并行，要求学生在规定时间内完成两部分命题，达到理论、操作都掌握的目的。实验笔试以实验基本原理和关键操作步骤为主要命题范围，实验操作以抽签形式定，内容均为食品微生物必须掌握的实验内容，如显微镜观察、细菌染色、细菌计数等。最后学生成绩由理论和实验两部成绩再结合平时的课堂提问及实验情况进行综合评定，给出学生一个公平公正科学的考核成绩。通过这种模式考试既要求学生掌握了食品微生物的相关理论知识，又培养了学生的实验操作技能，为以后的实际工作打下了坚实基础。
实践证明，我们进行的食品微生物课程教学改革的大胆尝试是成功的。教学内容的丰富更新、教学手段的现代化，考核机制的客观化，不仅提高了教学质量和教学效果，而且激发了学生的学习兴趣，拓宽了学生的知识面，增强了学生的动手能力，适应了现代社会对人才培养的要求。
参考文献
[1]贾英民，食品微生物学[M]，北京，中国轻工业出版社，2001，1~243
[2]朱宏飞，微生物教学中激发学生兴趣的几点探索[J]，微生物学通报，2007，34(1)173~175
[3]梁峙，微生物教学中的CAI[J]，彭城职业大学学报，2001，3(16)，76~79
[4]李平、杜先锋、蒋军，运用多媒体课件好食品微生物学的尝试[J]，高等农业教育，2002，10，42~44
[5]叶丹玲，如何在微生物教学中培养学生的创新意识[J]，宁波工程学院学报
摘要： 随着人类社会的进步，食品安全已经成为世界性的公共卫生问题，不仅影响到人类的健康，而且关系到国家的安全及稳定，大力发展科学技术，研究新检验方法，快速推广普及有效检测技术越显重要。本文介绍了免疫检测技术、分子生物学方法、快速测试片法、电阻电导测定法四方面的检测方法，并评述了他们的特点。随着生物等新技术新方法在食品微生物检验领域应用，文章对近几年食品微生物检测技术和方法进行介绍，这样做有效的提高了检测效率和检验速度。
关键词： 检测方法;微生物
0 引言
随着人们现代科学技术的发展，“细菌门”、“福寿螺”、“毒饺子”等名词的出现，食品安全问题越来越受到人们的重视，根据WHO统计，全球每年有近15亿人感染食源性疾病，其中70%是食品中致病微生物污染引起的。各个环节中都有污染微生物的可能，包括食品生产、加工、储存、运输、销售等，目前，微生物对食品的污染问题成为人们关注领域。
1 食品微生物分类及命名
微生物并不是生物学分类学上的专门名词，而是对所有形体微小，单细胞的或个体结构较为简单的多细胞的、甚至没有细胞结构的低等生物的统称。其群体非常庞杂，种类繁多，包括细胞型和非细胞型两类。凡具有细胞形态的微生物称为细胞型微生物。细胞型微生物按细胞结构又分为原核微生物和真核微生物。
2 食品微生物检测技术及方法
免疫检测技术———酶联免疫吸附剂测定法 (ELIsA)[1]
免疫学是研究生物体对抗原物质免疫应答性及其方法的生物-医学科学。免疫应答是机体对抗原刺激的反应，也是对抗原物质进行识别和排除的一种生物学过程。现代免疫学将“免疫”定义为：机体对“自己”和“异己”识别、应答过程中所产生的生物学效应的总和，正常情况下是维持内环境稳定的一种生理性功能。
酶联免疫分析法(ELIsA)是食品检验中应用的主要免疫检测技术。它的中心就是让抗体与酶复合物结合，然后通过显色来检测。具体说就是使抗原或抗体结合到某种固相载体表面，即与某种酶连接成酶标抗原或抗体，这种酶标抗原或抗体既保留其免疫活性，又保留酶的活性。在测定时，把受检标本(测定其中的抗体或抗原)和酶标抗原或抗体按不同的步骤与固相载体表面的抗原或抗体起反应。用洗涤的方法使固相载体上形成的抗原抗体复合物与其他物质分开，最后结合在固相载体上的酶量与标本中受检物质的量成一定比例。加入酶反应底物，底物被酶催化变为有色产物，产物的量与标本中受检物质的量直接相关，可根据颜色反应的深浅来进行定性或定量分析。
分子生物学方法
核酸探针法[2] 核酸探针是将已知核苷酸序列
DNA片段用同位素或其他方法标记，加入已变性的被检DNA中，在一定条件下即可与该样品中有同源序列的DNA区段形成杂交双链，从而达到鉴定样品中DNA的目的，这种能认识到特异性核苷酸序列有标记的单链DNA分子就称为核酸探针或基因探针。与免疫学方法相似，探针也需要附加适当标记。以往研究的探针技术要使用放射性同位素，只在专门的实验室使用，而现在较热门的技术是以核酸杂交为基础的第二代技术一—比色计。该方法依赖核糖体RNA(tRNA)发育中储存的核酸成分进行检测。这种天然富含rRNA标靶序列的使用使得无辐射检测成为可能，同时又保持了与放射性同位素方法相当或者更高的灵敏度。总体说，核酸探针技术是一种较为理想的技术，特点是敏感、特异、简便、快速，缺点是一种菌就需要一种探针，目前尚未建立所有菌种探针，该技术还有待进一步发展，再者就是检验费用比较昂贵。
聚合酶链反应法(PcR方法)[2] 聚合酶链反应 (PCR)PCR是美国科学家Mllllis于1983年发明的体外快速扩增特定基因或DNA序列的方法。又称为基因体外扩增法，是一种体外选择性扩增DNA或RNA的技术。该方法通过对人工难以培养的微生物相应RNA或DNA片段扩增，检测扩增的产物含量，从而快速对饲料中致病菌的含量进行检测。PCR技术可直接检测样品中痢疾杆菌，大肠杆菌、乳酸杆菌、肉毒梭菌等。
快速测试片法 快速测试片法是利用无毒的纸膜、纸片、胶片为培养基载体，快速、定性和定量检测试纸和胶片的食品微生物检测方法，它是一种集现代化学、高分子科学、微生物学于一体的检测方法。对有些项目的测定，其准确度和精确度高，几乎与标准方法相媲美。其优点：第一，常规法需要时间较长，而且温度要求严格，而测试片操作简单，大大缩短了测试时间，以往许多实验室不能实施，不能达到及时检测的目的。第二，快速测试片可以在取样时同时接种，防止延长接种时间时由于细菌繁殖造成的数量增多，结果更能反映当时样本中真实的细菌数。第三，测定少量样品，不需配试剂，价格低廉，可随时进行，便于运输，携带方便，易于消毒保存，操作简便快速。
电阻电导测定法 电阻电导测定法原理是：在细菌生长繁殖期间，将大分子物质(蛋白质、糖类等)分解成有机酸、氨基酸等带电荷的小分子物质，改变其培养液的导电度。这样，通过电阻和导电度的数值变化，就可推算出样品含菌数。目前已开发出来的电阻电导检测器有：美国Vitek公司生产的Bactometer可适用于检测肉品、乳制品等含菌量;英国推出的Mathus系统，可用来检测牛乳、酿造液、鱼及海产品的含菌量[3]。
3 结束语
随着人们生活质量的不断提高，食品安全问题已逐渐成为世界性公共卫生问题，直接关系到人类的健康。本文中罗列了几个方面的食品中微生物的检测技术，虽然很多技术依然存在一定的问题，有的属于世界前沿，有的还处于发展阶段，但其应用价值日显突出。
参考文献：
[1]王兰兰.临床免疫学和免疫检验[M].北京：人民卫生出版社，2003：91-93.
[2]杨向荣，江志毅等.快速方法在食品微生物检测中的应用[J].学术论坛，2006，5.
[3]周向华，王衍彬，叶兴乾等.电阻抗法在食品微生物快速检测中的应用[J].粮油加工与食品机械，2003(10)：73-75.
1. 食品安全毕业论文范文
2. 大专食品毕业论文范文
3. 食品加工论文范文
4. 医学微生物论文
5. 微生物学习心得
6. 关于畜牧兽医论文范文
能不能给我发一份呢？
摄影测量与遥感技术发展论文主要通过对摄影技术与遥感技术的发展进行了研究，并对其在各个方面的运用进行了论述。
摄影测量与遥感技术发展论文【1】
摘要：随着经济的不断发展，科学的不断进步，摄影测量与遥感技术因其运用范围广、作用大而走上了逐渐发展的道路，并且对国民经济生活起着重要的影响。
关键词：摄影测量;遥感技术;发展;应用
摄影测量与遥感技术被划分在地球空间信息科学的范畴内，它在获取地球表面、环境等信息时是通过非接触成像传感器来实现的，并对其进行分析、记录、表达以及测量的科学与技术。
3S技术的应用、运用遥感技术以及数字摄影测量是其主要研究方向。
在多个领域内都可以运用遥感技术与摄影测量，比如：自然灾害、勘查土木工程、监测环境以及国土资源调查等。
随着我国经济的不断发展，运用到遥感技术与摄影测量的领域也在逐渐的增多。
在人类认识宇宙方面，遥感技术与摄影测量为人类提供了新的方式与方法，也为人类对地球的认知以及和谐共处提供了新的方向。
遥感技术和摄影测量可以提供比例不同的地形图以服务于各种工作，并且还能实现基础地理信息数据库的建立;遥感技术与摄影测量与地图制图、大地测量、工程测量以及卫星定位等构成了一整套技术系统，是测绘行业的支柱。
一、摄影测量与遥感技术的发展
从摄影测量与遥感技术的发展来看，摄影测量与遥感技术在近30年的时间里已经涉及到城市建设、水利、测绘、海洋、农业、气象、林业等各个领域，在我国的经济发展中起着至关重要的作用。
摄影测量从20世纪70年代后期从模拟摄影中分离出来，并逐渐步入数字摄影阶段，摄影测量正在逐渐的转变为数字化测绘技术体系。
(一)摄影测量与遥感技术有利于推动测绘技术的进步
我国的摄影测量从上世纪70年代后期经历一个系统的转变。
在经历了模拟摄影测量以及解析摄影测量阶段之后，摄影测量终于步入了数字摄影测量的阶段，这也成为我国传统测绘体系解体，测绘技术新体系兴起的标志。
首先，从数字影像的类型来看，当前我国已经建立了数字栅格图、数字高程模型以及数字正射影像，土地利用与地名数据库也随之建立起来，摄影测量与数据库的多样性在一定程度上为生产运用提供了可能，从而进一步推动了测绘技术的发展。
其次，由于摄影测量与遥感技术的飞速发展，也逐渐被国家所重视，并利用这两项技术来完成了各种地理比例尺地形图的绘制。
此外，还推动了诸多具有全国界别的基础地理信息数据库的建立。
比如：比例尺级别为1：50000，1：1000000等的国家级地理信息数据库;除开国家级的，还有省级、县级等的地理信息数据库等。
(二)摄影测量与遥感技术有利于提升空间数据的获取能力
我国获取空间数据的能力在经过五十年的发展，有了较大的提升。
对具有自主知识产权的处理遥感数据平台进行了研发，从而推动了国产卫星遥感影像地面处理系统的建立，并在摄影测量方面积极进行研究和探索，为我国独立处理信息、获取观测体系的建立提供了坚实的基础。
首先，从获取数据的能力方面来看，传感器在国家863以及973计划的支持上成功被研制出来，成功发射了对地观测的包括通信卫星、海洋卫星、气象卫星以及资源卫星等五十多颗卫星，并推动了资源、风云、环境减灾以及海洋四大民用对地观测卫星体系的建立，实现了从太阳和地球同步轨道对地球多传感器、多平台的观测以及对地球表面分辨率不同的雷达和光学图像的获取，并将这些获取的数据用于对海洋现象、大气成分、自然灾害以及水循环等各个方面的监测。
其次，从数据储备方面来看，数据积累已经成功的覆盖了全国海域、陆地以及我国周围国家和地区的包括一千五百万平方公里的地球表面数据。
二、摄影测量与遥感技术在国民经济各项领域中的运用
(一)摄影测量与遥感技术在应对自然灾害中的运用
在发生自然灾害时，为了能够第一时间了解灾情的具体分布，获取高分辨率灾区遥感影像，可以采用低空无人遥感、航天、航空遥感等方式，对灾区原有的地理信息以及尺度进行整合，推动地理信息服务平台的建立，将多尺度影像地图制作出来，及时、有效的提供地理信息以及地图数据支持，为及时制定出应对自然灾害的措施提供了依据。
比如在汶川地震时，在灾区道路交通与通信严重受损的情况下，通过摄影测量与遥感技术在第一时间获取了灾区的详细信息与资料，并利用航空遥感技术和无人机连续、动态的实现对灾区的监测，并对道路交通以及房屋倒塌等情况进行分析，建立起灾区地理信息综合服务平台，将灾区的地理信息数据进行整合，比如水系、居民地以及交通等，为各级抗震救灾指挥部门作出正确的决策以及救援人员的搜救工作提供了及时有效的灾情信息。
在灾区的救援工作中，发挥着至关重要的作用。
(二)摄影测量与遥感技术在气象中的运用
在气象方面中，摄影测量与遥感技术主要运用在对各种气象灾害的.预报和监测两方面。
在热带天气系统的监测方面，气象卫星发挥着极其重要的作用，尤其是对于台风的预报和监测。
在我国的春、夏季中，雷雨、暴雨等作为多发性的灾害性天气，在监测和分析方面，如果运用常规的气象观测资料是非常困难的。
利用具有高空间分辨率和高时间密度特点的卫星云图以及卫星产品，可以对对流系统的演变、发生、移动以及发展过程进行全方位的监测，从而为对流天气的分析和提前预警提供了非常重要的信息。
三、结语
摄影测量与遥感技术的应用已经逐渐步入信息化阶段。
随着我国航空航天技术的不断发展，如何将各行各业的发展与摄影测量和遥感技术相结合从而推动我国经济的发展，已经成为未来摄影测量和遥感技术发展的主要方向。
【参考文献】
[1]张景雄.地理信息系统与科学[M].武汉：武汉大学出版社，2010：108―114
[2]张剑清.潘励.王树根.摄影测量学[M].武汉：武汉大学出版社，2009：89―93
[3]李德仁.王树根.周月琴.摄影测量与遥感概论[M].北京：测绘出版社，2008：131―137
[4]乔瑞亭.孙和利.李欣.摄影与空中摄影学[M].武汉：武汉大学出版社，2008：178―182
[5]窦超.李兆钧.浅谈摄影测量与遥感的发展应用[M].青海国土经略，2011(06)：29―31
摄影测量与遥感技术的新特点及技术【2】
摘要：本文主要分析了近年来我国摄影测量与遥感技术表现出的许多新的特点，分别从航空摄影自动定位技术、近景摄影测量、低空摄影测量、SAR数据处理、多源空间数据挖掘等方面进行了总结与论述。
关键词：电子科技论文发表,科技论文网,自动定位技术,近景摄影测量,低空摄影测量,SAR数据处理,多源空间数据挖掘
前言：摄影测量与遥感是从摄影影像和其他非接触传感器系统获取所研究物体，主要是地球及其环境的可靠信息，并对其进行记录、量测、分析与应用表达的科学和技术。
随着摄影测量发展到数字摄影测量阶段及多传感器、多分辨率、多光谱、多时段遥感影像与空间科学、电子科学、地球科学、计算机科学以及其他边缘学科的交叉渗透、相互融合，摄影测量与遥感已逐渐发展成为一门新型的地球空间信息科学。
1、航空摄影自动定位技术
近年来，随着卫星导航和传感器技术的进步，遥感对地目标定位逐步摆脱了地面控制点的束缚，向少控制点甚至是无控制点的方向发展。
利用基于载波相位测量的GPS动态定位技术测定航空影像获取时刻投影中心的3维坐标，以此为基础研究了GPS辅助空中三角测量理论和质量控制方法，在加密区四角布设地面控制点的GPS辅助光束法区域网平差的精度可满足摄影测量规范的精度要求，大量减少了航空摄影测量所需的地面控制点。
研究成果已大规模用于国家基础测绘，产生了显著的社会和经济效益。
开展利用在飞机上装载IMU和GPS构成的POS系统直接获取航摄像片6个外方位元素的多传感器航空遥感集成平台研究，可实现定点航空摄影和无地面控制的高精度对地目标定位。
研究成果表明，在1：5万及以下比例尺的4D产品生产中，可直接使用POS系统测得的像片外方位元素进行影像定向，基本无需地面控制点和摄影测量加密，从而改变了航空摄影测量的作业模式，并使无图区、困难地区的地形测绘和空间信息数据的实时更新成为可能。
2、近景摄影测量技术
近景摄影测量的研究应用领域已涉及空间飞行器制造、航空工业、船舶工业、汽车工业、核能工业、化学工业以及医学、生物工程、公安刑事侦破、交通事故及其他事故现场处理、古建筑建档和恢复、大型工程建设监测等方面。
利用数字相机与实时数字近景摄影测量技术相结合建立相应的工业零件检测系统。
该类系统使用高重叠度序列图像作为影像数据源，利用较多同名特征的冗余观测值成功地进行粗差剔除，根据2维序列图像导出物体不同部位的3维信息，然后将这些3维信息融为统一的表面模型，实现了高精度3维重建。
利用数码相机与全站仪集成形成一个全新的测量系统——摄影全站仪系统。
尽管传统近景摄影测量近年来得巨大发展，但必须在被测物体表面或周围布设一定数量的控制点，摄影测量工作者心中的“无接触测量“没有真正实现。
全站仪作为一种高精度测量仪器在工程测量中被广泛接受，本质上它是一种基于”点“的测量仪器。
将它与基于”面“的摄影测量有机地结合起来，形成一个全新的测量系统——摄影全站仪系统。
在该系统中，量测数码相机安装在全站仪的望远镜上，测量时利用全站仪进行导线测量，在每个导线点利用量测数码相机对被测物体进行摄影。
每张影像对应的方位元素可以由导线测量与全站仪的读数中获取。
3、低空摄影测量技术
近年来随着低空飞行平台(固定翼模型飞机、飞艇、直升机、有人驾驶小型飞机)及其辅助设备的进一步完善、数码相机的快速普及和数字摄影测量技术的日趋成熟，由地面通过无线电通讯网络，实现起飞、到达指定空域、进行遥感飞行以及返回地面等操作的低空遥感平台为获取地面任意角度的清晰影像提供了重要途径。
建立基于无人驾驶飞行器的低空数字摄影测量与遥感硬件系统。
硬件平台包括无人驾驶遥控飞行平台，差分GPS接收机，姿态传感器，高性能数码相机和视频摄像机，数据通讯设备，影像监视与高速数据采集设备，高性能计算机等等。
需要深入研究无人驾驶飞行平台的飞行特性，并研制三轴旋转云台、差分GPS无线通讯、视频数据的自动下传、自动曝光等关键技术。
研究无人驾驶飞行平台的自动控制策略。
在飞行器上搭载飞控计算机，由差分GPS数据得到飞艇(相机)的精确位置，在此基础上对较低分辨率的视频序列影像进行匹配，结合姿态传感器的输出信号实时自动确定飞行器的姿态，从而进行飞行自动控制，并将所有数据同时下传到地面监控计算机。
研究多基线立体影像中连接点的多影像匹配方法与克服影像几何变形的稳健影像匹配方法。
数字表面模型与正射影像的自动获取及立体测图。
4、SAN数据处理技术
SAR成像具有全天时、全天候的工作能力，它与可见光红外相比具有独特的优势。
随着我国SAR传感器研制技术的进一步发展，先后研制了不同波段，不同极化方式，空间分辨率达到 In的传感器，并在SAR立体测绘方面设计了不同轨道和相同轨道的重复观测，为我国开展SAR技术的相关研究奠定了数据基础。
根据不同应用目的的SAR图像与可见光图像的融合。
利用SAR和可见光反映地物不同特性的特点，在提取不同土壤性质以及洪水监测和灾害评估方面采用不同的融合方法，取得了一定的理论成果，并完成了国家和部门的科研课题。
SAR图像噪声去除方法。
由于SAR的成像特点，造成了SAR图像的信噪比低，噪声严重。
提出了自适应滤波思想，基于图斑的去噪方法以及噪声去除方法的评价等。
机载和星载重复轨道的SAR立体测图技术以及星载的InSAR技术和D—InSAR的突破。
完成了星载InSAR生成DEM及D—InSAR形变检测的相关软件开发，利用极化SAR数据提取地物目标，开展极化干涉测量的研究。
5、多源空间数据挖掘技术
多源空间数据挖掘技术主要研究应用数学方法和专业知识从多源对地观测数据中，提取各种面向应用目的的地学信息。
从遥感图像数据中挖掘GIS数据。
在统计模式识别的基础上，通过神经网络、模糊识别和专家系统等技术实现图像光谱特征自动分类。
基于纹理分析的分类识别。
包括基于统计法的纹理分析、基于分形法的纹理分析、基于小波变换的纹理分析、基于结构法的纹理分析、基于模型法的纹理分析和空间/频率域联合纹理分析等。
遥感图像的解译信息提取。
把计算机自动识别出来的影像，结合GIS数据库或解译员的知识，确定其对应的地学属性。
包括基于GIS数据的图像信息识别、基于地学知识辅助的图像信息识别、基于专家知识辅助的图像信息识别、基于立体观察的图像信息识别、基于矢量栅格转化的信息提取和基于多源数据融合的信息识别等。
摄影测量与遥感的现状及发展趋势【3】
摘 要：随着信息时代的来临，人类社会步入全方位信息时代，各种新兴的科学技术迅猛发展，并广泛应用于人类生活中去。
摄影测量与遥感技术被广泛应用于我国测绘工作去，本文探讨了我国摄影测量与遥感的发展现状以及展望了发展趋势。
关键词：摄影测量;遥感;现状
随着信息时代的来临，人类社会步入全方位信息时代，各种新兴的科学技术迅猛发展，并广泛应用于人类生活中去。
摄影测量经历了模拟摄影测量、解析摄影测量和数字摄影测量三个阶段。
而在这期间，从遥感数据源到遥感数据处理、遥感平台和遥感器以及遥感的理论基础探讨和实际应用，都发生了巨大的变化。
数字地球(digitalearth)的概念是基于信息高速公路的假设和地理空间信息学的高速发展而产生的，数字地球为摄影测量与遥感学科提供了难得一遇的机会和明确的发展方向，与此同时，也向摄影测量和遥感技术提出了一些列的挑战。
而摄影测量和遥感学科是为数字地球提供空间框架图像数据及从数据图像中获得相关信息惟一技术手段
一、国内外摄影测量与遥感的现状
(一)摄影测量现状
摄影测量经历了漫长的发展过程，随着计算机技术以及自动控制技术的高数发展，进入20世纪末期的时候，基于全数字自动测图软件的完成，数字摄影测量工作站获得了迅猛发展并普遍存在于测量工作中。
进入21世纪后，科学技术的提升帮助摄影测量进入了数字化时代，数字摄影测量学学科与计算机科学有了大面积的知识交叉，摄影测量工具也变为较为经济的计算机输入输出设备，这种革命性的变革，使得数字摄影测量提升到了另一个台阶，数字摄影测量的语义信息提取、影像识别与分析等方面均产生了从质到量的变化。
目前我国各省测绘局均已广泛应用了数字摄影测量，建立了数字化测绘生产基地，实现了全数字化摄影测量与全球定位系统之间的有机合成，并且应用与测量实际工作中。
(二)遥感技术现状
目前遥感技术主要应用在日常的天气、海洋、环境预报及灾害监测、土地利用、城市规划、荒漠化监测、环境保护等方面，为社会带来了巨大的经济利益。
尤其要提出的是航天遥感，是利用卫星遥感获取各种信息是目前最有效的方法。
在实现数字地球概念，卫星遥感技术具有很重要的地位。
数字地球的实际意义就是将地球转为一个虚拟的球体，以数字形式来表达地球上的不同种类的信息，实现三维式和多分辨形式的地球描述。
数字地球是一个数量庞大的工程，从长远来看，信息量的更新一集信息的收取都需要卫星遥感技术提供可靠的信息源，换句话说，卫星遥感是实现数字地球的必要手段，也是其他手段不能够替代的。
二、摄影测量与遥感的应用与主要技术
(一)摄影测量与遥感在地籍测量中的应用
应用数字摄影测量与遥感模式进行地籍测量前景非常广阔。
航空航天事业的飞速发展，为高分辨率卫星遥感影像技术为空间地理信息提供主要的数据元。
主要以激光成像雷达、双天线SAR系统等三维数字摄影测量系统。
利用卫星遥感进行土地资源调查和土地利用动态监测，为快速及时的变更地籍测量做好参照，同时还能顺利的完成地籍线画图的测绘，还可以得到正射影像地籍图、三维立体数字地籍图等附属产品。
数字摄影测量主要以大比例尺航空像片为数据采集对象，利用该技术在航片上采集地籍数据，实行空三加密。
数字摄影测量与模式得到的地籍图信息丰富，实时性强;大部分工作均在室内完成，降低劳动强度与人工成本，还能大幅度提高工作效率，是一种非常实用的地籍测量模式。
(二)摄影测量在三维模型表面重建的应用
三维物体的重建技术可广泛应用于古建筑重建和文物保护、医学重建、工业量测、人脸重建、人体重建及程勘察等方面，这种技术主要通过手持量测数码相机进行操作，得到一组具有短基线和多度重叠的图片，通过立体匹配获取可靠的模型点数据。
基于短基线多影像数字摄影测量的快速三维重建技术能够解决静静摄影测量中不能同时兼顾变形早点近景和远景的问题，在操作过程中采用量测数码相机以及手持拍摄方式，使得这种技术简单快速，并且具有高度自动化的有点。
(三)遥感自动定位技术的应用
遥感自动定位技术能够确定影响目标的实际位置，并且准确的解译影响属性，在GPS空中三角测量的基础上，利用惯性导航系统，形成航空影响传感器，实现高精度的定点摄影成像。
在卫星遥感条件下，精度甚至可以达到米级。
遥感自动定位技术的应用，有助于实现实时测图和实时数据更新的作业流程，能够大量减少野外像控测量的工作量。
三、摄影测量与遥感发展展望
目前，摄影测量与遥感技术在数据获取与处理、信息服务和数据分析方面都有了新的进展，数据获取装备发展迅猛，数据处理系统自动化程度相应的提高，航空摄影测量软件实现模块化和标准化，实现了内外一体化的航空摄影测量方法，遥感影像信息管理能力增强。
除此之外，还可以看到测绘领域的全球化进程日益加剧。
四、结语
虽然现在摄影测量与遥感技术相对发展迅速，并且已经广泛应用与测绘工作中，逐步实现数字化与智能化。
在我国目前，摄影测量与遥感装备存在产品种类单一、生产效率低等实际生产问题，这是与飞速发展的信息产业背道而驰的，达不到国际水平。
需要国家发展测绘仪器制造业和专业软件开发能力，跨学科展开合作，集中优势力量，通过政府出台政策来引导市场发展，我国想要在摄影测量与遥感上取得更大的飞跃，还有一段很长的路要走。
参考文献：
[1]李德仁等.地球空间信息学与数字地球[C].空间数据基础设施与数字地球论文集，1999.
[2]刘经南.激光扫描测高技术的发展与现状[M].武汉大学学报，2003(2)：132-137.
[3]郑立中，陈秀万.中国卫星遥感与定位技术应用的现状和发展[A].中国遥感奋进创新二十年学术论丈集[C].北京：气象出版社，2001.
大概就这样了 参考一下吧基于landsat-TM影像的专题信息提取学生姓名：XX 学号：20085080079院系：城市与环境科学学院 专业：XX指导教师：XX 职称：助教摘 要：本文以沈阳地区为研究区，利用光谱信息提取水体、植被，采用基于灰度共生矩阵的纹理量的分类法，通过TM5波段提取灰度共生矩阵和灰度联合矩阵，计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离，得到最终的分类结果。结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类，光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度。关键词：遥感影像;光谱特征;纹理特征;灰度共生矩阵;分层提取;土地利用Abstract:Based on the study of shenyang area for using spectral information extraction，water,vegetation,based on gray symbiotic matrix of the texture classification,through the TM5 band extraction graylevel co-occurrence matrix and gray,and joint matrix extraction can reflect the differences between vector-valued texture category will confuse the paddy fields,spectral information structure,separation,with residents of the final results of the show that: the texture characteristics will be applied to image classification can distinguish the confusion of spectral spectrum and texture feature combination,the classification accuracy than pure spectral classification words:remote sensing image;spectrum feature;texture feature;text gray-level co-occurrence matrix;layered extraction;land-use引言遥感图像信息专题特征的提取，需要对TM图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的[1] 。在自然资源调查中，遥感图像已成为重要的空间数据源，其中TM图像信息是进行土地利用/覆盖变化动态监测的重要依据。常规提取TM图像信息主要是利用影像的光谱分辨率进行的，难以正确区分光谱易混淆的地物，例如菜地与其他耕地类型。提取TM图像中易混淆地物信息，可以充分利用影像的空间分辨率及影像上丰富的纹理信为了息来完成信息提取。纹理分析方法在许多领域都有重要的应用，吴高洪等[2]为了提高纹理图像分割的边缘准确性和区域一致性以及降低分割错误率，提出了一种基于小波变换进行纹理分割的方法。因此，研究地物在影像上的纹理特征，建立和充分应用基于纹理特征的地物分类及信息提取方法，将是今后研究高分辨率遥感影像信息提取的方向之一[3]。图像分析需要用到影像的灰度和纹理信息，灰度即波谱信息，是最基本的信息，纹理反映了灰度的空间变化情况，它由纹理基元按某种确定的规律或者某种统计规律排列组成。为了能用计算机进行纹理分析和形成统一的尺度，需将纹理量化，以定量反映纹理信息，形成纹理变量和纹理图像以便分析[4]。1 研究区概况苏家屯是沈阳市的九个市辖区之一，位于沈阳南部，距沈阳市中心15公里，与抚顺、本溪、辽阳三市毗邻。这里气候适宜，雨量适中，年均气温8度，年均降水量700毫米。物产丰富，蕴藏着丰富的煤石油天然气铁矿石和优质矿泉水等自然资源。苏家屯农业发达，盛产水稻、玉米，是国家确定的现代化农业示范区。本文选择数据源所选取的数据是沈阳地区2001年8月11日TM影像区的子区域。根据沈阳地区的农事历，选择10月上旬的遥感资料为宜。2光谱信息地物的光谱一般是指像素的亮度值，地表的各种地物由于物质组成和结构不同而具有独特的波谱反射和辐射特性，在图像上反映为各类地物在各波段上灰度值的差异。地物光谱响应特征是多光谱遥感影像地物识别最直接，也是最重要的解译元素。3 纹理特征纹理也是遥感影像的重要信息,它通过色调或颜色的变化表现细纹或细小的纹案，这种细纹或细小的纹案在某一确定的图像区域中以一定的规律重复出现。目标地物的纹理特征与航空相片的比例尺和太阳高度角有关。另外，它反映了影像的灰度统计信息、地物本身的结构特征和地物空间排列的关系，是进行目视判读和计算机自动解译的重要基础[5]。许多研究表明，除了原始影像光谱信息以外，加上纹理信息就可以使分析准确性和精度提高[6]。遥感图像中多为无规则纹理，一般采用统计方法进行纹理分析,目前用得较多的统计方法有共生矩阵法、分形维法和马尔可夫随机场法。所谓灰度共生矩阵是由影像灰度级之间二阶联合条件概率密度所构成的矩阵，反映了影像中任意两点间灰度的空间相关性。其方法是先依据影像的灰度级数和灰度变化情况计算出4个方向(右、下、右上和左下)任意两个灰度级相邻出现的概率矩阵，它能提供多个纹理量，可以从多个侧面描述影像的纹理特征，因而在纹理分类中得到广泛的应用[7]。4 提取方法 数据预处理本文对沈阳地区遥感影像进行光学增强处理，并采用高通滤波来进行滤波处理对影像进行融合将融合后的影像进行几何校正。本文以1∶5万比例尺地形图为底图，选取均匀地分别在整幅图像内的60个控制点，采用二次多项式纠正模型建立两幅影像的对应关系。配准精度在个像元以内， 土地利用分类体系的确定参考国家土地利用分类体系，结合研究区土地资源的实际情况，TM影像波谱特征及其分辨率等，把研究区土地利用现状分类系统按二级进行分类，一级类型5个，分别为水体、水田、旱地、居民地、植被。遥感信息提取遥感图像的某些波段往往存在异物同谱和同物异谱现象，如果把多种地物放到一起考虑，由于这些波段的加入，会使信息提取变得非常复杂，这也正是传统上基于统计特征的监督和非监督分类遇到的难题。而对地物进行分层处理，就可以充分利用各类地物在不同波段的特征，收到较好效果[8，9]。对某一地物进行提取，获得该信息层，与原图像进行逻辑与运算，做掩膜处理，从而将该地物像元从原始图像中去除，以避免它对其他地物提取的影响，从而为以后的信息提取创造了纯净的环境。基于地物光谱模型的遥感影像分类为获得光谱知识，在原始图像上进行采样。在采样过程中考虑到同类地物颜色的差异，如水域的深浅等，每一地类进行了多个样本值的合并，得到地物的综合光谱特征值（如图1）。图1 地物光谱特征水体的提取：太阳光照射到水面少部分被反射到空中大部分被入射到水体，入射到水体的光，部分被水体吸收，部分被水中的悬浮物反射，少部分透射到水底。被水底吸收和反射。被悬浮物反射和被水体反射的辐射，部分返回水面，折回到空中。因此，遥感器所接收到的辐射就包括水面反射光，悬浮物反射光，水底反射光和天空反射光（如图2）。由于不同水体的水面性质和水体特性的不同，从而形成传感器上接收到的反射光谱就存在差异，为遥感探测水体提供了基础。在可见光范围内，水体的反射率总体比较低，不超过10%,一般为4%～5%,并随着波长的增大逐渐降低，到μm处约2%～3%，过了μm，水体几乎成为全吸收体。因此，在近红外的遥感影像上清澈的水体成黑色。因此在提取水体时图面上黑色部分即为水体。图2 传感器接收到的光谱植被的提取:健康植物的波谱曲线有明显的特点（如图3），在可见光的μm附近有一个反射率为10%～20%的小反射峰。在μm和μm附近有两个明显的吸收谷。在～μm是一个陡坡，反射率急剧增高。在近红外波段～μm之间形成一个高的，反射率可达40%或更大的反射峰。在μm、μm和～μm处有三个吸收谷。它们分别受叶子色素，细胞构造，含水量等的影响。因此，在对TM影像上的植被进行提取时，要考虑以上因素。图3 健康植被的光谱特征基于纹理信息的分类在图1中容易看到水田、旱地、居民地有很大的光谱相似度，因此需要根据纹理特征进行提取。本文用水体和植被信息分别对原始影像做掩膜，再结合纹理信息作监督分类提取居民地、水田和旱地。为了突出图像的纹理，提高对图像的解译和分析能力，在对图像进行纹理分析之前，利用ErdasImagine软件对掩膜后的影像进行了增强处理。为了进行纹理分类，首先必须提取各类的纹理特征。试验中先提取各类样本，统计各种类纹理特征，再找出最大差异的纹理量，作为分类特征量进行分类(如图4)。纹理特征的提取需考虑到窗口的大小、方向和步长。本文利用TM第5波段的纹理特征,采用了3X3大小的窗口、四个方向的均值[10]、步长为1来对纹理值(包括角二阶距、对比度、熵、相关)进行特征统计。图4 纹理样本图本文所有的纹理分析均在上进行，主要目标是实现对输入遥感影像进行纹理分析，输出纹理分析的结果，以便通过使用结果，以不同的结合方式辅助分类作对比研究。从图5中我们可以看到，3种地类在ASM纹理特征量上差异最大，COR上次之，因此取用ASM、COR特征值，对3种地物加以提取。图5 3种纹理特征曲线旱田的提取:从纹理曲线中可以看出旱田的ASM量与水田、居民地有很大的差异，因此通过实验对ASM进行阈值设定来提取旱田。居民地和水田的区分:采用基于纹理特征和光谱特征相结合的方法，对居民地进行提取。水田和居民地在ASM特征量上，有着较大的差异，但仔细观察可以发现，在去除了旱田的干扰后，水田和居民地在COR特征量上也有着很大的差异。同时一些研究提出了(归一化建筑指数)[11]:NDVI=(TM 5- TM 4)/(TM 5+ TM 4)来对居民地进行提取（见表1）。从表2中可以看出，这种方法并不适合本文的研究区，但是对原始的光谱特征信息进行分析可以发现，在只存有水田和居民地的图像上，两者在TM5上的亮度值差距很大。综上所述,可以对COR和TM5的亮度值进行阈值设定提取居民地,将其与水田相分离。表1 5种地物的NDVI指数指标 水体 水田 旱地 居民地 植被NDVI 0．24271 0．218619 0．380397 0．231489 0．1663375精度评价衡量分类精度最广泛的方法是由Congalton提出的误差矩阵法(error matrix)，为了评价分类试验精度，本文采用随机抽样方法抽取400个点作正确率评价，通过对原图的目视判读结合实地考察对结果进行正确率评价，建立混淆矩阵，计算其Kappa系数(见表2)，在ERDAS监督分类中总正确率为 %(见表3)，两者相比较可以看出，基于光谱和纹理特征的信息分层提取方法能够很好的对研究区影象进行分类。表2 光谱纹理信息分类精度%居民地 水田 旱地` 水体 植被居民地水田旱地水体植被总合正确率/% 总正确率= Kappa系数=表3 EARDS监督分类精度居民地 水田 旱地` 水体 植被居民地水田旱地水体植被总合正确率/% 31232401072463357788 39748378 81112386 5 180182 702337937997总正确率= %6结语（1）试验表明，对地物进行分层处理，就可以充分利用各类地物在不同波段的特征。避免已提取地物对其他地物提取的干扰，为后续信息提取创造了纯净的环境；同时还可以有效地减少了漏分和误分，提高分类正确率。本文采用此方法对建设用地信息提取，获得较为满意的效果。（2)综合运用光谱知识、纹理信息对于仅基于遥感多光谱信息的传统分类方法，能够更有效地提取出土地利用类型信息，精度有了一定提高。（3）本文在进行纹理分析时，仅使用了单波段的影象数据，对于多波段影象数据未能充分利用； TM全色波段纹理清晰，如能加以利用，会对分类精度的提高有一定的帮助。参考文献[1] 梅安新，彭望琭，秦其明.遥感导论[M].北京，高等教育出版社,2003.[2] 吴高洪,章毓晋,林行刚等.利用小波变换和特征加权进行纹理分割[J].中国图像图形学报,2001,6(4):333-337.[3] 张禾.基于纹理特征的遥感影像居民地自动提取方法[J].江汉石油职工大学学报,2007,(4):93-96[4] 黄桂兰,郑肇葆,杨敏.一种基于共生矩阵法的影像纹理分类方法[J].测绘通报,1996,(3):28-31.[5] 周廷刚,郭达志,盛业华.灰度矢量多波段遥感影像纹理特征及其描述[J].西安科技学院学报,2000,2(4):336-338.[6] 舒宁.关于多光谱和高光谱影像的纹理问题[J].武汉大学学报,2004,29(4):292-295.[7] 武文波，陈静基于ETM+的遥感影像信息提取研究[J]甘肃农业大学学报2007，43(4).[8] 李四海,恽才兴.土地覆盖遥感专题信息的分层提取方法及其应用[J].遥感技术与应用,1999,(4):[9] 柴芸.甘肃省沙化土地监测研究[J].甘肃农业大学学报,2003,38(3):296～301.[10] Treitz P,Howarth spectral spatial andTerrain variables for forest ecosystem classification[J].Photogrammetric Engineering Remote Sensing,2000,66(3):305-317.[11] 查勇,倪绍祥,杨山.一种利用图像自动提取城镇用地信息的有效方法[J].遥感学报,2003,(1):38-391.标题 XXXXXXXXXXXXXX（宋体三号字加黑，居中）学生姓名：XX 学号：XXX(五号宋体字不加黑，居中)XXXX院（系） XX专业(五号宋体字不加黑，居中)指导教师：XXX 职称：XXX(五号宋体字不加黑，居中)（空两格）摘 要(黑体小四)：具体内容(楷体小四号字不加黑)（空两格）关键词(黑体小四)： **；**；** (楷体小四号字不加黑)(空一行)Abstract(Times New Roman小四加黑)： 具体内容(Times New Roman小四不加黑)Key Words(Times New Roman小四加黑)：**；**；** (Times New Roman小四不加黑)前言(宋体小三号加黑)一、政府信息公开制度概述（一级标题宋体四号字加黑）(一)政府信息公开的内涵（二级标题仿宋体小四号字加黑）1．政府信息公开（三级标题宋体小四号字）正文内容（宋体小四号不加黑）、图表说明（宋体小五号字不加黑）