论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}= 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
论文名称：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 ：
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
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）。
之前也是为论文苦恼了半天，网上的范文和能搜到的资料，大都不全面，一般能有个正文就不错了，而且抄袭的东西肯定不行的，关键是没有数据和分析部分，我好不容易搞出来一篇，结果还过不了审。 还好后来找到文方网，直接让专业人士帮忙，效率很高，核心的部分帮我搞定了，也给了很多参考文献资料。哎，专业的事还是要找专业的人来做啊，建议有问题参考下文方网吧 下面是之前文方网王老师发给我的题目，分享给大家： 基于深度学习的无人机地面小目标算法研究 基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究 模拟射击训练弹着点检测定位技术研究 基于深度卷积神经网络的空中目标识别算法的研究 基于可见光图像的飞行器多目标识别及位置估计 无人驾驶车辆手势指令识别研究与实现 车载毫米波雷达目标检测技术研究 基于多传感融合的四足机器人建图方法 中老年人群跌倒风险评估的数据采集系统 基于深度学习的视觉SLAM闭环检测方法研究 真实图片比较视觉搜索任务的年龄效应及对策研究 室内复杂场景下的视觉SLAM系统构建与研究 基于双目内窥镜的软组织图像三维重建 学习资源画面色彩表征影响学习注意的研究 毫米波雷达与机器视觉双模探测关键技术的研究 语义地图及其关键技术研究 多重影响因素下的语音识别系统研究 基于卷积神经网络的自主空中加油识别测量技术研究 基于视觉语义的深度估计、实例分割与重建 重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究 低成本视觉下的三维物体识别与位姿估计 面向非规则目标的3D视觉引导抓取方法及系统研究 基于物体识别地理配准的跨视频行人检测定位技术研究 基于结构光的非刚体目标快速三维重建关键技术研究 基于机器视觉的动物交互行为与认知状态分析系统 关于单目视觉实时定位与建图中的优化算法研究 动态场景下无人机SLAM在智慧城市中的关键技术研究 面向视觉SLAM的联合特征匹配和跟踪算法研究 基于深度学习的显著物体检测 基于平面波的三维超声成像方法与灵长类动物脑成像应用研究 基于物体检测和地理匹配的室内融合定位技术研究 基于多模态信息融合的人体动作识别方法研究 基于视觉惯性里程计的SLAM系统研究 基于语义信息的图像/点云配准与三维重建 基于种子点选取的点云分割算法研究 基于深度学习的场景文字检测与识别方法研究 基于运动上下文信息学习的室内视频烟雾预警算法研究 基于深度学习的垃圾分类系统设计与实现 面向手机部件的目标区域检测算法的设计与实现 电路板自动光照检测系统的设计与实现 基于机器视觉的工件识别与定位系统的设计与实现 基于深度学习的物件识别定位系统的设计与实现 基于视觉四旋翼无人机编队系统设计及实现 基于视觉惯导融合的四旋翼自主导航系统设计与实现 面向城市智能汽车的认知地图车道层生成系统 基于深度学习的智能化无人机视觉系统的设计与仿真 基于知识库的视觉问答技术研究 基于深度学习的火灾视频实时智能检测研究 结构化道路车道线检测方法研究 基于机器视觉的带式输送机动态煤量计量研究 基于深度学习的小目标检测算法研究 基于三维激光与视觉信息融合的地点检索算法研究 动态环境下仿人机器人视觉定位与运动规划方法研究 瓷砖铺贴机器人瓷砖空间定位系统研究 城市街景影像中行人车辆检测实现 基于无线信号的身份识别技术研究 基于移动机器人的目标检测方法研究 基于深度学习的机器人三维环境对象感知 基于特征表示的扩展目标跟踪技术研究 基于深度学习的目标检测方法研究 基于深度学习的复杂背景下目标检测与跟踪 动态扩展目标的高精度特征定位跟踪技术研究 掩模缺陷检测仪的图像处理系统设计 复杂场景下相关滤波跟踪算法研究 基于多层级联网络的多光谱图像显著性检测研究 基于深度结构特征表示学习的视觉跟踪研究 基于深度网络的显著目标检测方法研究 基于深度学习的电气设备检测方法研究 复杂交通场景下的视频目标检测 基于多图学习的多模态图像显著性检测算法研究 基于面部视频的非接触式心率检测研究 单幅图像协同显著性检测方法研究 轻量级人脸关键点检测算法研究 基于决策树和最佳特征选择的神经网络钓鱼网站检测研究 基于深度学习的场景文本检测方法研究 RGB-D图像显著及协同显著区域检测算法研究 多模态融合的RGB-D图像显著目标检测研究 基于协同排序模型的RGBT显著性检测研究 基于最小障碍距离的视觉跟踪研究 基于协同图学习的RGB-T图像显著性检测研究 基于图学习与标签传播优化模型的图像协同显著性目标检测 姿态和遮挡鲁棒的人脸关键点检测算法研究 基于多模态和多任务学习的显著目标检测方法研究 基于深度学习的交通场景视觉显著性区域目标检测 基于生物视觉机制的视频显著目标检测算法研究 基于场景结构的视觉显著性计算方法研究 精神分裂症患者初级视觉网络的磁共振研究 基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工 脑机接口游戏神经可塑性研究 基于YOLOV3算法的FL-YOLO多目标检测系统 基于深度与宽度神经网络显著性检测方法研究 基于深度学习的零件识别系统设计与研究 基于对抗神经网络的图像超分辨算法研究 基于深度学习复杂场景下停车管理视觉算法的研究与实现 镍电解状态视觉检测与分析方法研究 跨界训练对提升舞者静态平衡能力的理论与方法研究 施工现场人员类型识别方法的研究与实现 基于深度学习的自然场景文字检测方法研究 基于嵌入式的交通标志识别器的设计 基于视觉感知特性与图像特征的图像质量评价
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 ：
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。
电力工程建设项目精细化管理论文
无论是身处学校还是步入社会，大家或多或少都会接触过论文吧，论文是对某些学术问题进行研究的手段。那么你知道一篇好的论文该怎么写吗？下面是我精心整理的电力工程建设项目精细化管理论文，仅供参考，欢迎大家阅读。
在电力工程的建设管理中，精细化的管理模式可以提高建设施工的质量、保证建设人员的安全，提高工程的施工效率，降低工程成本，对于电力工程建设有着重要影响。
摘要： 在电力工程的建设管理中，精细化的模式更容易发现建设施工中的问题，方便进行施工缺点的补漏，不至于等到验收的时候在修正或者重建。并且实行精细化管理可以提高工程进度，保证工程建设的施工质量。本文就电力工程项目精细化管理进行了探讨，就目前的管理中存在的问题进行了总结，并且提出了精细化管理的方式方法。
关键词：
电力工程;建设项目;精细化管理;问题;对策
1、电力工程建设项目管理问题分析
管理模式落伍
电力施工建设具有工期长、成本大、规模较大的特点。因此施工管理相对难度就较大。管理的过程依据工程项目也是一个漫长、复杂的过程。在传统的工程建设中，管理模式较为粗糙，不具备相应的规划和条例，缺少必要的管理，导致工程建设中各种问题时常发生，影响了整体的施工进度，施工质量也受到很大程度的影响。
管理目标失控
施工的质量和施工的成本之间存在一定的联系，一般情况下，成本越大施工质量应该是越好。但是，在施工建设中经常发现各种建设工程的质量问题，解决这些问题必须投入资金进行修缮，这就是施工管理目标失控的表现。与此同时，工程建设中，工期不能按时完成、组织管理的不协调、项目或者设计的变更等都会造成成本的增加，为了减少成本，经常会在施工的其他方面缩小开支，一旦处理不好，就会造成质量问题。
管理制度落实问题
按照相关的工程建设条文以及工程项目的要求制定合理的、科学的、高效的管理模式，保证管理的规范化和公平。管理的目的是为了提高工程质量，降低失误率，减少安全事故的发生。但是就目前来看，很多管理人员在工作中管理的水平较差，人员分配不合理，工作态度不端庄，责任心差，导致管理问题时有发生，影响整个施工的进度。
合同管理水平较低
合同是施工建设的重要保证和依据，它对各方都有一定的约束力度，加强合同的管理是保证施工建设质量的重要前提。在很多的施工项目中，合同管理不受重视，条款内容都不清楚就开始施工，约束力度不够，造成一些列的经济问题。
信息传递不够及时
管理工作需要跟进施工进度，有时候信息的传递不及时，会对管理产生很大影响。就目前而言，信息传递的过程较复杂，正确性较低，等信息传达到相应的部门时，可能已经迟误。信息失去了原有的价值。管理不能根据现实的施工进度进行安排，造成管理的不合理，发生工程的延误等。
2、电力工程建设项目精细化管理措施
对于质量的精细化管理措施
(1)做好招标、设计、准备阶段的管理
在招投标阶段，必须严格遵守“三公”选择，需要一一审核投标单位的资质，采用合理的招标措施，选择具有相应工程设计能力并且价格适宜的单位，签订严谨、全面的承包或者委托合同，从而能够为后续的管理工作有可靠的依据。在设计阶段，施工现场的地质勘察、水文情况等相关资料的收集工作需要由委托的勘察单位和设计单位完成，从而为设计方案奠定了良好的基础，有效的避免了因设计原因而造成的工程变更、以及质量缺陷等问题，提高了设计水平，并且降低了管理的难度。在准备阶段，需要严格的管理各项准备内容，对于设备，为了能够有效的避免设备故障造成的停工或者安全事故，防止工程延期以及安全风险，必须做好设备调试与维护的工作，使设备处于良好的工作状态。对于人员，为了能够提高人员的能力，确保项目建设的高效以及安全，需要做好相应的培训工作。对于技术，为了能够保证技术交底工作的有效性以及全面性，为后期施工创造一个良好的条件，任何与技术相关的一方必须参与到会审工作，规范技术交底流程。对于材料，对材料质量的检验必须引起重视，检查的主要内容包括材料的型号、类型、数量等。
(2)加强工程施工以及质量验收管理
首先，为了能够确保施工能够按着设计的工资流程进行，所有的施工都能够符合相关的操作规范，避免违规操作造成的质量隐患，在工程施工过程中必须严格按着施工方案，加强施工管理。其次，为了确保发现问题时能够得到及时的改正，避免不合格的工程蒙混过关，在质量验收的过程中，在对各项分工程、施工技术进行验收时，必须根据相关的技术规范、设计图纸的要求，并且做好相应验收记录，形成验收表单。最后，为了预防以次充好、偷工减料等情况的发生，确保隐蔽工程施工质量水平，监理部门必须做好施工过程中的隐蔽工程的验收工作。
对于进度的精细化管理措施
在对工程项目建设进度的精细化管理的工作中，主要做好三方面的工作：首先是对工期进行指导管理，在对工期进行指导工作的过程中，必须结合实际的情况以及类似工程经验，并且听取各方面的意见，从而制定出科学的、合理的工期进度指导计划，除此之外，对于特殊情况而言，需要明确的在进度计划中做出特殊的标准，从而能够为建设周期控制、具体项目进展计划编制提供主要依据。其次是管理进度计划，在各个部门进行制定具体项目的进度计划时，必须结合工程的整体情况、施工安全以及部门实际情况等进行全面的考虑，并且以指导工期作为基础，科学的、合理的规划各阶段进度，并且进行整合做到及时上报。最后是管理计划调整，项目在建设过程中，必须严格按着规定的进度计划进行施工，当出现不可抗拒因素并且产生了影响，需要对计划进行调整，调整后的计划还需要经过基建部门、业主项目部门的审核批准，避免因进度因素而影响工程质量。
3、结语
总而言之，电力施工建设是关系到人们的生活和工作，提高电力建设的管理水平，保证人们的生命财产安全是现阶段我国电力发展所欠缺的。精细化的管理模式可以提高建设施工的质量、保证建设人员的安全，提高工程的施工效率，降低工程成本，对于电力工程建设有着重要影响。积极推进精细化管理在电力建设的应用，促进电力工程建设的快速发展。
参考文献
[1]用长效激励机制推动精细化管理——郑州市公园绿地管理经验[A];中国公园协会2011年论文集[C];2011年
[2]杨沛霆;精益管理与皖北煤电[A];全国煤炭企业精细化管理优秀论文集[C];2008年
拓展：财务管理下电力工程论文
1、电力工程财务管理存在的问题
电力工程项目的竣工决算报告，是正确核算供电企业新增资产的重要依据，在工程已竣工且达到预定可使用状态后,财务上应按规定将工程暂估入账并计提折旧，对于工程项目中发生的借款费用按照会计准则的规定予以资本化、计入在建工程,而这些相关规定在实际工作中，对于工程项目的财务核算常常不能严格办理，导致年末资产虚高、利润虚增致或使当期资产虚低、利润虚减等等。
2、加强电力工程财务管理的建议
加强制度建设，落实经济责任考核
供电企业在工程财务管理中,要加强制度建设,这是做好工程项目管理的基础。要将各项管理制度具体化,落实项目法人责任制,制定项目法人财务管理责任书，由项目法人加强工程项目管理和组织协调,严格执行工程签证程序,同时将其实施情况与经济责任考核挂钩，促进项目法人承担起相应的财务管理责任，才能严格执行相关制度,有效抑制工程随意变更问题，形成电力工程项目管理的有效闭环，确保将工程风险降低到最低限度。
推进全面预算管理，加强工程物资管理力度
在供电企业的电力工程管理中，对电力工程项目应进行可行性分析论证，提高项目的科学性和效益性。全面落实项目预算管理，重点抓好工程测算、结算、决算的财务管理工作，保障对工程的全过程管理。加强对工程支出的预算控制，做到支付工程款时依据充分，手续完整，程序合规；而工程物资管理是供电企业工程管理中的薄弱环节,物资管理是整个工程成本控制的主要内容，供电企业应该建立健全工程物资管理制度,引进先进的库存管理技术,要创造条件满足工程物资分类储存、分类管理的要求,要严格执行定期盘存制度,做到工程物资账实相符。
建立工程项目合同管理制度
电力企业的电力建设具有投资大、技术含量高、施工周期长等特点，使电力工程合同管理具有其特殊性。电力施工合同的生命期长,受外界影响大，同时合同本身常常隐藏着许多难以预测的风险。由于电力建设投资大,合同金额也比较大，因此供电企业必须建立健全工程项目合同管理制度，做到合同管理工作有“法”可依，明确在工程项目管理中各部室的职责分工和权限，规范各类合同签定的程序和格式，严格执行合同管理办法，健全限额合同事前审计，重大合同全过程参与的监督机制，有效防范因合同签订不规范而引起的纠纷。
提高财务人员素质,有效推进项目核算控制
工程项目财务管理不同于一般财务管理,其对财务人员的要求更高,不仅需要掌握工程项目的施工流程、工程预算、成本核算的专业知识，还要具备较高的职业判断能力。为此,财务人员要不断增强自身的职业判断意识,方能有效确保财务信息的真实可靠。在工程项目财务管理中，财务人员应参与工程项目的`决策，利用专业知识为企业决策提出合理化建议，有利于工程项目的事前、事中和事后控制，做好工程项目的闭环管理。财务人员必须严格按照规章制度办事,依法合规支付款项,加强资金的监督管理,确保工程项目资金运行的安全、高效；必须确保工程财务决算的真实性,进一步降低电力工程项目实际成本，实现供电企业经济效益最大化。
自动化发展下的电力工程论文
1、电力系统自动化的范围
在通常情况下，电力系统自动化是指依托电子网络技术和计算机通信技术，对电网数据、电网结构等信息进行集成，在确保电网正常运行的前提下，自动完成监测、保护、控制等功能的自动化系统，其范围包含以下几个方面：
馈线自动化
馈线自动化是指从变电站出线到用户用电设备的馈电线路自动化，馈线自动化的内容包括正常情况下的用户检测以及运行优化和资料测量；事故检测以及故障隔离、恢复供电控制等。主要功能包括：远端控制、远端监测、故障隔离、无功补偿以及电压调整等。
变电站自动化系统
变电站自动化是把变电站的二次设备运用计算机技术以及现代通信技术，通过功能组合和优化设计，完成对变电站的自动监视、测量、控制和协调的自动化系统。可以完成收集数据和信息的工作，并能够利用计算机的高速计算能力和判断功能，完成监视和控制变电站内各种设备的运行和操作。其主要功能有：继电保护、数据采集、变电站运行控制、日常信息事件记录、特殊事故报警等。
配电管理系统涉及供电企业运行管理、用户服务以及设备管理等多个方面的计算机网络系统
它是电力自动化系统的中枢，是整个电力自动化系统的管理和控制中心。配电管理系统由地理信息、自动化实时环境、综合性数据库等多个系统为基础，包括配网自动化（DA）、故障投诉管理（TCM）、自动作图(AM)和设备管理(FM)、配电工作管理（DWM）、负荷管理（LM）、配网分析系统（DAS）等多个子系统。
电力通信系统
电力通信自动化也是电力自动化系统中的重要一环，由于电网的终端节点比较繁多大，对通信系统的要求也较高，在电力通信系统方面有无线、微波、电缆、光纤等多种方式，光纤通信和无线通信是当前电力通信系统的主流。
2、电力系统自动化的发展成效
随着电网建设和改造的逐步深入，全面提高电力系统自动化水平已经成为了必然的需要。在新技术、新需求、新网络的共同推动下，电力网络自动化领域正在发生着突飞猛进的变化展。新一代的电力系统自动化的智能化程度已经得到了明显的提升，电力系统智能化、操作人性化、管理合理化的人工智能正在逐步替代人工经验，电力系统自动化正在为提高经济效益和社会效益发挥着重要作用。电力系统自动化在电网发生故障时的作用更加明显。在某段线路发生故障时，电力自动化系统能够迅速判断出故障区域并完成隔离故障区域、查找原因和恢复故障等作用，在缩短停电时间，尽最大可能减小停电面积等方面发挥作用。电网一旦出现主变电站失压、母线故障、超高压失压等高压侧障碍，自动化系统可以利用人工智能完成负荷批量转移，可以在供电安全的情况下，通过遥控操作将障碍影响区的负荷转移到正常线路上去，从而避免大面积停电现象的发生。电力系统自动化在电网正常运行时的作用更加明显。在电网正常运行中，电网的负荷分布并非是是完全均衡，极不均衡的现象时有发生，这种不均衡问题不仅严重降低了电线路以及设备的利用率，同时还会导致线损提高。电力系统自动化能够通过优化运行的方法把负荷灵活地完成从重负载以及过负载成功地转移到轻负载的馈线上，有效地提升负荷率，增强电网的有效供电能力。此外，电力系统自动化还能够可以实时遥控配电网开关完成网络重构以及电容器投切，用少量的投入就能够实现电网运行方式的改善和网损的降低。
3、新技术推动下电力系统自动化的发展趋势
功能分层分布的趋势
电力自动化系统一般分为主站、子站、馈线等三个层次。层与层之间多般采用光纤以太网和光纤环网方式连接。电力线载波也是一种比较常见的通信方式，过去电力线载波主要用于传输高频保护信号以及语音通信，在多节点、大容量的通信要求下，这种方式显然已经不再适用，为此配电载波已经不再采用阻波器，而是基于扩频原理，推出了二代载波技术，可在比较低的信噪比下工作，通信能力也有了提升。最新的载波技术则是依托于数字信号处理芯片（DPS），具有更加强大的实时解码功能，具有更加理想的通信服务能力，在未来具有更加广阔的前景。
电力自动化系统保护趋势
在馈线的保护方面，电网通常没有稳定方面的问题，过去大多认为馈线故障的解决实效性并不强。但随着经济的发展，用户对于用电可靠的依赖更强了，确保供电可靠性成为了电网的重点工作之一。馈线故障隔离和恢复成为了电力自动化系统的基本要求，系统保护成为了发展趋势之一。
主站一体化发展趋势
随着电力的高速发展，电力企业内部平台不统一、专业平台功能单一，系统之间不能实现互联和共享的问题开始凸现。改变这种电力自动化发展进程中出现的分散和单一问题已经是一种迫切的需要，目前主站一体化也已经成为了一种发展趋势，包含数据采集与监控系统、地理信息系统、配电管理系统、高级应用软件包以及变电站综合自动化、管理信息系统、馈线自动化和通信系统的平台统一、高效、综合化的系统平台将是未来电力系统自动化的发展方向。
4、结语
电力系统自动化要遵循实用性和可发展性的原则，向资源共用和信息可享方向发展。电力系统自动化是一场技术革命，随着相关技术的不断改进，相信电力系统自动化必将为电力行业的腾飞插上翅膀。
随着信息技术的迅猛发展，信息对于监狱系统的实际工作已变的越来越重要。下面是我为大家整理的监狱规范化管理论文，供大家参考。
《监狱精细化管理的实践思考》
摘 要 精细化管理是现代监狱未来发展的必然选择和必由之路。监狱精细化必须认真处理好“精”、“细”、“严”、“实”四个方 面相 辅相成的关系,重点始终坚持监管改造工作“法制化”、“专业化”、“系统化”、“科学化”的本质要求。同时,决策者的决心和把握好精细化的“度”事关精细化实施的成败和成效。
关键词 监狱管理 精细化 监管改造工作
推行精细化管理是现代管理的趋势。引进和着力实施精细化管理策略和 措施 ,是适应监狱法治和社会行刑文明的需要。它对于进一步强化监狱管理,提高罪犯改造质量,增强监狱整体执法水平和执法效益,进一步发挥监狱在法治、和谐社会建设中的作用,具有极强的实践意义。
一、监狱精细化管理的意义
(一)精细化管理是当代社会政治文明语境下监狱管理的必然选择和必经过程
精细化管理最先源于 企业管理 学,是 企业运营 管理科学化、有序化的一种管理系统,它的内涵在于要求管理达到一种资源协调、组织优化、运转持续平稳、绩效明显的状态。
作为一种比较先进的学说,“精细化管理”理念的提出,具有双重的指向性和针对性:一方面,它是从管理者的角度出发对传统的粗放型管理模式的一种反拨和刷新;另一方面,则是根据被管理者普遍存在的一些共性化弱点而做出的技术性、建设性设计,使管理的质量和效益能更加显著。
监狱管理以人为中心,组织过程集任务执行(刑事执法、监狱管理)、情感转化(改造罪犯、重塑社会人格)和社会角色履行(彰显社会正义、帮助罪犯回归社会)于一体,管理的基点也是针对人所共有的惰、贪和粗等弱性特点,因而,也必须要通过精准的“管”(监督和控制)与细致的“理”(指导和服务)作用于监狱警察和罪犯两个主体,来实现监狱监管改造的组织目的。
新中国监狱的管理史可以追溯到土地革命时期革命根据地的拘役所,近百年来的探索,运用实践了许多方式,大体上呈现了由人治向法治,由强制到契约,由粗放向精细转向的趋势,在现代社会政治文明、法治文明的引导下,监狱越发注重人权保障,越发重视监狱行刑与管理的社会效益。因而,精准地执行刑罚,细致地改造罪犯,保持常态化的罪犯改造质量,是当代监狱必然的追求。
在此背景下,监狱引进和实施精细化管理策略和措施,是要将已知的一些科学 管理知识 与监狱行刑管理相衔接,试图在监狱运行中通过准确的计划、组织、指挥、协调和控制,使监狱人力、物力和财力资源更加协调,各个部位运转能达到最佳结合,从而使监狱行刑的法律和社会效益达到最大化。
借鉴企业精细化管理的原理,监狱精细化管理的内涵更具有特色。所谓“精”,就是去劣求优,不断提炼监狱管理的精到,提高监狱行刑的精准,从而找到解决监狱改造罪犯的最佳方案;所谓“细”,就是由粗入微,由表及里,探究根由,从而找到罪犯罪由与改造质量之间的内在联系和规律性。“细”是精细化的必然途径,“精”精细化的应然结果,“化”是精细管理所要求达到的一种相对持久的状态。这种状态一要形成体系。包含监狱管理中的每一个方面,每一个刑罚任务的执行过程;二要保持常态。即,监狱管理形成持续的、稳定的体系和模式。
(二)精细化管理是提高监狱管理质量,推进监狱准确执法的有效途径
管理是监狱全部工作的基础和落脚点,监管改造工作的成效源于管理的质量。监狱机关借鉴和实施精细化管理不是简单的概念移植,而是实践工作的迫切需要。
监狱安全工作需要精细化管理。保持安全稳定是监狱最基本的政治与法律责任。在监狱运行过程中,每一项工作都必须得到安全保障,每一项工作也都必须能保障监狱安全。因此,监狱的每一项制度都要完善,每一个从事监狱工作的人都要得力。监狱的制度之间,工作之间,警察之间,以及三者之间都必须是无缝衔接,达到协调运转的状态。传统粗放式管理的突出缺陷就是往往只只强调最优,对明显存在的缺陷视而不见。精细化管理则恰恰是要求我们从最薄弱处入手,强调缝隙间的紧密,不允许出现任何人为的疏忽、明显的缺陷。
监狱准确履行职能需要精细化管理。监狱执法是是一项极其严肃工作,不仅关系到国家法治的声誉和法律的威信,更涉及到执法对象的切身利益和社会法治秩序构建。精细化管理要求每项工作都要精密周到,每项关于安全防范的制度都要细致入微,每项 教育 矫治方案要精致到由表及里。在制度与制度、工作与工作、部门与部门、人与人之间都要“化”为一体,融合无间,最大限度地保证执法工作的严肃性,避免不应有的失误和差错。
监狱全面质量建设需要精细化管理。国家政治文明和社会发展形势要求监狱必须提高执法和改造罪犯质量,强化监狱全面质量建设刻不容缓。适应这一要求,监狱管理必须从理念到方式上都要由随意化向规范化, 经验 型向科学型,粗放型向精细化转变,其中,精细化是举足轻重的一环。运用精细化管理系统推进监狱管理,从监狱管理的每个细节入手,促进监狱管理质量的全面提升。
二、监狱精细化管理的内涵
监狱精细化管理是指在监狱具体的管理过程中必须始终如一地坚持精益求精。即,做到“精”、“细”、“严”、“实”。四个方面既是相辅相成、缺一不可的。片面强调某一方面,而忽略其他方面,都不能反映精细化的本质要求。
(一)精在谋划
1.工作思路精确恰当。对于监狱单位来说,能否保持生机活力,实现监狱工作的安全、准确和文明,主要取决于工作思路是否恰当。“思路精确恰当”是指:谋划精,判断准:第一是夯实基础,落实制度,充实保障,努力向基础要安全,向制度要质量,向保障要监狱管理特色。第二是实中求稳,稳中求精,精中求特,以不变(制度化)应万变,以时间(快节奏)换空间,以技术(信息化)求效率。可以说,没有情况清,就不会有判断准,没有判断准,也就不会有谋划精。
2.工作目标精准明确。保持目标的精确与管理的精细化之间密切关系。目标是旗帜,旗帜鲜明,精细化才有动力;目标是引领,引领正确,精细化才有方向。目标并非越高越好,关键在于既切合实际,又催人奋进。最好设置在“跳一跳摘桃子”的临界状态。做到大目标能鼓舞人心,小目标能给人信心,循序渐进,由近及远,由此及彼地不断向前推进。
3.工作流程精细巧妙。工作思路一旦确定以后,能不能取得预期的效果,执行力好坏就成为一个关键的因素。实践证明,即使在一个全部由高学历、高素质人员组成的群体里,而且人人具有独当一面的能力,但假如工作流程设计得不合理、不精巧,其执行力也会大打折扣,甚至事倍而功半。在目前监狱警察总数缺口较大的情况下,要注重了对各项工作实际运行流程的科学设计,做到以精胜难、以巧驭繁。
4.工作保障精细周到。在推行精细化管理的过程中,难免会出现一些利益的摩擦、 思维方式 的碰撞和技术手段上的裂痕。需要高度重视服务保障工作,千方百计消除监狱警察的后顾之忧,努力弥补各种硬件设施、基础建设中存在的薄弱环节,积极创造一个能令广大监狱警察心悦诚服、主动参与精细化管理的良好环境和氛围。监狱要多想多做上级领导要求,监狱监狱警察拥护,罪犯积极参与的工作;多想多做有利于监狱稳定,改造增效,监狱警察得益的工作;多想多做事业得到全面发展,监狱警察得到全面进步,罪犯得到全面改造的工作。
(二)细在过程
管理本身就是过程。精细化管理,重在怎样使整个过程精细起来。
1.健全工作操作细则。精细化作为一种现代管理理念,必须嫁接在一套与具体实践工作相匹配的操作细则上。对监狱各项工作制定流程说明和实践操作指导书,形成了一套完善的监狱管理工作实施细则。这样既可以防止管理随意性,又可以逐步实现规范化。每次都精细一点,管理的精细化程度就能不断提高。
2.重视工作规范细节。监狱管理,功夫在日常琐事与执法细节。要求管理方案滴水不漏,执行过程一丝不苟。譬如监舍物质“四定置”、“四定位”、“四室规范”等一系列管理规定,把管理的触角延伸到了罪犯生活的各个细微之处,这样,把整个管理过程都纳入到了精细化管理的体系之中,才能取得管理实效。
3.抓住工作推进细目。管理工作精细化的一个重要标志是看工作有没有推进细目。建立目标考核办法,设立阶段性的目标、任务,做到年度工作有行事历,月度工作有鉴定目录,每周工作有推进表,明确完成时间和责任人,保证监狱管理工作的顺畅运行。
(三)严在执行
精细化管理的精髓在于对各项制度、各项操作流程的严格遵守。监狱管理精细化也离不开对制度及流程的严格执行。
1.树立法制权威。新的管理制度的确立与实行,必须采取先僵化,再优化,再固化的强制措施,防止人性弱点带来的干扰,更要防止因人的幼稚创新改变制度原来的模样,要克服人的思维惰性和性格缺陷,不断地用机制来管理人,用制度来约束人,充分发挥严格是管理的热炉效应,保证 规章制度 的不折不扣地得到执行。
2.牢固确立三个体系。在管理过程中,要建立健全目标责任体系、检查考核体系和奖罚兑现体系。这三者之间不可或缺。切实发挥这“三个体系”对事、对人的管理约束作用,确保每一件事都有人管,每一个人都在被管理中。
3.及时 总结 和修订流程。执行的严格蕴含了对制度、流程的及时修订完善。一方面,通过严格的执行考核,发现制度及流程存在的问他,另一方面,通过对制度及操作流程的及时完善,进一步强化制度的科学性和流程的合理性,使监狱各项管理更加完善有成效。
(四)实在常态
实现精细化管理的常态化是监狱管理的必然追求。
1.精细化管理的本质是求实求是。推行精细化管理是要通过精细的形式和严格的管理的过程促进监管改造工作质量进一步提高。首先要贴近实际。即贴近罪犯改造实际,贴近监狱警察工作实际,贴近监狱运行状态的实际,一切精细化行为都以监管改造工作需要为出发点和归宿。其次要符合监管改造工作本质要求。
2.精细化管理是渐进过程,核心在于保持管理的精细化常态。监狱精细化管理是一种永远的追求,一方面不可能一蹴而就,指导思想上不能有急功近利的要求;另一方面要考虑原有管理基础,行为上始终保持循序渐进的科学状态;同时,要做到持之以恒。管理是工作过程,只要有工作任务,只要有监狱存在,就会有管理。始终如一地保持精细管理的心态,养成精细管理的行为习惯是提高监狱工作质量的根本要求。
三、监狱精细化管理的重点
实行精细化管理,关键在于 方法 的选择和组织过程中对象的取舍及保障措施的落实。推行精细化管理必须坚持服务于监管改造工作的指导思想,重点是必须始终坚持监管改造工作“法制化”、“专业化”、“系统化”、“科学化”的本质要求。
(一)恪守法制化理念
法制化是治国理念,也是监狱工作的基本方略,推行精细化管理必须立足于法制化平台。
1.完善监狱管理制度,夯实监狱管理法制基础。精细化管理要求管理过程精确、细致、周到,实现这一要求的保证是各项管理都有明确的依据和规则。因此,详尽地制定各项制度规定,使监狱每一项工作制度都有法律依据,每一项任务都有制度支撑,保障监狱警察管理行为有法可依,考核有章可循。从这个意义上说,不断完善监狱管理制度,并保持与监狱发展同态,是推进精细化管理的基础要素。
2.坚持依法管理,保障管理流程合法。管理的要旨在于规范,规范的前提是依法。确保在实施精细化管理过程中依法办事是精细化方法得以延续的制度支撑。流程合法的涵义包括管理流程设计合法合理,管理过程严格按流程执行。必须做到“所有岗位都有工作标准,所有环节都有程序规范,所有事项都能考核到人,所有结果都能实行责任倒查”。
(二)坚持专业化道路
监狱监管改造管理是一项专业性很强的工作,除了通常的行政管理以外,需要有法律学、教育学、心理学、社会学以及其他专业科学技术,走专业化道路是监狱监管改造工作的必然选择。
1.建设专业化的队伍。监狱管理,尤其是监管改造工作以人为对象,作用于人的思维意识,要求改变或部分改变人的已有意识和行为习惯,这是一项科学、严谨的工作。做精做细人的工作,需要利用专业知识和专业人员的专门工作,因而,需要大量拥有相应专业技术知识的人才,如心理咨询师、网络工程师、安全工程师、专业教育矫正师等等。
2.设置专业化的部门。针对不同的罪犯人群对象,监管改造工作必须建立不同的管理和教育矫治部门,采取不同的矫治对策。这是监狱刑罚执行分类管理、分别施教的基本要求,是监狱管理有粗放到精细,教育改造由宽泛到微观的具体化。其实质是监狱管理的精细化。监狱分工越来越细,专业化程度越来越高,没有专业化的部门,就无法推动监狱工作的高效运转。
3.强化专业化训练。海尔总裁张瑞敏总结说:把每一件简单的事情做好就是不简单,把每一件平凡的事情做好就是不平凡。监狱管理是一个庞杂的系统,由无数个细节结合起来,忽视任何一个细节,都会带来意想不到的损害。其中,监管改造事监狱管理的第一位任务,要求必须把每一件工作做好做到位。加强对监狱警察的训练,把简单的一招一式训练到极致,这不仅是提高监狱警察岗位素质的需要,更是提高监管改造工作绩效的需要。
4.实施专一化流程。监管改造工作千头万绪,由于资源特别是警力资源有限,不可能一下子把精细化的所有工作一下子铺开,齐头并进推开,这是辩证法则的要求。必须建立专业化流程,正确评估面对的工作和基础,集中一段时间,按照流程专业化要求,集中解决一两个问题,依次推进,逐步解决工作中遇到的问题。
(三)运用科学化手段
精细化来源于对监狱管理规律的深层观察、准确分析和细致施行,依赖于监狱管理者务实的态度、恰当的载体和科学的方法。
1.务实是科学的态度。要求始终立足于监管改造工作现有的条件和运行状态,坚持实事求是,不断调整和深化管理措施,使管理更加符合监管改造工作规律,更能达到监狱行刑目的。
2.恰当是载体的科学性。管理越是深化,越是精准,越是需要科学的载体。信息化、数字化的实施就是精细化管理恰当的综合表现,信息化系统建设促进了管理手段的便捷、时效的快速和状态的安全,提升了管理的综合效益。
3.科学方法是精细化管理的方法选择。科学的方法能使精细化在管理中运用的效果成倍增长。譬如,改造质量评估的科学实施,不仅加强了教育改造的针对性,而且大幅度提高了罪犯的个案矫治成效。
四、监狱实施精细化管理的基本保障
除了警力、财力和制度等器物性保障之外,监狱管理精细化必须得到监狱决策者和执行者的全力支持,需要有足够的耐心和毅力,并且始终把重点放在基层基础上。
(一)精细化成败取决于决策者的决心
监狱是集司法与行政为一体的特殊司法行政组织,管理职能在监狱运行中起着独特的作用,能否真正实行精细化管理,关键看监狱决策者的重视程度。
1.理念决定行为的实现。要实现精细化管理,难点不在能不能实现,而在于有没有这个理念和意识。有了这个理念,就会自觉地去制定相关的制度。而有了制度的约束,管理技术上的问题也就不难解决,管理目标就有实现的可能。
2.决策者也是普通管理者。这是推行精细化管理的基本前提。监狱的各级决策者必须身体力行,身先士卒,心甘情愿地把自己放到普通一兵的位置上,深入到每个细节中,用其示范性的成效影响和带动全体监狱警察转变思想,调整行为,自觉实施管理的精细化。
3.结果要靠过程来保证。管理工作本身就是一个执行的过程。布置任务仅仅是工作的起点而不是结束。出现虎头蛇尾的现象,主要是重视了决策与部署,而忽视了事后的考核与事中的监督、检查。最有效的办法还是在执行的过程中予以精细化的管控和监督,使其整个过程都始终处于掌控之中。
(二)精细化的落脚点在基层基础
基层基础是监狱工作的起始点和落脚点,没有基层基础的管理精细化就没有监狱管理的精细化。
1.保障是精细化的基础。基层是具体的执行单位,既是管理的一线单位,又是保障无法自给的“困难”部位。要基层基础的精细管理,就一定要给予有力的保障。监狱决策,必须为基层着想,在布置任务的同时考虑好保障工作,在检查工作的同时落实好保障措施,在考核实绩时巩固好保障基础。
2.务实是精细化的根本。精细化管理是一种工作状态,是一种实时性的过程。光说不做,或说得多,做得少,都不是实实在在的精细化管理。
3.创新是精细化的永恒动力。墨守成规、保守僵化是推行不了精细化管理的。要适应新形势,应对新局面,做出新成绩,就必须不断创新,锐意进取。否则,所谓的精细,只能是刻舟求剑似的的愚蠢或守株待兔似的迂腐。
(三)精细化绩效蕴藏于监狱警察的细心和耐心
监狱单位一个最大的特点就是每个监狱警察都同时具备双重身份:面对罪犯,是管理者;面对监狱,又属于被管理者。是负有管理职责、执法责任,并担任一定职务的管理人员,对监狱制度的制订与执行占据主导地位。精细化是一种工作态度和责任状态。思想是否重视,认识是否到位,是决定精细化能否真正做到的关键所在。没有一种用心操作、刻意追求的意识,精细化管理就只能是一句空话。同时,细心和耐力是推行精细化管理的长效保障。没有细心,精细化难以深化;没有耐心,精细化那一长远。生活中有一句话:“上山容易下山难。”因为认真,细心,上山容易;因为“大功告成”,心情放松,思想懈怠,下山难。其实,上山和下山走的都是同一条路,只是因为心情不同,态度不一样,所以就产生难易的差别。
(四)精细化关键在于把握好管理精细的“度”
精细化并非越精越细越好。精细化有一个适度、效能、恰当的科学标准,如果不恰当地夸张到了吹毛求疵的地步,就很容易流入庸俗化、琐碎化。最要紧的是要有一个成本观念。能用一元钱办成的事,决不多用一分钱。能够为基层和安全减负的,就要简化程序,提高效率。任何事情都要讲究“十全十美”,不是实事求是的态度。