在深度学习兴起以前,很多传统方法都会使用到 图像金字塔 。图像金字塔如上图所示,就是将图片resize到不同的大小,然后分别得到对应大小的特征,然后进行预测。这种方法虽然可以一定程度上解决多尺度的问题,但是很明显,带来的计算量也非常大。
上图是使用单个feature map进行检测,这种结构在17年的时候是很多人在使用的结构,比如YOLOv1、YOLOv2、Faster R-CNN中使用的就是这种架构。直接使用这种架构导致预测层的特征尺度比较单一,对小目标检测效果比较差。ps: YOLOv2中使用了multi-scale training的方式一定程度上缓解了尺度单一的问题,能够让模型适应更多输入尺度。
上图进行了在不同大小的feature map上分别进行预测,具有了多尺度预测的能力,但是特征与特征之间没有融合,遵从这种架构的经典的目标检测架构就是SSD, SSD用了非常多的尺度来进行检测。
然后就是非常经典的FPN架构,FPN可以非常方便地应用到两阶段网络如Faster R-CNN等或者一阶段网络YOLO、SSD等。FPN通过构造一种独特的特征金字塔来避免图像金字塔中计算量过高的问题,同时能够较好地处理目标检测中的多尺度变化问题,效果能够达到当时的STOA。SSD的一个改进版DSSD就是使用了FPN,取得了比SSD更好的效果。
这里展开描述一下FPN的细节:
为了方便说明,做出以下规定:
假设当前层为第三层 , 要与 的特征进行融合,那么 先通过 卷积约束通道数和 层达到一致;来自 通过2倍上采样得到的feature map大小和 一致,最终 是通过 上采样结果和 进行element wise add得到结果。
那么 为什么FPN采用融合以后效果要比使用pyramidal feature hierarchy这种方式要好 呢?有以下几个原因:
黑色的框是理论感受野,中心呈高斯分布的亮点是实际感受野,FPN中的top-down之路通过融合不同感受野, 两个高斯分布的实际感受野进行融合,能够让高层加强低层所对应的感受野 。(ps:这一部分是笔者的理解,若有不同见解,欢迎讨论交流)
关于感受野这个观点,FPN论文有一张图,跟之前发表的那篇文章很像,如下图所示:
这张图讲的是FPN应用在DeepMask中做实例分割,其中使用了一个5×5的多层感知机来生成一个14×14的分割结果。对应的浅橙色的区域代表的是对应到原图的区域(与理论感受野相似),深橙色区域对应的是典型的目标区域(与实际感受野类似),观察这个图我们可以得到几个结论:
以上这点很多讲解FPN网络的作者们都忽略了,如果对这个部分感兴趣,可以到FPN中的附录中找到详细解读。
消融实验
以上是FPN各部分的专有名称,作者详细对比了top-down pathway带来的增益,lateral connection带来的增益,
上表中的实验中能得到几个结论:
文章中还有几个实验将FPN添加到RPN网络、DeepMask结构中,都带来不错的效果,FPN确实是一个比较好的feature fusion方法,在此之后,有很多架构的网络也不断地被提出来,都带来了一定的提升。
总结
本来这篇文章想要将FPN架构的系列写完,但是这样篇幅太大了,所以将这个列成一个小的系列,专门关心FPN的设计。
之前和一个群友在讨论的时候聊到了 FPN的设计 ,当时灵感迸发,产生以下想法:
其实看论文比较多的读者可能已经想到了,ASFF, BiFPN,BiSeNet,ThunderNet等,这都是比较好解决这个问题的方法。之后会继续解读这几个网络中关于FPN的设计,也欢迎大家交流自己的想法。
特征融合方式总结
目标检测论文整理最近开始看一些object detection的文章,顺便整理一下思路。排版比较乱,而且几乎所有图片都是应用的博客或论文,如有侵权请联系我。文章阅读路线参考目前已完成的文章如下,后续还会继续补充(其中加粗的为精读文章):RCNNOverfeatMR-CNNSPPNetFast RCNNA Fast RCNNFaster RCNNFPNR-FCNMask RCNNYOLOYOLO 9000YOLO v3SSDDSSDR-SSDRetinaNet(focal loss)DSODCascade R-CNN(待续)吐槽一下,博客园的markdown竟然没有补齐功能,我还是先在本地补全再传上来吧。。。RCNN之前的故事Histogram of Gradient (HOG) 特征在深度学习应用之前,图像的特征是人工定义的具有鲁棒性的特征,如SIFT,HOG等,下面简要介绍一下HOG。8x8像素框内计算方向梯度直方图:HOG Pyramid特征金字塔,对于不同大小的物体进行适应,设计尺度不变性特征HOG特征 -> SVM分类DPM模型 Deformable Part Model加组件组合的HOG特征, 组件间计算弹性得分,优化可变形参数如果没有弹性距离,就是BoW (Bag of Word)模型, 问题很大, 位置全部丢失:n个组件的DPM计算流程:Selective Search 思想过分割后基于颜色纹理等相似度合并,然后,过分割、分层合并、建议区域排序基于Selective Search + DPM/HoG + SVM的物体识别此时的框架就是RCNN的雏形,因为DPM就是基本由RBG和他导师主导,所以大神就是大神。AlexNet的图像分类(深度学习登场)2012年AlexNet赢得LSVRC的ImageNet分类竞赛。深度CNN结构用来图像特征提取。bounding-box regression 框回归BBR 在DPM时代就和SVM分类结合,一般直接使用线性回归,或者和SVR结合RCNN: Rich feature hierarchies for accurate object detection and semantic segmentationRCNN作为深度学习用于目标检测的开山之作,可以看出是基于Selective Search + DPM/HoG + SVM框架,只不过将是将手工特征转变为CNN提取特征,本文主要贡献如下:CNN用于object detection解决数据集不足的问题主要流程如下:regional preposals(selective research)CNN feature extractionSVM ClassificationNMSbounding-box regression(BBR)为啥能work?优秀的目标检测框架,region proposal 和 regression offset降低了目标检测的难度,强大的CNN特征提取器,代替传统的已经到瓶颈的手工特征迁移训练降低了对数据集的要求MR-CNN:Object detection via a multi-region & semantic segmentation-aware CNN modelMulti-Region的提出, 开始对Box进一步做文章, 相当于对Box进一步做增强,希望改进增强后的效果,主要改善了部分重叠交叉的情况。特征拼接后使得空间变大,再使用SVM处理, 效果和R-CNN基本类似.OverFeat:Integrated Recognition, Localization and Detection using Convolutional Networks不得不说虽然OverFeat在但是比赛成绩不是太好,但是它的思想还是很有启发性的。OverFeat直接抛弃了Selective Search,采用CNN上slide windows来进行框推荐,并且把Bounding box Regression整合一起使用全连接层搞定, 解决了后面一端的问题(取代了SVM分类器和BBR线性回归器),这个思想影响了后来的Fast RCNN。是第一个End to End 的目标检测模型,模型虽然简陋,但是可以验证网络强大的拟合能力注意整合目标检测的各项功能(分类,回归)。亮点:先用CNN得到feature map再做slide windows推荐区域,避免了特征重复计算。设计了End to End模型,方便优化和加快检测速度设计全卷积网络,并进行多尺度图像训练maxpool offset(没有Fast RCNN的ROI Pooling自然)为啥能work?可以看出OverFeat将不同的两个问题物体分类和位置回归采用了两个分支网络,共用前面的CNN特征表述,而CNN提取的特征正如OverFeat所言,是一种类似于SIFT,HOG等人工描述子的一种稳定的描述子(底层抽象),可以用于构建不同的任务(高层表述),也就是模型为什么能work的原因。SPPNetR-CNN和Overfeat都存在部分多尺度,重叠效果的问题。 某种意义上, 应对了HoG特征, 这样对于物体来说类似BoW模型, 我们知道DPM里面,是带有组件空间分布的弹性得分的, 另外也有HoG Pyramid的思想。 如何把Pyramid思想和空间限制得分加入改善多尺度和重叠的效果呢? MR-CNN里面尝试了区域增强, Overfeat里面尝试了多尺度输入。 但是效果都一般。 这里我们介绍另外一个技术Spatial Pyramid Matching, SPM,是采用了空间尺度金字塔的特点。和R-CNN相比做到了先特征后区域, 和Overfeat相比自带Multi-Scale。SPP pooling layer 的优势:解决了卷积层到全连接层需要固定图片大小的问题,方便多尺度训练。能够对于任意大小的输入产生固定的输出,这样使得一幅图片的多个region proposal提取一次特征成为可能。进一步强调了CNN特征计算前移, 区域处理后移的思想, 极大节省计算量也能看出文章还是强调用CNN做特征的提取,还是用的BBR和SVM完成回归和分类的问题Fast RCNN可以看出Fast RCNN结合了OverFeat和Sppnet的实现,打通了高层表述和底层特征之间的联系主要流程:任意size图片输入CNN网络,经过若干卷积层与池化层,得到特征图;在任意size图片上采用selective search算法提取约2k个建议框;根据原图中建议框到特征图映射关系,在特征图中找到每个建议框对应的特征框【深度和特征图一致】,并在RoI池化层中将每个特征框池化到H×W【VGG-16网络是7×7】的size;固定H×W【VGG-16网络是7×7】大小的特征框经过全连接层得到固定大小的特征向量;将上一步所得特征向量经由各自的全连接层【由SVD分解实现(全连接层加速)】,分别得到两个输出向量:一个是softmax的分类得分,一个是Bounding-box窗口回归;利用窗口得分分别对每一类物体进行非极大值抑制剔除重叠建议框其中ROI POOL层是将每一个候选框映射到feature map上得到的特征框经池化到固定的大小,其次用了SVD近似求解实现全连接层加速。这里需要注意的一点,作者在文中说道即使进行多尺度训练,map只有微小的提升,scale对Fast RCNN的影响并不是很大,反而在测试时需要构建图像金字塔使得检测效率降低。这也为下一步的多尺度改进埋下了伏笔。为啥能更好的work?也是结合了OverFeat的和SPPnet的work,同时规范了正负样本的判定(之前由于SVM和CNN对区域样本的阈值划分不同而无法统一网络,当然这只是其中的一个原因。更多的估计是作者当时没想到),将网络的特征抽取和分类回归统一到了一个网络中。A Fast RCNN: Hard Positive Generation via Adversary for Object Detection这篇论文是对,CMU与rbg的online hard example mining(OHEM)改进,hard example mining是一个针对目标检测的难例挖掘的过程,这是一个更充分利用数据集的过程。实际上在RCNN训练SVM时就已经用到,但是OHEM强调的是online,即如何在训练过程中选择样本。同期还有S-OHEM的改进。而随着但是GAN的火热,A-Fast-RCNN尝试生成hard example(使用对抗网络生成有遮挡和有形变的两种特征,分别对应网络ASDN和ASTN)结论如下:ASTN 和 随机抖动(random jittering)做了对比,发现使用AlexNet,mAP分别是58.1%h和57.3%,使用VGG16,mAP分别是69.9%和68.6%,ASTN 的表现都比比随机抖动效果好。作者又和OHEM对比,在VOC 2007数据集上,本文方法略好(71.4% vs. 69.9%),而在VOC 2012数据集上,OHEM更好(69.0% vs. 69.8%)。gan用于目标检测还没有很好的idea,这篇论文相当于抛砖引玉了。同时需要注意的一个问题,网络对于比较多的遮挡和形变情况识别情况更好;但是对于正常目标的特征抽象能力下降,所以有时候创造难例也要注意样本的数量。下面是一些由于遮挡原因造成的误判。Faster RCNN:Towards Real-Time Object Detection with Region Proposal Networks这篇文章标志着two-stage目标检测的相对成熟,其主要改进是对候选区域的改进,将候选区域推荐整合进了网络中。结合后面的一系列文章,可以马后炮一下它的缺点:虽然Faster RCNN已经共享了绝大部分卷积层运算,但是RoI之后还有部分ConvNet的计算,有没有可能把ROI之上的计算进一步前移? 请看R-FCNFaster RCNN还是没有很好的解决多尺度问题,如何解决,请看FPNYOLO:You Only Look Once作者的论文简直是一股论文界的泥石流,作者本身是一个喜欢粉红小马的大叔,萌萌哒。实际上YOLO一直发展到v3都是简单粗暴的目标检测方法,虽然学术界模型繁杂多样,但是在实际应用工业应用上YOLO绝对是一个首选的推荐。YOLO v1版本现在看来真是简单粗暴,也印证了网络抽象的强大之处。可以看出作者没有受到太多前辈的影响,将对象检测重新定义为单个回归问题,直接从图像像素到边界框坐标和类概率(当然这也是一个缺少坐标约束也是一个缺点)。YOLO的明显缺点,如多尺度问题,密集物体,检测框耦合,直接回归坐标等在yolo 9000中也做了比较好的改进。SSD:Single Shot MultiBox DetectorSSD作为one stage的代表模型之一,省去了判断推荐候选区域的步骤(实际上可以认为one-stage就是以feature map cell来抽象代替ROI Pooling功能) ,虽然SSD和Faster RCNN在Anchor box上一脉相承,但是Faster RCNN却还是有一个推荐候选区域(含有物体的区域)的监督部分(注意后面其实也是整合到了最终Loss中),因此one-stage优势是更快,而含有区域推荐的two-stage目前是更加准确一些。(更看好one-stage,其实区域推荐不太符合视觉系统,但是可以简化目标检测问题),主要贡献:用多尺度feature map来预测,也生成了更多的default box检测框对每一类对象产生分数(低耦合,对比yolo)缺点:底层feature map高级语义不足 (FPN)正负样本影响 (focal loss)feature map抽象分类和回归任务只用了两个卷积核抽象性不足(DSSD)为啥能更好的工作?SSD的出现对多尺度目标检测有了突破性进展,利用卷积层的天然金字塔形状,设定roi scale让底层学习小物体识别,顶层学习大物体识别FPN:feature pyramid networksSSD网络引入了多尺度feature map,效果显著。那Faster RCNN自然也不能落后,如何在Faster RCNN中引入多尺度呢?自然有FPN结构同时FPN也指出了SSD因为底层语义不足导致无法作为目标检测的feature map注意原图的候选框在Faster RCNN中只固定映射到同一个ROI Pooling中,而现在如果某个anchor和一个给定的ground truth有最高的IOU或者和任意一个Ground truth的IOU都大于0.7,则是正样本。如果一个anchor和任意一个ground truth的IOU都小于0.3,则为负样本。本文算法在小物体检测上的提升是比较明显的,另外作者强调这些实验并没有采用其他的提升方法(比如增加数据集,迭代回归,hard negative mining),因此能达到这样的结果实属不易。DSSD:Deconvolutional Single Shot Detector一个SSD上移植FPN的典型例子,作者主要有一下改动:将FPN的Upsampling变成deconv复杂了高层表述分支(分类,回归)网络的复杂度R-SSD:Enhancement of SSD by concatenating feature maps for object detection本文着重讨论了不同特征图之间的融合对SSD的影响(水论文三大法宝),这篇论文创新点不是太多,就不说了DSOD: Learning Deeply Supervised Object Detectors from Scratch这篇文章的亮点:提出来了不需要预训练的网络模型DSOD实际上是densenet思想+SSD,只不过并不是在base model中采用densenet,而是密集连接提取default dox的层,这样有一个好处:通过更少的连接路径,loss能够更直接的监督前面基础层的优化,这实际上是DSOD能够直接训练也能取得很好效果的最主要原因,另外,SSD和Faster RCNN直接训练无法取得很好的效果果然还是因为网络太深(Loss监督不到)或者网络太复杂。Dense Prediction Structure 也是参考的densenetstem能保留更多的信息,好吧,这也行,但是对效果还是有提升的。YOLO 9000:Better, Faster, Stronger很喜欢这个作者的论文风格,要是大家都这么写也会少一点套路,多一点真诚。。。。文章针对yolo做了较多的实验和改进,简单粗暴的列出每项改进提升的map。这个建议详细的看论文。下面列举几个亮点:如何用结合分类的数据集训练检测的网络来获得更好的鲁棒性将全连接层改为卷积层并结合了细粒度信息(passthrough layer)Multi-Scale TraningDimension Clustersdarknet-19更少的参数Direct locaion prediction对offset进行约束R-FCN:Object Detection via Region-based Fully Convolutional Networks本文提出了一个问题,base CNN网络是为分类而设计的(pooling 实际上是反应了位置的不变性,我一张人脸图片只要存在鼻子,两只眼睛,分类网络就认为它是人脸,这也就是Geoffrey Hinton 在Capsule中吐槽卷积的缺陷),而目标检测则要求对目标的平移做出准确响应。Faster RCNN是通过ROI pooling让其网络学习位置可变得能力的,再次之前的base CNN还是分类的结构,之前讲过R-FCN将Faster RCNN ROI提取出来的部分的卷积计算共享了,那共享的分类和回归功能的卷积一定在划分ROI之前,那么问题来了,如何设计让卷积对位置敏感?主要贡献:将用来回归位置和类别的卷积前置共享计算,提高了速度。巧妙设计score map(feature map)的意义(感觉设计思想和yolo v1最后的全连接层一样),让其何以获得位置信息,之后在经过ROI pooling和vote得到结果为啥能work?实际上rfcn的feature map设计表达目标检测问题的方式更加抽象(ROI pool前的feature map中每一个cell的channel代表定义都很明确),loss在监督该层时更能通过论文中关于ROI pool和vote设计,在不同的channel上获得高的响应,这种设计方式可能更好优化(这个是需要大量的实验得出的结论),至于前面的resnet-base 自然是抽象监督,我们本身是无法理解的,只是作为fintuning。实际上fpn的loss监督也是非常浅和明确的,感觉这种可以理解的优化模块设计比较能work。Focal Loss: Focal Loss for Dense Object Detection这篇文章实际上提供了另外一个角度,之前一直认为Single stage detector结果不够好的原因是使用的feature不够准确(使用一个位置上的feature),所以需要Roi Pooling这样的feature aggregation办法得到更准确的表示。但是这篇文章基本否认了这个观点,提出Single stage detector不好的原因完全在于:极度不平衡的正负样本比例: anchor近似于sliding window的方式会使正负样本接近1000:1,而且绝大部分负样本都是easy example,这就导致下面一个问题:gradient被easy example dominant的问题:往往这些easy example虽然loss很低,但由于数 量众多,对于loss依旧有很大贡献,从而导致收敛到不够好的一个结果。所以作者的解决方案也很直接:直接按照loss decay掉那些easy example的权重,这样使训练更加bias到更有意义的样本中去。很直接地,如下图所示:实验中作者比较了已有的各种样本选择方式:按照class比例加权重:最常用处理类别不平衡问题的方式OHEM:只保留loss最高的那些样本,完全忽略掉简单样本OHEM+按class比例sample:在前者基础上,再保证正负样本的比例(1:3)Focal loss各种吊打这三种方式,coco上AP的提升都在3个点左右,非常显著。值得注意的是,3的结果比2要更差,其实这也表明,其实正负样本不平衡不是最核心的因素,而是由这个因素导出的easy example dominant的问题。RetinaNet 结构如下实际上就是SSD+FPN的改进版
硕士论文一般3-5万字之间,开题报告一般5000字左右,并且所有硕士论文都是要过论文检测的,比对的是一百年内所有专业的所有论文,每十一个相拟就开始算相拟,不能超过百分之三十,否则延迟毕业。
关于硕士论文要求字数并没有严格要求,所以主要还是看学校的具体规定。如果学校规定3万字的,那么你写3.2万字,如果学校规定2万字的,那么你写2.2万字。 上下浮动不要超过2000字。总之在开始写论文之前,对学校规定的硕士论文要求一定要仔细阅读,尤其是论文字数。
大部分学校是根据具体专业来规定论文字数的,关于硕士论文各部分的字数要求如下:
1. 中、英文题目:论文题目应能概括整篇论文的核心内容,一般不超过30字。
2.论文的摘要字数一般在1000字左右。除非有特俗要求,可扩充到2000字左右。
3. 论文的关键词3-5个,是用来说明全文的主题内容的单词或术语,力求精炼准确。
4.硕士论文开题报告字数不得少于3000字,研究生实施毕业论文课题研究的前瞻性计划和依据,是论文中心思想的概括。
硕士研究生毕业论文格式规范
硕士论文是攻读硕士学位 研究生所撰写的论文。它应能反映出作者广泛而深入地掌握 专业基础知识,具有独立进行科研的能力,对所研究的题目有新的独立见解,论文具有一定的深度和较好的科学价值,对本专业学术水平的提高有积极作用。下面是硕士研究生毕业论文格式规范,供大家参考。
1.标题
(1)论文的标题一般分为三级,具体的格式要求为:
1级标题:中文黑体,三号(21px),段前、段后间距均为1行;英文为times new roman.2级标题:中文黑体,四号(19px),段前、段后间距为1行;英文为times new roman.3级标题:中文黑体,小四号或(16px),段前、段后间距为1行;英文为times new roman。
段前、段后的间距可根据文章的实际情况做适当的调节,以便于控制正文合适的换页位置。
(2)标题的表述可以用“章、节”、“
一、(一)”、“
1、1.1”等形式。其格式如下:“第一章 □□□□□(一级标题,居中,单列一行)”“第一节 □□□□□(二级标题,空两格左对齐,单列一行)”“
一、 □□□□□(三级标题,同二级标题)”对于其他样式的格式,要求不变。
对于其他级次的标题或者需要突出的'重点部分,可用五号黑体字体进行标示,也可单列一行,或者放在段首。
2.正文字体
(1)硕士论文的正文中,如无特殊要求中文一律采用简体,特殊情况可用繁体,字号为五号宋体,行间距为18磅;
(2)图、表标题采用小五号黑体;表格中文字、图例说明采用小五号宋体;表注采用六号宋体;
(3)英文、罗马字符一般采用Times New Roman字体,按规定应采用斜体的采用斜体;
(4)阿拉伯文、日文等其他文字使用该文字的惯用字体。
3.图表、公式
(1)硕士论文中的表格均采用标准表格形式。表中的参数应标明量和单位。表序、标题居中置于表的上方。表的备注置于表的下方。表格一般放在同一页内显示,一般不要分页显示。
(2)图中的术语、符号、单位等应与正文中的表述一致。图序、标题、图例说明居中置于图的下方。图形不能跨页显示。照片不得直接粘贴,须扫描后以图片形式插入。
(3)论文中的公式为居中对齐,编号用小括号括起,右对齐,其间不需要加线条。
(4)文中的图、表、公式、附注等一律用阿拉伯数字按章节连续编号,例如:图1-1,表2-2,公式(3-1)等。
4.注释
注释一律采用页下注(脚注)的形式。注释的序号形式为①,②,③类型的标识,每页需要重新排序,不得与上页累计。
5.参考文献
参考文献页一律放在正文后面,可不编序号,但不得放在各章之后。参考文献编号项目及次序与引文注释的格式基本相同,但不不要标注页码。
中文参考文献的排列顺序按照引用著作、论文、电子文献的作者姓氏的汉语拼音升序排列,外文按作者姓氏的英文字母升序排列。外文著作、论文用原文罗列,无需翻译。
6.页眉、页脚文字
页眉、页脚均采用小五号宋体,页眉左侧为论文题名,右侧为一级标题名称;页眉下横线为上粗下细文武线(3磅);如果论文采用单面印刷,则页码排在页脚居中位置。
7.页码
页码的起始编码页为第一章,按按阿拉伯数字连续编排。第一章之前的页码用罗马数字单独编排。所有的页码均置于右下脚。
硕士毕业论文常用的研究方法9条
1. 调查法
调查法是科学研究中最常用的方法之一。它是有目的、有计划、有系统地搜集有关研究对象现实状况或历史状况的材料的方法。调查方法是科学研究中常用的基本研究方法,它综合运用历史法、观察法等方法以及谈话、问卷、个案研究、测验等科学方式,对教育现象进行有计划的、周密的和系统的了解,并对调查搜集到的大量资料进行分析、综合、比较、归纳,从而为人们提供规律性的知识。
调查法中最常用的是问卷调查法,它是以书面提出问题的方式搜集资料的一种研究方法,即调查者就调查项
目编制成表式,分发或邮寄给有关人员,请示填写答案,然后回收整理、统计和研究。
2.观察法
观察法是指研究者根据一定的研究目的'、研究提纲或观察表,用自己的感官和辅助工具去直接观察被研究对象,从而获得资料的一种方法。科学的观察具有目的性和计划性、系统性和可重复性。在科学实验和调查研究中,观察法具有如下几个方面的作用:①扩大人们的感性认识。②启发人们的思维。③导致新的发现。
3.实验法
实验法是通过主支变革、控制研究对象来发现与确认事物间的因果联系的一种科研方法。其主要特点是:
第一、主动变革性。观察与调查都是在不干预研究对象的前提下去认识研究对象,发现其中的问题。而实验却要求主动操纵实验条件,人为地改变对象的存在方式、变化过程,使它服从于科学认识的需要。
第二、控制性。科学实验要求根据研究的需要,借助各种方法技术,减少或消除各种可能影响科学的无关因素的干扰,在简化、纯化的状态下认识研究对象。
第三,因果性。实验以发现、确认事物之间的因果联系的有效工具和必要途径。
4.文献研究法
文献研究法是根据一定的研究目的或课题,通过调查文献来获得资料,从而全面地、正确地了解掌握所要研究问题的一种方法。文献研究法被子广泛用于各种学科研究中。其作用有:①能了解有关问题的历史和现状,帮助确定研究课题。②能形成关于研究对象的一般印象,有助于观察和访问。③能得到现实资料的比较资料。④有助于了解事物的全貌。
5.实证研究法
实证研究法是科学实践研究的一种特殊形式。其依据现有的科学理论和实践的需要,提出设计,利用科学仪器和设备,在自然条件下,通过有目的有步骤地操纵,根据观察、记录、测定与此相伴随的现象的变化来确定条件与现象之间的因果关系的活动。主要目的在于说明各种自变量与某一个因变量的关系。
6.定量分析法
在科学研究中,通过定量分析法可以使人们对研究对象的认识进一步精确化,以便更加科学地揭示规律,把握本质,理清关系,预测事物的发展趋势。
7.定性分析法
定性分析法就是对研究对象进行“质”的方面的分析。具体地说是运用归纳和演绎、分析与综合以及抽象与概括等方法,对获得的各种材料进行思维加工,从而能去粗取精、去伪存真、由此及彼、由表及里,达到认识事物本质、揭示内在规律。
8.跨学科研究法
运用多学科的理论、方法和成果从整体上对某一课题进行综合研究的方法,也称“交叉研究法”。科学发展运动的规律表明,科学在高度分化中又高度综合,形成一个统一的整体。据有关专家统计,现在世界上有2000多种学科,而学科分化的趋势还在加剧,但同时各学科间的联系愈来愈紧密,在语言、方法和某些概念方面,有日益统一化的趋势。
9.个案研究法
个案研究法是认定研究对象中的某一特定对象,加以调查分析,弄清其特点及其形成过程的一种研究方法。
个案研究有三种基本类型:
(1)个人调查,即对组织中的某一个人进行调查研究;(2)团体调查,即对某个组织或团体进行调查研究;(3)问题调查,即对某个现象或问题进行调查研究。
一、规范研究法标准化分析方法的主要特点是在分析前确定相应的标准,然后根据这些标准分析研究对象的当前状态是否符合这些标准。如果不符合,则偏差程度如何,如何调整等。二、实证研究法实证研究方法是了解客观现象,为人们提供真实、有用、确定、准确的知识研究方法,重点是研究现象本身的是什么。实证研究方法试图超越或拒绝价值判断,只揭示客观现象的内在因素和因素之间的普遍联系,总结现象的本质及其运行规律。三、调查法该方法是有目的、系统地收集有关研究对象的具体信息。它也是一种实证分析。研究人员通过个人接触和广泛调查,有计划地掌握大量的第一手材料,在此基础上进行综合分析,研究教育的实际历史、现状和发展趋势,找出科学结论,指导教育实践。调查方法一般在自然过程中进行,通过访问、调查会议、问卷发送、测试等方式收集反映研究现象的材料。
绿豆又叫青小豆,古名菉豆、植豆,具有粮食、蔬菜、绿肥和医药等用途。是我国人民的传统豆类食物。绿豆蛋白质的含量几乎是粳米的3倍,多种维生素、钙、磷、铁等无机盐都比粳米多。因此,它不但具有良好的食用价值,还具有非常好的药用价值,有“济世之食谷”之说。在炎炎夏日,绿豆汤更是老百姓最喜欢的消暑饮料。 功效:绿豆性味甘凉,有清热解毒之功。夏天在高温环境工作的人出汗多,水液损失很大,体内的电解质平衡遭到破坏,用绿豆煮汤来补充是最理想的方法,能够清暑益气、止渴利尿,不仅能补充水分,而且还能及时补充无机盐,对维持水液电解质平衡有着重要意义。绿豆还有解毒作用。如遇有机磷农药中毒、铅中毒、酒精中毒(醉酒)或吃错药等情况,在医院抢救前都可以先灌下一碗绿豆汤进行紧急处理,经常在有毒环境下工作或接触有毒物质的人,应经常食用绿豆来解毒保健。经常食用绿豆可以补充营养,增强体力。1 .抗菌抑菌作用绿豆具有抗菌抑菌作用。①绿豆中的某些成分直接有抑菌作用。通过抑菌试验证实 ,绿豆衣提取液对葡萄球菌有抑制作用。根据有关研究 ,绿豆所含的单宁能凝固微生物原生质 ,可产生抗菌活性。绿豆中的黄酮类化合物、植物甾醇等生物活性物质可能也有一定程度的抑菌抗病毒作用。②通过提高免疫功能间接发挥抗菌作用。绿豆所含有的众多生物活性物质如香豆素、生物碱、植物甾醇、皂甙等可以增强机体免疫功能 ,增加吞噬细胞的数量或吞噬功能。有实验用补体致敏酵母血凝法检测绿豆对正常及环磷酰胺所致免疫功能低下小鼠的红细胞免疫粘附功能的影响 ,结果表明绿豆可以抑制环磷酰胺诱发的小鼠红细胞功能低下的作用。2 .降血脂作用有人用 70 %的绿豆粉或发芽绿豆粉混于饲料中喂兔 ,结果发现对实验性高脂血症兔血脂 (总胆固醇及 β-脂蛋白 )的升高有预防及治疗作用 ,进而明显减轻冠状动脉病变;有人将绿豆水醇提取物拌入饲料喂养动物 ,连续 7天 ,证实对正常小鼠 (生药1 0 0g/kg·d- 1 )和正常大鼠 (生药 1 6g/kg·d- 1 )血清胆固醇有明显降低作用。进一步研究发现 ,绿豆中含有的植物甾醇结构与胆固醇相似 ,植物甾醇与胆固醇竞争酯化酶 ,使之不能酯化而减少肠道对胆固醇的吸收、并可通过促进胆固醇异化和 /或在肝脏内阻止胆固醇的生物合成等途径使血清胆固醇含量降低。另外 ,大豆球蛋白被实验证实有降低血清胆固醇的作用 ,绿豆的球蛋白是否有同样的作用值得探讨。3 .抗肿瘤作用有实验发现 ,绿豆对吗啡 +亚硝酸钠诱发小鼠肺癌与肝癌有一定的预防作用。另有实验证实 ,从绿豆中提取的苯丙氨酸氨解酶对小鼠白血病L 1 2 1 0细胞和人白血病K 56 2细胞有明显的抑制作用 ,并随酶剂量增加和作用时间延长 ,抑制效果明显增加 ,同样作用48h, 0.7U/ml的酶其抑制率分别为52 %和14.1 % ,当酶增加为3.5U/ml,可分别达77.1 %和 85.8% ,而以0.2 0 %、1.0 %、2.0 %、4.0 %、6.0 %、10.0 %的酶作用于癌细胞 72h,其抑制率分别为25.8%、40.0 %、55.3 %、72.6 %、77.9%、82.9%。4.解毒作用绿豆中含有丰富的蛋白质 ,生绿豆水浸磨成的生绿豆浆蛋白含量颇高 ,内服可保护胃肠粘膜。绿豆蛋白、鞣质和黄酮类化合物可与有机磷农药、汞、砷、铅化合物结合形成沉淀物 ,使之减少或失去毒性 ,并不易被胃肠道吸收。绿豆中的生物活性物质不少具有抗氧化作用 ,在治疗有机磷农药中毒时是否通过抗氧化作用从而减轻了有机磷农药的细胞毒性和遗传毒性有待于进一步的探讨。
1、首先生物硕士论文怎么水问题的提出,、选题背景及意义。2、其次一直在这两个方面绕来绕去。3、最后在中间加点别的词语混杂一下即可。
南京农业大学2021届研究生个人毕业报告可以在知网上提交论文进行查找。中国知网知识发现网络平台—面向海内外读者提供中国学术文献、外文文献、学位论文、报纸、会议、年鉴、工具书等各类资源统一检索、统一导航、在线阅读和下载服务。
南京农业大学论文查重率一般是在30%左右。南京农业大学论文查重要求,论文都是会存在一些重复的空间的,这个空间并不太大在30%左右,不超过这个比例的话就没有问题,在论文中是会出现一些名词或者专用词汇的,这些名词是固定的,自然是不会纳入重复率范围的。
尽量跟导师课题。如果不行自己想好选题跟导师商量。可以参考同方向其他人的选题。不难。而且南农的企管专业答辩十分和谐。