测绘工程论文题目
测绘工程在整个工程建设过程中所起的作用很大，测绘工程论文题目大家想好了吗？下面是我整理的测绘工程论文题目，欢迎阅读参考！
1、改善GIS数字底图的质量
2、教学实习在土地资源管理专业中的应用
3、数字化土地利用现状调查的数据采编
4、数字化地形测量的几个问题探讨
5、数字化地籍测量在城镇地籍调查中的应用探讨
6、数字化成图几种作业模式的分析比较
7、数字化测图与地籍信息系统研究
8、数字化测图在地籍补测中的两种应用技巧
9、数字化测图技术在郑州高新区房地产测量中的应用
10、数字化测图教学方法探讨
11、数字化测绘技术在地籍图测绘中的应用与建议
12、数字化测绘技术在地籍测量中的应用与实施
13、数字化测绘技术在地籍测量中的应用初探
14、数字化测绘技术在城镇地籍测量中的应用
15、数字化测绘技术在源影寺古砖塔测绘中的应用
16、数字图像边缘检测方法的探讨
17、数字土地利用现状图的制图概括
18、数字土地利用现状图的制图综合
19、数字地图系统设计
20、数字地形图测绘中的几个问题探析
21、数字地籍测绘实施中的技术问题
22、数字地籍测量中GPS控制网的建立
23、数字地籍测量主要误差来源探讨
24、数字地籍测量作业探讨
25、数字地籍测量应用分析
26、数字地籍测量控制网的建立及精度分析
27、数字地籍测量有关作业流程及精度控制的探讨
28、数字地籍测量精度的讨论及控制方法
29、数字平顶山空间数据基础设施建设的初步研究
30、数字摄影测量生产的质量控制
31、数字水准仪SPRINTERM的试验与评述
32、数字水准仪及其在机场跑道板块高程测量中的应用
33、数字水准仪及水准尺的检定与精度分析
34、数字水准仪的测量算法概述
35、数字水准仪自动读数方法研究
36、数字水准仪观测模式及其应用实践
37、数字水准测量外业数据格式的转换与统一的实践
38、数字水果湖水下地形和淤泥厚度测量
39、数字测图中的坐标变换方法
40、数字测图中设站错误的内业改正
41、数字测图技术在罗营口水电站坝址地形测量中的应用
42、数字测绘产品的质量检查与质量控
43、数字综合法用于平坦地区地形图修测
44、数字高程模型与等高线质量相关性研究
45、数字高程模型及其数据结构
46、数字高程模型在农地整理排水渠道规划设计中的应用
47、数字高程模型地形描述精度的研究
48、数字高程模型的生产及更新
49、数字高程模型的裁剪与拼接技术
50、数学形态学在遥感图像处理中的应用
51、数据化测量在河道治理工程中的应用
52、数码相机可量测化的研制
53、斜拉桥变形观测方法及精度分析
54、斜距法在工程中的应用
55、断面测量内外业一体化系统研究
56、断高法在高等级公路测设中的应用
57、新州公路平面控制测量问题研究与施测
58、方位交会法在城区测量中的'应用
59、方向交会法坐标计算之初探——待定点坐标的计算
60、方向后交最佳点位分析
61、施工测量中快速设站方法
62、无像控基础地理空间数据更新方法
63、无反射棱镜全站仪测距性能测试
64、无反射镜测距的目标特性研究
65、无定向导线环在城市地籍测量中的应用
66、无控制DEM表面差异探测研究
67、既有铁路航测数字化测图的特点与质量控制
68、时态地籍数据库设计与宗地历史查询的实现方法
69、明暗等高线自动绘制方法
70、智能全站仪ATR实测三维精度分析
71、智能全站仪快速测量处理系统
72、曲线拟合高程在公路测量中的应用研究
73、曲线放样中的坐标转换及转换精度分析
74、曲线矢量数据压缩算法实现及评析
75、最小二乘平差理论在制图自动综合中的应用
76、最小二乘法在土地复垦场平整中的应用
77、最小二乘法对多周期函数的周期筛选优化
78、有关地籍调查的几个问题探讨
79、有限条件下坐标转换矩阵的确定与精化
80、有非对称缓和曲线的曲线主点测设方法
81、服务城市化的测绘工程专业培养计划探讨
82、村庄地籍测量之初探
83、条码信号复原技术在数字水准仪中的应用
84、条码因瓦水准标尺校准方法的探讨
85、极坐标法测设平面位置的精度分析
86、构建城镇地籍管理系统的研究
87、栅格数据矢量化及其存在问题的解决
88、标准化大比例尺数字测图的实践与体会
89、树状河系自动绘制的结构化实现
90、根据三斜距确定点的三维坐标及精度
91、桥梁墩_台的沉降观测和沉降值的预测
92、模拟GPS控制网精度估算方法研究
93、模糊数学在土地利用更新调查质量评定中的应用探讨
94、模糊综合评判及其在测绘中的应用
95、气象因素对全站仪测量的影响
96、水下地形分析中空间数据存储与管理方法的研究
97、水下地形测量误差分析及对策
98、水下地形测量误差来源及处理方法探讨
99、水下地形测量高程异常点剔除方法研究
100、水位改正中虚拟验潮站的快速内插
机械工程是一门涉及利用物理定律为机械系统作分析、设计、制造及维修的工程学科。那么机械工程专业的论文题目有哪些呢?下面我给大家带来机械工程专业论文题目_机械类专业论文选题题目，希望能帮助到大家!
机械电子工程 毕业 论文题目
1、全纤维曲轴锻造液压机同步控制研究
2、电脑缝编机送经与断经检测系统研究
3、MEMS传感器三维引线键合系统研制
4、单作用双定子叶片马达的排量及排量比研究
5、基于流场分析的双喷嘴挡板电液伺服阀特性研究
6、齿轮型多泵多马达传动规律研究
7、液压泵的振动机理及评价研究
8、基于声发射的轴承滚动接触疲劳量化诊断技术研究
9、KDQ1300墙体砖压机液压控制系统的节能研究
10、保偏光通信中ATP系统及姿态获取技术研究
11、模具生产协同管理系统的设计与实现
12、机床进给系统的多源误差模型分析与研究
13、高性能电液伺服转台的控制问题及故障诊断研究
14、正交并联六自由度加载试验系统力控制及解耦研究
15、地方本科院校转型中的专业调整研究
16、典型粘弹性阻尼结构的振动特性分析与优化设计
17、杆状碳纤维零件缠绕成型技术研究
18、飞行模拟器运动平台洗出算法的优化研究
19、MKD-Delphi装备技术预测 方法 研究
20、中职学校第二课堂实践研究
21、气动软体机械手设计及实验研究
22、职教师资本科培养机械电子工程专业课程整合研究
23、中等职业学校教师课堂教学评价素养研究
24、JD公司内部控制体系优化研究
25、关于交流变频异步电力测功机系统的仿真研究
26、一种新型的非圆轴数控加工系统的研究与开发
27、DY制冷发生器热源模拟试验装置自动控制系统的研究
28、U型砌块成型机设计及其自动控制系统的研究
29、基于神经网络的工时定额技术研究
30、机电产品计算机辅助设计平台的研究及应用
31、电容式微机械静电伺服加速度计系统分析
32、玻璃微细加工工艺的研究与磁流体推进式微型泵样机的研制
33、射流助推式ROV型开沟机喷射臂及其冲刷过程研究
34、基于动态特性分析的机床主轴箱装配故障诊断研究
35、基于外驱动内置臂的航天服上肢寿命试验系统
36、管路支撑参数对液压管路系统振动特性影响研究
37、基于声发射技术的轮轴疲劳裂纹扩展规律研究
38、基于STM32的车辆智能安全行车控制系统
39、超声功率和键合压力对金丝热超声键合质量的影响研究
40、外骨骼机器人下肢增力机构设计和仿真研究
机械专业mba论文题目
1、CAD技术在机械工艺设计中的应用研究
2、Auto CAD二次开发及在机械工程中的应用
3、基于特征的机械设计CAD系统研究
4、CAD在机械工程设计中的应用分析
5、机械制造中机械CAD与机械制图结合应用研究
6、全纤维曲轴锻造液压机同步控制研究
7、电脑缝编机送经与断经检测系统研究
8、MEMS传感器三维引线键合系统研制
9、单作用双定子叶片马达的排量及排量比研究
10、基于流场分析的双喷嘴挡板电液伺服阀特性研究
11、齿轮型多泵多马达传动规律研究
12、液压泵的振动机理及评价研究
13、基于声发射的轴承滚动接触疲劳量化诊断技术研究
14、KDQ1300墙体砖压机液压控制系统的节能研究
15、保偏光通信中ATP系统及姿态获取技术研究
16、模具生产协同管理系统的设计与实现
17、机床进给系统的多源误差模型分析与研究
18、高性能电液伺服转台的控制问题及故障诊断研究
19、正交并联六自由度加载试验系统力控制及解耦研究
20、地方本科院校转型中的专业调整研究
21、典型粘弹性阻尼结构的振动特性分析与优化设计
22、杆状碳纤维零件缠绕成型技术研究
23、飞行模拟器运动平台洗出算法的优化研究
24、MKD-Delphi装备技术预测方法研究
25、中职学校第二课堂实践研究
26、气动软体机械手设计及实验研究
27、职教师资本科培养机械电子工程专业课程整合研究
28、中等职业学校教师课堂教学评价素养研究
29、JD公司内部控制体系优化研究
30、关于交流变频异步电力测功机系统的仿真研究
31、一种新型的非圆轴数控加工系统的研究与开发
32、DY制冷发生器热源模拟试验装置自动控制系统的研究
33、U型砌块成型机设计及其自动控制系统的研究
34、基于神经网络的工时定额技术研究
35、机电产品计算机辅助设计平台的研究及应用
36、 泵叶轮注射模具的设计
37、 基于的永磁直线电机的有限元分析及计算
38、 变频器控制原理图的设计
39、 宾馆客房管理系统
40、 并联式井下旋流分离装置的设计
41、 茶树修剪机的设计
42、 车备胎支架设计与制造
43、 车用柴油机总体及曲柄连杆机构的设计
44、 成绩管理系统
45、 齿轮套注塑模具及注塑模腔三维造型CAD CAM
46、 大豆螺杆挤压膨化试验装置总体设计
47、 带式输送机减速器的设计
48、 单立柱巷道堆垛机的设计
49、 冰箱洗衣机 修理 翻转架的设计
50、 电火花切割机床的设计
机电专业毕业论文题目
1、机电一体化与电子技术的发展研究
2、变频技术在锅炉机电一体化节能系统中应用
3、煤矿高效掘进技术现状与发展趋势研究
4、电气自动化在煤矿生产中的应用探讨
5、产品设计与腐蚀防护的程序与内容
6、机械制造中数控技术应用分析
7、智能制造中机电一体化技术的应用
8、水利水电工程的图形信息模型研究
9、矿山地面变电站智能化改造研究
10、浅析电气控制与PLC一体化教学体系的构建
11、中国机电产品出口面临的障碍及优化对策
12、我国真空包装机械未来的发展趋势
13、煤矿皮带运输变频器电气节能技术的分析
14、钢铁企业中机电一体化技术的应用和发展
15、我国机械设计制造及其自动化发展方向研究
16、机械设计制造及其自动化发展方向的研究
17、基于BIM技术的施工方案优化研究
18、电力自动化技术在电力工程中的应用
19、电气自动化技术在火力发电中的创新应用
20、农机机械设计优化方案探究
21、区域轨道交通档案信息化建设
22、环保过滤剂自动化包装系统设计
23、元动作装配单元的故障维修决策
24、关于机械设计制造及其自动化的设计原则与趋势分析
25、试析机电一体化中的接口问题
26、汽车安全技术的研究现状和展望
27、太阳能相变蓄热系统在温室加温中的应用
28、关于在机电领域自动控制技术应用的研究
29、浅析生物制药公司物流成本核算
30、锡矿高效采矿设备的故障排除与维护管理
31、铸钢用水玻璃型砂创新技术与装备
32、空客飞行模拟机引进关键环节与技术研究
33、汽车座椅保持架滚珠自动装配系统设计
34、液压挖掘机工作装置机液仿真研究
35、基于新常态视角下的辽宁高校毕业生就业工作对策研究
36、石油机电事故影响因素与技术管理要点略述
37、基于铝屏蔽的铁磁性构件缺陷脉冲涡流检测研究
38、数控加工中心的可靠性分析与增长研究
39、数控机床机械加工效率的改进方法研究
40、浅析熔铸设备与机电一体化
41、冶金电气自动化控制技术探析
42、中职机电专业理实一体化教学模式探究
43、高职机电一体化技术专业课程体系现状分析和改革策略
44、高速公路机电工程施工质量及控制策略研究
45、对现代汽车维修技术 措施 的若干研究
46、建筑工程机电一体化设备的安装技术及电动机调试技术分析
47、智能家居电话控制系统的设计
48、电力系统继电保护课程建设与改革
49、PLC技术在变电站电容器控制中的应用分析
50、机电一体化技术在地质勘探工程中的应用
机械类专业论文选题题目相关 文章 ：
★ 机械类毕业设计论文题目
★ 机械类学术论文题目
★ 机械开题报告范文精选5篇
★ 机械毕业课题论文
★ 机械毕业论文范文大全(2)
★ 大学毕业论文机械类范例(2)
★ 机械类毕业设计论文开题报告
★ 4000字机械类论文参考例文
★ 大学毕业论文机械类范例
不知道同学是要多少字的，我知道哈
具体什么内容
工厂自动化方面的论文在 轻风论文网 很多的哦，你可以参考下，如果还有不清楚的地方，可以咨询下他们的 在线辅导老师，我之前也是求助他们帮忙的，很快就给我了，当时还是 轻风论文的王老师帮忙的，态度不错，呵呵，相对于一些小机构和个人要靠谱的多.这里还有些 资料，你参考下.CAD/CAM与CMM系统集成方法的研究现代的工厂自动化—— 柔性自动促使检测技术 朝着高效和智能化的方向 发展。三坐标测量机作为一种现代检测设备，具有适应现代工厂自动化 的潜力，目前主要是提高其通用性和效率，使其对各种不同的工件 具有灵活的 应变性和高效的检测。传统的三坐标机检测技术是由 人工识别检测项目后，让三坐 标机自学习或根据设计图纸由人工输入测量程序 ，这样不但繁琐、效率低，而且工件 更换，又得重复劳动。目前各种计算 机辅助设计——CAD系统越来越完善，功能不断增强，设计者 使用起来越来越方便，而且CAD／CAH技术发展很快，在制 造业中成功地获得越来越广泛的应用，这就为CAD与三 坐标机的集成提供了条件和参照。基 于现代工业对检测技术新的要求和CAD／CAH技 术的发展，根据三坐标机本身的特点，我们 提供了设计——检测一体化的思路，同时也可用于工程反逆：测量得到的结果，可直接为设计提供数据。即实现CAD／CMM或CM M／CAD的集成，使三坐标机成为一个智能 化系统。在整个集 成过程中它们之间的通讯是很重要的部分，却也是 个瓶颈问题，阻碍着彼此优势互补。本文在 分析了各种CAD软件及其与外界接口的性能的基础 上，结合目前的 三坐标机检测标准，决定以目前国内流行的微机辅助设计系统AutoCAD、三维实 体造型软件UG、Solidage等为设计工具，其数据交换格式——IGES标准为中介，开发CAD与 CMM和CMM与CAD的接口系统，以 实现CAD与CMM自动测量系统的集成，实现CMM 与CAD的数据传 输。这样就使提高三坐标机 的测量效率和灵活适用性成为可能，可以说这 是三坐标检测技 术的一次全新的尝试。 本论文主要工作 是围绕CAD与三坐标测量机之间的数据通讯展开的。通 过读取IGES文件对实体进行分离、提 取、识别出对工件进行描述的原始信息。你参考下这篇文章，或许对你有所帮助哦~有什么不明白的上 轻风论文网看看吧.
小型三坐标测量机设计这个资料倒是不少，但多以纸质资料为主，一般图书馆、书店均有，但是你要是想找现成的论文不多见可以帮忙!!!!
1、在零件坐标系上编制的测量程序可以重复运行而不受零件摆放位置的影响，所以编制程序前首先要建立零件坐标系。而建立坐标系所使用的元素不一定是零件的基准元素。 2、在测量过程中要检测位置度误差，许多测量软件在计算位置度时直接使用坐标系为基准计算位置度误差，所以要直接使用零件的设计基准或加工基准等等建立零件坐标系。 3、为了进行数字化扫描或数字化点作为CAD/CAM软件的输入，需要以整体基准或实物基准建立坐标系。 4、当需要用CAD模型进行零件测量时，要按照CAD模型的要求建立零件坐标系，使零件的坐标系与CAD模型的坐标系一致，才能进行自动测量或编程测量。 5、需要进行精确的点测量时，根据情况建立零件坐标系（使测点的半径补偿更为准确）。 6、为了测量方便，和其它特殊需要。 建立零件坐标系是非常灵活的，在测量过程中我们可能根据具体情况和测量的需要多次建立和反复调用零件坐标系，而只有在评价零件的被测元素时要准确的识别和采用各种要求的基准进行计算和评价。对于不清楚或不确定的计算基准问题，一定要取得责任工艺员或工程师的认可和批准，方可给出检测结论。 至于使用哪种建立零件坐标系的方法，要根据零件的实际情况。一般大多数零件都可以采用3－2－1的方法建立零件坐标系。所谓3－2－1方法原本是用3点测平面取其法矢建立第一轴，用2点测线投影到平面建立第二轴（这样两个轴绝对垂直，而第三轴自动建立，三轴垂直保证符合直角坐标系的定义），用一点或点元素建立坐标系零点。现在已经发展为多种方式来建立坐标系，如：可以用轴线或线元素建立第一轴和其垂直的平面，用其它方式和方法建立第二轴等。 大家要注意的是：不一定非要3－2－1的固定步骤来建立坐标系，可以单步进行，也可以省略其中的步骤。比如：回转体的零件（圆柱形）就可以不用进行第二步，用圆柱轴线确定第一轴并定义圆心为零点就可以了。用点元素来设置坐标系零点，即平移坐标系，也就是建立新坐标系。 如何确定零件坐标系的建立是否正确，可以观察软件中的坐标值来判断。方法是：将软件显示坐标置于“零件坐标系”方式，用操纵杆控制测量机运动，使宝石球尽量接近零件坐标系零点，观察坐标显示，然后按照设想的方向运动测量机的某个轴，观察坐标值是否有相应的变化，如果偏离比较大或方向相反，那就要找出原因，重新建立坐标系。 用三个基准球完全可以把模具的基准坐标系保持下来。 1、用测量的三个基准球的球心构造平面，用其中两个球心构线，用其中一个球心为原点，可以建立一个零件坐标系。 2、在零件坐标系下测量基准元素，用各种方法可以得出基准元素与当前零件坐标系的关系（轴的夹角、原点的距离）。 3、得出两个坐标系的差别后，在建立三个基准球构造的坐标系后，通过旋转两个坐标轴的角度，平移原点一段距离，即可恢复到基准坐标系。
具体什么内容
小型三坐标测量机设计这个资料倒是不少，但多以纸质资料为主，一般图书馆、书店均有，但是你要是想找现成的论文不多见可以帮忙!!!!
开题和论文，都是完整原创.
曲面测量方法研究及测量仿真 摘要3-4 ABSTRACT 4-5 第一章 绪论 9-15 引言 9 曲面测量方法 9-11 国内外研究现状 11-13 已知CAD 模型的曲面测量研究现状 11 未知CAD 模型的曲面测量研究现状 11-12 测量仿真研究现状 12-13 课题背景及主要研究内容 13-15 选题背景 13-14 论文主要研究内容 14-15 第二章 CMM 测量曲面技术研究 15-27 引言 15 CMM 测量软件 15-16 曲面的CMM 测量方式 16-19 点位触发式 16-17 连续扫描式 17-18 编程方式 18-19 曲面测量路径规划 19-23 测量路径的设计原则 19-21 曲面测量路径规划策略 21-23 测头半径补偿 23-25 测量误差评定 25-26 点位测量下的测量误差评定 25-26 扫描测量下的测量误差评定 26 本章小结 26-27 第三章 CMM 测量曲面误差分析及减小方法 27-47 引言 27 机器误差对测量误差的影响 27-33 静态误差 27-30 动态误差 30 机器误差补偿 30-33 工件坐标系的建立对测量误差的影响 33-38 产生工件坐标系建立误差的原因 34 常用的工件坐标系建立方法 34-36 不同方法下的测量误差比较 36-37 减小工件坐标系建立误差的方法 37-38 测量规划对测量误差的影响 38-42 沿法矢量规划测量路径 39 通过数学模型求测点矢量 39-42 测头半径补偿对测量误差的影响 42-44 测头的选择 42-43 测头半径补偿误差 43-44 测量人员操作水平对测量误差的影响 44-46 手动测量误差 44 实现三坐标自动测量 44-46 本章小节 46-47 第四章 已知CAD 模型的曲面测量及仿真 47-71 引言 47 三平面法与最小二乘法建立工件坐标系 47-52 工件坐标系建立过程 47-49 叶片检测中工件坐标系的建立 49-52 测点自适应分布 52-57 测点数确定 52-54 曲率差值法实现测点自适应分布 54-56 直线夹角法实现测点自适应分布 56-57 沿矢量方向进行路径规划与半径补偿 57-59 沿矢量方向规划测量路径 58 沿矢量方向补偿测头半径 58-59 测量仿真 59-70 仿真方法研究 60 最小二乘法实现初始坐标系的变换 60-62 实现测点自适应分布 62-65 测量路径仿真检验 65-66 避障点设置 66-67 DMIS 程序生成 67-68 三坐标测量数据读取 68-69 测量误差评定 69-70 本章小结 70-71
1、论文检测的原则之安全原则 大部分高校的论文检测系统都是固定的，但对个人用户并不一定开放，假如一定要用与学校一致的查重系统将会被记录下来。通过不知名的网站进行查重，会有很大的风险，如果被不良商家上传到互联网上，那么后续的重复率绝对是百分之百。因此，论文查重的原则首先应考虑其安全性原则。 2、论文检测的原则之实用原则 有学生以为论文查重的原则是学校用的是什么论文查重工具，事先我们也用同样系统进行检测是没有问题的。事实上有部分查重软件只是单纯突出查重率，并没有详细的修改报告以及不清楚造成重复的地方是什么。因此建议大家前期可以使用paperfree查重系统，他有海量数据的对比库，高级算法把有问题的部分标得更精准，这样就知道怎么修改了。 3、论文检测的原则之修改原则 论文查重的原则是提供给学生们参考，哪些地方存在是可以的，容易被人误认为是剽窃。再按照查重结果或报告，我们能够替换一段话引起重复的语句或词汇量，即替换一个意思表示出来。
华为手环或者手表能测量血压。 华为手环是能够测量血压的，主要是通过三种方式： 第一种是采用光电传感器的PPG方法，使用的时候只需要佩戴的手腕上，就可以直接测量血压。 第二种是光电+心电法，PPG+ECG，需要将手指按压在表面的金属按钮才可以正常测量。 第三种是示波法，和电子血压计同一原理，通过小脉冲判断出血压值，不过成本比较高较少使用。
页论文检测的要求就是查重率不能高于百分之多少，这个对于每个学校都有一定的要求，每个学校都可能不太一样。看学校情况定。
所谓的查重其实很简单就是专业的系统将输入的论文通过与数据库中已有的论文进行比对，将其相同的或是意思相近的论点、结构、表述等一一的标注出来，最后生成一个查重率，一旦这个查重率超过学交的要求就被视为抄袭，要求重写或是修改，毕业将会受阻。
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）。
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。