关于论文答辩的流程
一、论文答辩的流程
(一)宣讲论文开场白
答辩硕士生用15-30分钟报告学位论文主要内容。建议答辩者根据事先准备的开场白演讲稿，借助多媒体或幻灯片，边演示边介绍，并尽可能脱稿演讲。
(二)高校专家提问
专家以学位论文的研究内容为基础并兼顾相关的知识进行提问;所提问题应具有考察性而非询问性，应难易程度适中、大小适度，先易后难、逐步深入，表述明确、具体、容易理解等。同时，专家对答辩硕士应适当启发、深入引导。
(三)回答专家问题
答辩硕士宣讲论文完毕后，要集中注意力记录专家提出的问题，以便做出完整的答复;并将幻灯片返回到“论文题目”页，以便专家准确提问。通常，经过短暂的准备后，答辩硕士用大约30分钟的时间对专家提问做出认真回答。
(四)专家同意表决
答辩完成后，答辩硕士生暂时离开会场，答辩委员会根据论文质量和答辩情况进行讨论，并对论文和答辩过程中的情况进行小结，肯定优点，指出错误或不足之处。答辩委员会的小结内容包括评述论文内容和论文结构、提出论文存在的问题、评价学位论文和论文答辩情况等。最后，答辩委员会以无记名投票表决的方式决定论文答辩是否通过。通常，至少要有2/3的答辩委员同意通过，才能确定硕士生通过论文答辩。此外，答辩委员会的投票结果要记录在案。
(五)宣布答辩结果
答辩开场白的硕士生重新进入答辩会场后，由答辩委员会主席宣读答辩委员会对论文答辩的《决议书》和投票表决结果。对不能通过答辩的硕士生，答辩委员会要提出论文修改意见，允许答辩者在1年内修改论文后另行答辩。
二、论文答辩的技巧
论文答辩并不等于是宣读论文，而是要抓住论文的要点进行概括性的、简明扼要的、生动的阐述，并对专家的提问做出全面、准确的回答。论文答辩是显示真才实学的好机会，硕士生应该掌握答辩技巧，善于表现自己。
(一)论文答辩前的准备
1.熟悉论文，写好提纲
硕士生必须对论文的全部内容了如指掌，特别是要对论文的主体部分和结论部分进行反复推敲、仔细审查。首先，要明确论文开场白的基本观点和主要论点的基本依据;弄懂弄通论文中所使用的.主要概念的确切含义，以及所运用的基本原理的主要内容。其次，要仔细查阅论文中有无自相矛盾、谬误、片面或模糊不清的地方，以及有无与党的政策方针相冲突之处等。如果发现有上述问题，要在答辩前做好充分准备，即进行适当的补充、修正、解说等。第三，在答辩提纲中首先要确定讲述的要点，然后围绕这个要点按照逻辑顺序列出以下内容:为什么要进行这项研究、研究是怎样进行的、通过研究发现了什么等。最后，根据答辩提纲分别从论文中提取需要简要论述的有关内容，重点突出所研究课题取得的进展和成果。
2.科学预测，处处设防
首先，要预先准备一份口语化的论文答辩讲稿，这可避免宣讲时因一时想不起合适的词语而出现过多的停顿。其次，论文答辩讲稿写完后，要进行多次的校核，以确保用语的准确。硕士生可先进行一次由导师和其他相关人员参加的预答辩。正式答辩前的预答辩非常重要，可以让答辩学生及时补充论文内容的不足、修正谬误等。而且，预答辩时，专家提出的问题很可能也是正式答辩时专家提出的问题。这可以使答辩学生对答辩问题有所准备。第三，要进一步熟悉论文答辩讲稿，以保证宣讲时可以做到脱稿，并有效地控制各部分内容的宣讲时间。
3.精选图表，强化效果
硕士生学位论文答辩通常要求将讲稿与多媒体幻灯片紧密结合在一起。因此，在准备答辩幻灯片时，幻灯片的内容要简洁，控制在25~30页;宣讲用的图表数量要少，要使用可视性强、趋势明显的图，且不同曲线最好用不同的颜色加以区别。由于学位论文使用的表格不一定适合宣讲时用，所以幻灯片中的表格项目应尽量简化，一般行不超过4项、列在10项以内为宜。此外，由于图比表更易理解，解释起来更节省时间，所以说明趋势、表示差距的表格可以改用图来表示[3-5]。
是同时进行的。学校本科论文答辩都需要准备做答辩PPT的。毕业论文答辩是一种有组织、有准备、有计划、有鉴定的比较正规的审查论文的重要形式。为了搞好毕业论文答辩，在举行答辩会前，校方、答辩委员会、答辩者（撰写毕业论文的作者）三方都要作好充分的准备。
可以的，我之前用过，paperyy上免费查重后有个检测报告，可以进行在线修改，点击进入就可以实时修改了。
可以的，在paperyy查重后，在查重报告页面有一个“在线改重”，点击进入就可以边改边查了。
这样是没有意义的，因为论文内容很多，只要重复率没超过标准就行。可以写写好初稿，然后查重，给老师审核一次，然后再根据导师要求修改。没有一次就能写好论文的，不要害怕重复，总得借鉴一些别人的思想观点。写多少去查重都可以，主动权在你手里，但是查一次需要付出代价，部分查重过了，整体查重不一定过，建议你还是整体查重，部分查重的机会用在整体查重上一样可以过，还减少了成本。一般有一到两次免费查重的机会，如果用完了之后就得付费查重，等你全部写好之后再去查重，可以看到哪些地方重复，在进行修改，边改边查的话不划算，而且查的效果也不好，因为细节可以改变整体，整体也会败在细节。
每个人都有同样的经历吗？也就是说，有时候很痛苦，不管你怎么费劲去修改，似乎论文的重复率并没有改变多少。那么，原因是什么呢，难道我们没有找到降重的技巧吗？那么如何通过查重呢？以下请与paperfree小编一起来了解一下。 论文如何通过查重呢？ 通常，我们一边写论文一边修改，论文的最终定稿非常困难，经过多次修改才能最终完成定稿，查重时也要多次检测。重复率要求普通大学低于30％，好的大学要求在20％以下。为了顺利通过论文查重，小编认为大家在写作过程中可以一边查重论文，一边在写作过程中修改论文的重复部分，在写作过程中可以适当将冲论文的重复部分，所以后面可能没有那么多需要降重的部分。 论文降重技巧有哪些？ 写论文时，摘录的文献可以用自己的语言概括，白话文可以改成成语，成语可以改成白话文，句子的构成也可以改变，可以有效地降低重复。然后，可以将重复的句子复制到翻译软件中进行翻译，多次翻译后可以替换句子的语言，也可以有效地降低重复率。大家借用别人的句子时，必须在理解原意的基础上，进行重新表达。
1、携带参加答辩会所需的资料和用品，主要是论文的底稿、主要的参考资料、笔记本和笔；2、树立自信心，尽量避免紧张慌乱；3、听清楚老师提出的问题后要经过思考再答出自己对问题的理解；4、回答问题，简明扼要，抓住重点，层次分明；5、对无法回答的问题，审慎地试着回答，切不可强词夺理；6、当论文中的主要观点与主答辩老师的观点相左时，可以与之展开辩论，但要注意分寸。
是的哦。指导老师审批通过了才可以参加答辩。
按学校来的，我们学校是可以带的。建议去问问考研的学长，学姐。他们会给出点建议，还有关于答辩时的一些小技巧，或者应该避讳的事情。现在是疫情期间，一般都是线上答辩，你应该明白。
可以。毕业生在论文答辩时一般可脱稿，也可半脱稿，也可完全不脱稿。
作为将要参加论文答辩用户，必须对所著的毕业论文内容有比较深刻理解和比较全面的熟悉。这是为回答毕业论文答辩委员会成员就有关毕业论文的深度及相关知识面，而可能提出的论文答辩问题所做的准备。
所谓深刻的理解是对毕业论文有横向的把握。例如题为《创建名牌产品发展民族产业》的论文，毕业论文答辩委员会可能会问民族品牌与名牌有何关系。尽管毕业论文中未必涉及民族品牌，但参加论文答辩的学生必须对毕业论文有比较全面的熟悉和比较深刻的理解。
扩展资料：
注意事项：
1、论文标题。向答辩小组报告论文的题目，标志着答辩的正式开始。
2、简要介绍课题背景，选择此课题的原因及课题现阶段的发展情况。
3、详细描述有关课题的具体内容，其中包括答辩人所持的观点看法，研究过程，实验数据，结果。
4、重点讲述答辩人在此课题中的研究模块，承担的具体工作，解决方案、研究结果。
5、侧重创新的部分。这部分要作为重中之重，这是答辩教师比较感兴趣的地方。
6、结论，价值和展望。对研究结果进行分析，得出结论，新成果的理论价值、实用价值和经济价值，展望本课题的发展前景。
参考资料来源：百度百科-毕业论文答辩
参考资料来源：百度百科-演讲稿
不可以。论文正文里除了文字还可以添加图片，但是不可以添加视频。论文最主要的还是通过文字去说明你要论述的内容，也就是文字为主，另外，为了辅助读者理解，可以添加图片和表格，但是不能添加视频，因为目前论文的纸质内容是不能通过视频显示的。
论文实物演示录视频5分钟。因为论文实物演示有很多学生，所以为了在规定的时间内让所有同学都可以演示，规定论文实物演示视频过程需要5分钟左右。论文答辩是非常考验毕业生心理素质的，所以高校毕业生在论文答辩时一定要注意，礼貌回答，抓住问题的要点，再进行回答，避免出现答非所问的情况，精简回答，语速适中回答。
博士论文答辩需要一直开视频。论文答辩是一种正规的论文审查形式，在毕业设计完成后进行，校方会提前准备答辩组织工作，包括选取可参与答辩的学生、组织答辩委员会、布置会场、协商通过标准等。
要的，我刚答辩玩，演示的时候会提问，比如实现某个功能的代码
关于虚拟现实的科技论文1500字篇二 医学虚拟现实技术研究 【摘要】医学虚拟现实技术(MedicalVirtual Reality Technology)，作为一门新兴学科目前正在逐步形成之中，它是集医学，生物力学，机械学，材料学，计算机图形学，计算机视觉，数学分析，机械力学机器人等多学科为一体的新型交叉研究领域。而医学虚拟现实技术是一种悄然进入医疗教育领域的全新技术策略，它势将为未来医疗技术的发展提供了更为广泛的前景。 【关键词】数据过滤;数据转换;虚拟视觉环境显示;立体影像 Abstract：Medical Virtual Reality Technology(Medical Virtual RealityTechnology)，as an emerging discipline is now being gradually isa new multi-disciplinary field of cross-over study with aspects in medicine，biomechanics，mechanics，materials science，computer graphics，computer vision，robotics，and mathematical medical virtual reality technology isprogressively becoming an essential part the medical is an importantfield that will lead to the discovery of new medical technology. Keywords：data filtering;data conversion;VIVED;stereo image 1.虚拟视觉环境显示(Virtual Visual Environment Display-VIVED) 由美国宇航局约翰逊宇航中心(JSC)等部门，使用虚拟现实技术为人们提供了一个别出心裁的医学教育策略。它集成了所有囊括人类颅骨和心脏的虚拟现实技术，为人们提供了与其他多媒体(音频、视频等)的交互能力[1]。 2.虚拟手术(Virtual Surgery) 作为医学虚拟现实技术领域正在发展起来的一个研究方向，其目的是利用各种医学影像数据，采用虚拟现实技术，在计算机中建立一个摸拟环境，医生借助虚拟环境中信息进行手术计划制定，手术演练，手术教学，手术技能训练，术中引导手术，术后康复等工作，虚拟手术充分体现虚拟现实作为计算机图形学在医学治疗过程的作用。 3.硬件 一台由Silicon Graphics公司生产的Reality Engine计算机，被用来打开计算轴向体层摄影术(CAT/CT)和磁共振成像切片，放入三维容积图像和可产生身体"飞行"观察效果的电影中。在具有16M内存的Macintosh IICX计算机上观看最终的3D图像。之所以先择Mac是因为它的性价比和音像都优于同类PC，另外它在北美各学校系统被广泛使用，可以说它是桌面多媒体的领跑者，并且有各种各样的软件和硬件支持它。而VR电影可以存储在硬盘上，或转移到CD上，并通过红蓝眼镜观看。它也可以使用虚拟现实头戴式显示器(HMD)或双目全方位显示器(臂架系统)查看。最终图像可以存储在CD-ROM或激光视盘上。 4.软件 文件转换和数据准备 加尔维斯顿提供的厚度为的人类头骨CAT/CT切片和心脏的MRI的切片被用于创建3D图像。在对头骨的CT扫描过程中要经过一个泡沫带，因此会有一些无用数据被生成。颅骨扫描的结果是生成一个数据集，其中有超过120片通过颅骨，60片通过下颌骨(下巴)，而心脏的MRI扫描可导出200片的数据集。将医学分会创建的数据文件，送至IGOAL公司(集成显卡，操作和分析实验室)。在那里进行扫描和筛选，去除无关数据，且尽可能不丢失任何重要信息。IGOAL公司开发出一种名为“Ctimager”的工具，用于阈值计算，从而把切片中不需要的噪声和无关数据去掉。 数据过滤和体数据转换为多边形数据 使用被IGOAL称为“dispfly”的开发工具，在稍后可将转换大量的数据直接由计算机显示出来。此工具用于多个过滤算法准备CT和磁共振成像数据转换为多边形的窗体。解剖模型是基于移动的多维数据集算法生成的。滤波处理通常包括阈值化的数据，以消除大部分噪声的。一个低通滤波器被用于最小化，将产生一个不规则的表面凹凸不平，当输入到算法中的高频噪声。这个过程产生相对平滑的表面，其近似扫描样品，并减少产生的噪声的多边形数量。一个独特的过滤器对心脏数据仅平滑扫描之间的数据创建，是不需要其他的过滤[2]。由于心脏和颅骨有大量的数据集切片，几种模式被建立，其中每一个代表一个少量切片。一个网格算法，“meshit”，后来发展到提高显示性能。这种算法转换成高效条状的三角形的原始集合。平均超过100三角形组成每个三角形条带。。 产生立体图像 建成模型后，立体声序列被渲染。IGOAL公司开发了一种名为OOM(面向对象操纵器)工具，用来把经过渲染的每一帧存储到磁盘上，这些图像用红色和蓝色的色彩分离为代表的立体图像。一旦这些序列被记录到磁盘上，数据的格式就被转换成格式，全彩色图像序列的按非立体观看转移到Mac上。 立体影像及多媒体 对Mac图像进行编辑，以产生所希望的效果，如数字化的尸体覆盖或插入文本描述什么正在被观看。使用Apple的QuickTime扩展，图像被转换为QuickTime电影动画在Mac上。 5.结论 CT扫描头骨的医疗图像，由Macintosh计算机通过处理头盔显示器或臂式系统的信息，最终生成高质量VR图像。目前科学家正试图用磁共振的成像数据生成了一个心脏VR模型。 初步结果显示，可以使用这种类型的成像数据开发出高分辨率模型。而为了保持高质量VR成像目标，大量的数据是用帧序列来描述的，由此会产生一些问题。为了缓解这个问题，科学家们正在探讨替代的硬件和软件解决方案。 另一个问题是该技术针对HMD的显示系统。为保持一个高品质的虚拟现实体验，液晶显示器对分辨率没有要求。在CRT显示器在多种教育平台上都可以满足分辨率的要求，但是成本过高。外科手术模拟可能成为例程，尤其是在制定综复杂和罕见的手术方案时。 6.在VIVED的应用和研究现状 当前的研究，强调创建一个高分辨率的人体虚拟现实模拟器用于教育目的的重要性。而应用这项技术必须充分理解其复杂的三维关系，如在下面的领域：解剖学教育，各类机械设备，生化，病理学研究，外科医生，模拟整形外科和利用内窥镜培训外科医生等。 7.其他应用程序 随着医学虚拟现实技术的发展，新的教育解决方案和策略如雨后春笋般不断出台。如北卡罗莱纳大学教堂山分校利用超声波，MRI和X射线创建的动态影像放射治疗的“预测”模型。达特茅斯医学院创造出人脸和下肢的数学模型，用于研究外科手术的效果评估。绿叶医疗系统在帕洛阿尔托开发出“EVAL”和“手套健谈”系统，作为实现“评估和演示”系统。使用传感器做衬里的数据手套和数据西装获取更大的使用范围，对运动损伤和残疾病人进行行之有效的损伤程度度量。“手套健谈”是帮助病人康复的数据手套的手语装置，让人无需发声(中风或脑性麻痹患者)，仅使用计算机能够理解的手势。而使用头盔显示器使得需要康复的病人可以重新学习，如开关门，行走，点或转身的行为[3]。 8.结语 将CT扫描的头骨医学图像在Macintosh电脑上使用一个头盔显示器或臂架系统便可生成高质量的VR图像。目前科学家们正在开发根据磁共振成像数据生成心脏的VR模型。初步的研究结果表明，高分辨率模型可以使用这种方法的成像数据技术来实现。要想维持高质量虚拟现实的目标成像，必须适当调整“飞穿”的帧序列的数据量。而其它文明拟定的硬件和软件解决方案也正是为了探索缓解这一问题。再有就是该技术是针对HMD的显示系统技术。因为在各种医学教育平台中，LCD显示屏不涉及维持高质量的虚拟现实问题，而要实现高分辨率CRT显示器的成本又太高。 参考文献 [1]"NASA TECHNOLOGY TRANSFER Commercial Applications of Aerospace Technology"，National Aeronautics and Space Administration，Technology Applications. [2]Porter，Stephen，"Virtual Reality"，Computer Graphics World，(March，1992)，42-54. [3]Sprague，Laurie A.，Bell，Brad，Sullivan，Tim，and Voss，Mark，"Virtural Reality In Medical Education and Assessment"，Technology 2003，December 1993. 通讯作者：娄岩。 看了“关于虚拟现实的科技论文1500字”的人还看： 1. 大学科技论文2000字 2. vr技术论文2000字 3. vr虚拟现实技术论文 4. 计算机仿真技术论文范文 5. 虚拟与现实作文800字
最近，端到端场景文本识别已成为一个流行的研究主题，因为它具有全局优化的优点和在实际应用中的高可维护性。大多数方法试图开发各种感兴趣的区域（RoI）操作，以将检测部分和序列识别部分连接到两阶段的文本识别框架中。然而，在这样的框架中， 识别部分对检测到的结果高度敏感（例如，文本轮廓的紧凑性）。 为了解决这个问题，在本文中，我们提出了一种新颖的“Mask Attention Guided One-stage”文本识别框架，称为MANGO，在该框架中无需RoI操作就可以直接识别字符序列。具体而言:
值得注意的是，MANGO自有地适应于任意形状的文本识别，并且仅使用粗略的位置信息（例如矩形边界框）和文本注释就可以进行端到端的训练。实验结果表明，该方法在规则和不规则文本识别基准（即ICDAR 2013，ICDAR 2015，Total-Text和SCUT-CTW1500）上均达到了有竞争力甚至最新性能。
场景文本识别由于其各种实际应用而备受关注，例如发票/收据理解中的关键实体识别，电子商务系统中的产品名称识别以及智能运输系统中的车牌识别。传统的场景文字识别系统通常分三步进行：定位文字区域，从原始图像中裁剪文字区域并将其识别为字符序列。然而尽管这种文本识别模型带来了许多可考虑的问题，例如： （1）错误将在多个单独的任务之间累 （2）维护多个单独的模型的成本很高 （3）该模型难以适应各种应用程序。
因此，提出了许多工作以端到端的方式来最终优化文本识别过程。这些方法通常使用各种兴趣区域（RoI）操作以可微分的方式桥接文本检测和识别部分，从而形成了两阶段框架。粗略地说，早期的端到端方法将轴对齐的矩形RoI用作连接模块。这些方法处理不规则的（例如，透视图或弯曲的）文本实例能力有限，因为这种类型的RoI可能会带来背景或其他文本的干扰。为了解决这个问题，后来的方法（设计了一些形状自适应RoI机制来提取不规则物体。文本实例并将其校正为规则形状。
图1：传统的两阶段文本识别过程和提出的MANGO的图示。 图（a）显示了通过RoI操作连接检测和识别部分的两阶段文本识别策略。 图（b）是一种提出的单阶段文本识别方法，它可以直接输出最终的字符序列。
在两阶段方法中，识别部分高度依赖于定位结果，这就要求检测部分必须能够捕获准确的文本边界以消除背景干扰。因此，训练鲁棒的文本检测模型依赖于准确的检测注释，例如在不规则文本识别中使用的多边形或蒙版注释。自然地，标记这种注释是费力且昂贵的。另一方面，要确保紧紧封闭的文本区域（由检测注释进行监督）对于以下识别任务而言是最佳形式，这并不容易。例如，在图1（a）中，紧密的文本边界可能会擦除字符的边缘纹理并导致错误的结果。 通常，需要手动扩展这些严格的检测结果，以适应实际应用中的识别。 此外，在proposals之后执行带有非极大抑制（NMS）的复杂RoI操作也很耗时，尤其是对于任意形状的区域。尽管（Xing et ）提出了一种单阶段采用字符分割策略的字符级别的识别框架， 但很难扩展到具有更多字符类别（例如汉字）的情况。 它还会丢失角色之间的关键上下文信息。
实际上，当人们阅读时，他们不需要描绘文本实例的准确轮廓。通过视觉注意力关注的粗略文本位置来识别文本实例就足够了。在这里，我们将场景文本识别重新考虑为注意力和阅读的问题，即，一次直接读出粗略注意的文本区域的文本内容。
在本文中，我们提出了一种名为MANGO的“Mask Attention Guided One stage”文本监视程序，称为MANGO，这是一种紧凑而强大的单阶段框架，可直接从图像中同时预测所有文本，而无需进行任何RoI操作。具体来说，我们引入了一个位置感知蒙版注意力（PMA）模块以在文本区域上生成空间注意力，该模块包含实例级蒙版注意力（IMA）部分和字符级蒙版注意力（CMA）部分。 IMA和CMA分别负责感知图像中文本和字符的位置。可以通过位置感知注意力谱直接提取文本实例的特征，而不必进行显式的裁剪操作，这尽可能保留了全局空间信息。 在这里，使用动态卷积将不同文本实例的特征映射到不同的特征谱通道（Wang等人，2020c），如图1（b）所示。之后，应用轻量级序列解码器一次批量生成字符序列特征。
请注意，MANGO可以仅使用粗略的位置信息（例如，矩形边界框，甚至是文本实例的中心点）进行端到端优化，还可以使用序列注释。 受益于PMA，该框架可以自适应地识别各种不规则文本，而无需任何纠正机制，并且还能够了解任意形状的文本的阅读顺序。
本文的主要贡献如下： （1）我们提出了一种名为MANGO的紧凑而强大的一阶段文本识别框架, 该框架可以以端到端的方式进行训练。 （2）我们开发了位置感知蒙版注意力模块，以将文本实例特征生成为一个batch，并与最终字符序列建立一对一的映射。 只能使用粗略的文本位置信息和文本注释来训练该模块。 （3）广泛的实验表明，我们的方法在规则和不规则文本基准上均获得了有竞争甚至最新的性能。
早期场景文本发现方法（Liao，Shi，and Bai 2018; Liao et ; Wang et ）通常首先使用训练有素的检测器来定位每个文本，例如（Liao et ; Zhou et ; He et ; Ma et ; Xu et ; Baek et ），然后使用序列解码器识别裁剪后的文本区域（Shi et ; Shi，Bai和Yao 2017; Cheng et ; Zhan and Lu 2019; Luo，Jin and Sun 2019）。为了充分利用文本检测和文本识别之间的互补性，已经提出了一些工作以端到端的方式优化场景文本发现框架，其中使用了模块连接器（例如RoI Pooling（Ren等人，2015a））在（Li，Wang，and Shen 2017; Wang，Li，and Shen 2019）中，（He等人2018）中使用的RoI-Align和（Liu等人2018）中使用的RoI-Rotate的开发是为了文本检测和文本识别部分。请注意，这些方法无法发现任意形状的文本。 为了解决不规则问题，已经提出了许多最近的工作来设计各种自适应RoI操作以发现任意形状的文本。 Sun等人（2018年）采用了透视图RoI转换模块来纠正透视图文本，但是该策略仍然难以处理弯曲度较大的文本。 （Liao et ）提出了受两阶段Mask-RCNN启发的mask textspotter，用于逐个字符地检测任意形状的文本，但是这种方法会丢失字符的上下文信息，并且需要字符级位置注释。 Qin等人（2019）直接采用Mask-RCNN和基于注意力的文本识别器，该模型使用RoI-Masking模块在识别之前消除了背景干扰。 （Feng et ）将文本实例视为一组特征块，并采用RoI-Slide操作来重建直线特征图。 （Qiao et al。2020）和（Wang et al。2020a）都检测到文本周围的关键点，并应用薄板样条变换（Bookstein 1989）纠正不规则实例。为了获得弯曲文本的平滑特征（Liu et ），使用Bezier曲线表示文本实例的上下边界，并提出了Bezier-Align操作以获取校正后的特征图。 上述方法在两阶段框架中实现了端到端场景文本点，其中需要设计基于RoI的连接器（例如RoI-Align，RoI-Slide和Bezier-Align等），以实现以下目的：明确裁剪特征图。 在两阶段框架中，性能很大程度上取决于RoI操作获得的文本边界精度。但是，这些复杂的多边形注释通常很昂贵，并且并不总是适合识别部分，如前所述。
在一般的对象定位领域，许多最新进展证明了在对象检测中研究的一阶段框架的效率和有效性（Redmon等人2016; Liu等人2016; Lin等人2017b; Tian等人2019;段等人（2019）或实例分割（Wang等人2019b; Tian，Shen和Chen 2020; Wang等人2020c; Xie等人2020; Chen等人2020）。但是，场景文本发现是一项更具挑战性的任务，因为它涉及序列识别问题而不是单个对象分类。这是因为场景文本具有许多特殊特征：任意形状（例如，曲线，倾斜或透视图等），数百万个字符组合，甚至是不受限制的阅读顺序（例如，从右到左）。最近，（Xing et ）提出了一种通过直接分割单个字符的一种舞台场景文本识别方法。但是，它丢失了各个字符之间的序列上下文信息，并且很难传递给更多的字符类。据我们所知，以前没有工作可以在一个阶段的框架中处理序列级别的场景文本发现任务。
图2：MANGO的工作流程。 我们以S ＝ 6为例。 将输入特征输入到位置感知蒙版注意力模块中，以将实例/字符的不同特征映射到不同通道。 识别器最终一次全部输出字符序列。 Centerline Segmentation分支用于生成所有文本实例的粗略位置。 前缀“ R-”和“ C-”分别表示网格的行和列。
我们提出了一个名为MANGO的单阶段场景文本查找器，如图2所示。其深层特征是通过ResNet-50（He等人，2016）和特征金字塔网络（FPN）（Lin等人，2017a）的主干提取的。 然后将生成的特征图馈送到三个可学习的模块中： （1）用于学习单个文本实例的位置感知蒙版注意力（PMA）模块，其中包括实例级蒙版注意力（ IMA）子模块和字符级掩码注意力（CMA）子模块。 （2）识别器用于将注意力实例特征解码为字符序列。 （3）全局文本中心线分割模块，用于在推理阶段提供粗略的文本位置信息。
单阶段的文本识别问题可以视为原始图像中的纯文本识别任务。关键步骤是在文本实例到最终字符序列之间以固定顺序建立直接的一对一映射。在这里，我们开发了位置感知注意力（PMA）模块，以便为接下来的序列解码模块一次捕获所有表示文本的特征。受（Wang等人2019b）中使用的网格映射策略的启发，我们发现可以将不同的实例映射到不同的特定通道中，并实现实例到特征的映射。也就是说，我们首先将输入图像划分为S×S的网格。然后，通过提出的PMA模块将网格周围的信息映射到特征图的特定通道中。
具体来说，我们将特征提取后获得的特征图表示为x∈R C×H×W ，其中C，H和W分别表示为特征图的通道数量，宽度和高度。然后我们将特征图x送入PMA（包括IMA和CMA模块）模块，以生成文本实例的特征表示（如下所述）。
Instance-level Mask Attention MA负责生成实例级注意力蒙版遮罩，并将不同实例的特征分配给不同的特征图通道。 它是通过在切片网格上操作一组动态卷积内核（Wang等人2020c）来实现的，表示为G S×S×C 。卷积核大小设置为1×1。
因此可以通过将这些卷积核应用于原始特征图来生成实例级注意力掩码：
Character-level Mask Attention 正如许多工作 （Chenget等人2017; Xing等人2019）所表明的那样， 字符级位置信息可以帮助提高识别性能。 这激励我们设计全局字符级注意力子模块， 以为后续的识别任务提供细粒度的特征。
如图2所示，CMA首先将原始特征图x和实例级注意力蒙版x ins 连接在一起，然后是两个卷积层（卷积核大小= 3×3）遵循下式来预测字符级注意力蒙版：
由于将不同文本实例的注意蒙版分配给不同的特征通道，因此我们可以将文本实例打包为一批。 一个简单的想法是进行（Wang等人2020b）中使用的注意力融合操作，以生成批处理的连续特征x seq ，即
该模型现在能够分别输出S 2 网格的所有预测序列。 但是，如果图像中有两个以上的文本实例，我们仍然需要指出哪个网格对应于那些识别结果。
由于我们的方法不依赖准确的边界信息，因此我们可以应用任何文本检测策略（例如RPN（Ren等人2015b）和YOLO（Redmon等人。 2016）），以获取文本实例的粗略的几何信息。 考虑到场景文本可能是任意形状的，我们遵循大多数基于分割的文本检测方法（Long等人2018; Wang等人2019a）来学习单个文本实例的全局文本中心线区域分割（或缩小ground truth）。
IMA和CMA模块都用于使网络聚焦于特定的实例和字符位置，这在理论上只能通过最后的识别部分来学习。 但是，在复杂的场景文本场景中，如果没有位置信息的辅助，网络可能难以收敛。 但是，我们发现，如果模型已经在合成数据集上进行了预先的字符级监督，则可以轻松转移模型。 因此，可以分两步对模型进行优化。
首先，我们可以将IMA和CMA的学习视为纯分割任务。 结合中心线区域分割，所有分割任务都使用二进制Dice系数损失进行训练（Milletari，Navab和Ahmadi 2016），而识别任务仅使用交叉熵损失。 全局优化可以写成
请注意，预训练步骤实际上是一次性的任务，然后将主要学习CMA和IMA以适应该识别任务。 与以前需要平衡检测和识别权重的方法相比，MANGO的端到端结果主要由最终识别任务监督。
在推断阶段，网络输出一批（S×S）概率矩阵（L×M）。 根据中心线分割任务的预测，我们可以确定哪些网格应视为有效。 我们首先进行“广度优先搜索”（BFS），以找到各个相连的区域。 在此过程中，可以过滤许多类似文本的纹理。 由于每个连接区域可能与多个网格相交，因此我们采用字符加权投票策略来生成最终的字符串，如图3所示。
具体来说，我们计算连接区域i与网格j之间的连接率o i,j 作为每个字符的权重。 对于实例i的第k个字符，其字符加权投票结果通过
我们列出了本文使用的数据集如下：训练数据。我们使用SynthText 800k（Gupta，Vedaldi和Zisserman 2016）作为预训练数据集。利用实例级注释和字符级注释对PMA模块进行预训练。在微调阶段，我们旨在获得一个支持常规和非常规场景文本读取的通用文本点。在这里，我们构建了一个用于微调的通用数据集，其中包括来自Curved SynthText的150k图像（Liu等人2020），从COCO-Text过滤的13k图像（Veitet等人2016），从ICDAR-MLT过滤的7k图像（Nayefet等人2019）以及ICDAR2013（Karatzas等人2013），ICDAR2015（Karatzas等人2015）和Total-Text（Ch'ng and Chan 2017）中的所有训练图像。请注意，这里我们仅使用实例级别的注释来训练网络。测试数据集。我们在两个标准文本点标基准ICDAR2013（Karatzas等人2013）（IC13）和ICDAR2015（Karatzas等人2015）（IC15）中评估了我们的方法，其中主要包含水平和透视文本，以及两个不规则的基准Total-Text（Ch'ng和Chan 2017）和SCUT-CTW1500（Liu等人2019）（CTW1500），其中包含许多弯曲文本。车牌识别数据集CCPD中我们方法的能力（Xuet ）。
所有实验均在Pytorch中使用8×32 GB-Tesla-V100 GPU进行。网络详细信息。特征提取器使用ResNet-50（He等人2016）和FPN（Lin等人2017a）从不同的特征图中获取融合特征水平。这里，C = 256的（4×）特征图用于执行后续的训练和测试任务.Lis设置为25以覆盖大多数场景文本单词。 BiLSTM模块有256个隐藏单元，训练详细信息，所有模型均由SGDoptimizer进行训练，批处理大小= 2，动量= 和重量衰减= 1×10−4。在预训练阶段，以10个周期的初始学习比率1×10-2训练网络。每3个周期将学习率除以10.在微调阶段，初始学习率设置为1×10-3。为了平衡每批中的合成图像和真实图像的数量，我们将Curved SynthText数据集与其他真实数据集的采样比率保持为1：1。微调过程持续250k次迭代，其中学习率在120k迭代和200k迭代时除以10.我们还对所有训练过程进行数据扩充，包括1）将输入图像的较长边随机缩放为长度在[720,1800]范围内，2）将图像随机旋转[-15°，15°]范围内的角度，以及3）对输入图像应用随机的亮度，抖动和对比度。在不同的数据集中，我们将IC15的评估值设置为S = 60，将IC13，Total-Text和CTW1500的评估值设置为S = 40。我们将所有权重参数简单地设置为λ1=λ2=λ3=λ= 1。测试细节。由于输入图像的尺寸是重要的重要影响性能，因此我们将报告不同输入比例下的性能，即保持原始比例和将图像的较长边调整为固定值。所有图像都在单一尺度上进行测试。由于当前的实现方式仅提供了粗略的定位，因此，我们通过考虑IoU> 的所有检测结果，修改（Wang，Babenko和Belongie 2011）的端到端评估指标。在这种情况下，由于某些低等级的建议匹配而导致精度下降，先前方法的性能甚至会下降。
常规文本的评估我们首先根据常规评估指标（Karatzas等，2015）对IC13和IC15的方法进行评估，然后基于三种不同的lexi-cons（强）对两个评估项目（ 端到端''和 单词斑点''）进行评估，弱和通用）。表1显示了评估结果。与使用常规词典评估的先前方法相比，我们的方法在“通用”项目上获得了最佳结果（除了IC15的端到端通用结果之外），并在其余评估项目上获得了竞争结果（强”和“弱”）。与最近使用特定词典的最新MaskMaskTextSpotter（Liao et ）相比，我们的方法在所有评估项目上均明显优于该方法。尽管推理速度很高，但FOTS的FPS最高（帧数第二），它无法处理不正常的情况。与基于不规则的方法相比，我们的方法获得了最高的FPS。不规则文本的评估我们在Total-Text上测试了我们的方法，如表2所示。我们发现我们的方法比最先进的方法高出％和 “无”和“满”指标中的百分比。请注意，即使没有明确的纠正机制，我们的模型也只能在识别监督的驱动下才能很好地处理不规则文本。尽管在1280的测试规模下，推理速度约为ABCNet的1/2，但我们的方法取得了显着的性能提升。我们还在CTW1500上评估了我们的方法。报告端到端结果的作品很少，因为它主要包含行级文本注释。为了适应这种情况，我们在CTW1500的训练集上对检测分支进行了重新训练，以学习线级中心线分割，并确定主干和其他分支的权重。请注意，识别不会受到影响，仍然会输出单词级序列。最终结果将根据推断的连接区域简单地从左到右连接起来。汉字设置为NOT CARE。结果如表3所示。我们发现，在“无”和“满”度量标准下，我们的方法明显比以前的提升了％和％。因此，我们相信，如果只有行级注解的数据足够多，我们的模型就可以很好地适应这种情况。
图4可视化了IC15和Total-Text上的端到端文本发现结果。 我们详细显示了字符投票之前每个正网格（oi，j> ）的预测结果。 我们看到我们的模型可以正确地专注于相应的位置并学习任意形状（例如弯曲或垂直）文本实例的字符序列的复杂读取顺序。 采取字符投票策略后，将生成具有最高置信度的单词。我们还用可视化的CMA演示了CTW1500的一些结果，如图5所示。请注意，我们仅根据数据集的位置微调线级分割部分 标签，同时固定其余部分。在这里，我们通过将所有网格的注意图覆盖在相同的字符位置（k）上来可视化CMA的特征图：
网格编号的消除网格编号S2是影响最终结果的关键参数。如果太小，则占据相同网格的文本太多。否则，太大的S会导致更多的计算成本。在这里，我们进行实验以找到不同数据集的S的可行值。从表4中，我们发现IC13和TotalText的bestS均为40。 IC15的值为60。这是因为IC15包含更多密集和较小的实例。总而言之，当S> = 40时，总体性能随沙的增加而稳定。当然，FPS随S的增加而略有下降。信息。为了证明这一点，我们还进行了实验，以矩形边框的形式转移所有本地化注释。我们仅采用RPN头作为检测分支。表5显示了IC15和Total-Text的结果。即使进行严格的位置监控，MANGO的性能也只能降低0％到3％，并且可以与最新技术相比。请注意，粗略位置仅用于网格选择，因此可以根据特定任务的要求尽可能简化它。
为了证明模型的泛化能力，我们进行了实验以评估CCPD公共数据集上的端到端车牌识别结果（Xu et ）。为了公平起见，我们遵循相同的实验设置，并使用带有250k图像的数据集的初始版本。 CCPD-Base数据集分为两个相等的部分：用于训练的100k样本和用于测试的100k样本。有6个复杂的测试集（包括DB，FN，旋转，倾斜，天气和挑战）用于评估算法的鲁棒性，总共有50k张图像。由于CCPD中的每个图像仅包含一个板，因此可以通过删除来进一步简化我们的模型检测分支直接预测最终字符序列。因此，网格数减少为S = 1，最大序列长度设置为L =8。我们直接对模型进行微调（已通过SynthText进行了预训练）在CCPD训练集上仅使用序列级注释，然后评估上述七个测试数据集的最终识别准确性。测试阶段是对尺寸为720×1160的原始图像执行的。 表6显示了端到端识别结果。尽管所提出的方法不是为车牌识别任务设计的，但仍然可以轻松地转移到这种情况下。我们看到，提出的模型在7个测试集中的5个中优于以前的方法，并达到了最高的平均精度。图6显示了CCPD测试集的一些可视化结果。故障样本主要来自图像太模糊而无法识别的情况。该实验表明，在许多情况下，只有一个文本实例（例如，工业印刷识别或仪表拨盘识别），可以使用良好的端到端模型无需检测注释即可获得。
在本文中，我们提出了一种名为MANGO的新颖的单阶段场景文本查找器。 该模型删除了RoI操作，并设计了位置感知注意模块来粗略定位文本序列。 之后，应用轻量级序列解码器以将所有最终字符序列成批获取。 实验表明，我们的方法可以在流行基准上获得具有竞争力的，甚至最先进的结果。