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。
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。
归纳科技论文的文摘撰写方法主要包括：目的、方法、结果、结论。
1、目的：研究、研制、调查等的前提、目的和任务，所涉及的主题范围。
2、方法：所用的原理、理论、条件、对象、材料、工艺、结构、手段、装备、程序
等。
3、结果：实验的、研究的结果，数据，被确定的关系，观察结果，得到的效果，性
能等。
4、结论：结果的分析、研究、比较、评价、应用，提出的问题，今后的课题，假
设，启发，建议，预测等。
5、其他：不属于研究、研制、调查的主要目的，但就其见识和情报价值而言，也是
重要的信息。
在个人成长的多个环节中，大家或多或少都会接触过论文吧，论文是一种综合性的文体，通过论文可直接看出一个人的综合能力和专业基础。那要怎么写好论文呢？下面是我精心整理的论文总结归纳法，欢迎阅读，希望大家能够喜欢。
1.毕业论文材料的收集整理方法与技巧
广泛地搜集、阅读
论文提出的问题要集中，材料的收集却要尽可能地广泛。
一般说来，至少要做好以下三方面的知识、材料准备。
1)能够反映研究对象本身各种具体特征的专题材料
充分熟悉对象，是正确认识对象的必不可少的前提。
除了直接了解对象本身的各种具体特征(通过有关作家的全部作品，有关问题的各种知识……)，还要把握一切能够影响研究对象的生成和发展变化的社会、历史条件或精神、物质因素。
只有尽可能全面地掌握这些材料。
进行研究时才能充分体现马克思主义的“活的灵魂”———对于具体情况作具体分析。
2)作为明确方向和思想指导的理论准备
所谓科学研究，就是通过正确、严密的分析、概括和抽象工作，从具体的事物和现象中找出本质性和规律性的东西来。
这项工作，本身就要有正确的理论(专业理论和作为世界观和方法论起作用的哲学思想)所指导。
科学实践和发展的历史还告诉我们，进行一项研究工作，不仅需求充分的专业理论、知识，最好还能力求广泛通晓其它有关学科的理论和知识。
通过不同学科的理论和方法的相互渗透，相互启发(例如，用系统的方法分析艺术形象的美学特征和社会功能;把模糊数学的方法引入修辞学研究中去)，往往可以更好地带来新的发现;新的突破。
3)别人对于这一问题已经发表过的意见
这方面的材料要尽量搜集。
别人已经解决的问题，自然不必再花力气去作重复劳动;充分吸收别人已有的经验，或是了解别人所遇疑难的焦点所在，对不同观点仔细进行比较研究，既可以少走弯路，也便于发现问题，就象兵法上所说的那样，只有“知己知彼”，才能“百战不殆”。
认真地整理、辨析
要使材料发挥作用，还需运用科学的观点和方法，下一番辨析、整理的工夫，去粗取精，去伪存真，使材料系统化，条理化，真能有助于分析、解决问题。
整理材料的形式大致有以下几种：
1)制成文献、资料的目录索引。
可以利用有关的现成材料(图书馆、资料室的目录卡片和报刊索引等)，根据自己的选题加以编写。
2)剪报、札记、文摘卡。
这一类资料的搜集整理工作，必须力求眉目清楚。
一要详细注明每则资料的作者、篇名、出处、发表日期，二要有细致合理的分类。
3)大事记、年谱或著译年表。
通过这一类材料的编写，可以加强对于研究对象的总体印象，有助于在胸有全局的`基础上深化对于某一专题、某一侧面的研究。
2毕业论文内容写作的方法与技巧
论文的结构
论文的结构，并没有一成不变的模式，从一般的情况来看，大体上可以分作“引言”“正文”和“结论”三个部分。
引言的作用，主要是说明选题的原因，概述前人已有的成果和尚存的疑难、争执，提出本文所要探讨、解决的问题;正文是分析、论证的过程;结论则是整个研究成果的总结性的表述。
有的文章在引言之前，还有小标题目录和全文的内容摘要。
提纲的作用
论题拟定，材料大致齐备，动手写作论文之前，应仔细拟出论文提纲。
提纲也有个反复修改补充的过程。
这步工作做好了，论文已大致成竹在胸。
一个成熟的提纲，有助于树立全局观念，从整体出发，去考察每一个局部，并考虑个部分之间应有的逻辑联系。
各部分所占的篇幅应与其在全局中的地位和作用相称，避免不必要的重复。
既要重点突出，又要照顾全面。
要有正确而多样的研究、分析方法
初学学术论文写作的人，往往容易犯归纳多而分析少的毛病。
要么是就事论事的材料罗列，要么是轻易而简单化地得出结论，不善于通过有层次、有根据的分析、论证，充分显示其思想观点的说服力和深刻性。
这里就需要注意研究方法或分析方法的改进、提高。
一般说来，有以下几种：
1)哲学的方法
这是指如何根据唯物主义辨证法对于哲学基本范畴(现象和本质，存在和运动，原因和结果……)的理解，正确解决具体研究工作中的本体论和一般方法论的问题(比如，从认识对象的现象到认识对象的本质)。
2)历史的方法
这是强调尊重对象本身的历史具体性的方法。
它要求研究工作者必须充分熟悉客观对象历史发展的实际进程，占有大量资料，从中寻找出客观对象的特点及其发展规律性。
3)逻辑的方法
这是要求我们必须正确运用形式逻辑和辨证逻辑所揭示的关于人们思维的一般规律(概念、判断、推理、分析与综合、具体与抽象……)，对客观事物的各种现象进行逻辑分析，寻求它们之间的规律性联系，并用理论的形态加以体现。
4)假说的方法
所谓假说，并不是随意的幻想和碰运气的猜测，而是以一定的经验事实材料为基础，以一定的科学理论为依据，借助于研究者的活跃联想或直觉感受，提出的一种富有预见性、然而尚待继续验证的新观点。
它们虽然还不能称为科学的结论，但却常常是新思想、新理论的萌芽。
科研成果的正确获得，往往是和上述各种方法的另国而紧密地结合使用分不开的。
引用材料的方式
材料是文章的血肉。
但是，援引不当，交代不清，也会影响文章的质量。
引用材料的方式有这么几种：
1)完整引用。
照录原文一句或一段话，不能任意删削或添加别的内容。
前后要加引号。
如果引文单独成一段，每行均比其它文字往后空两格。
2)概括引用。
用作者自己的语言将引文的原意转述出来。
前后无须加引号，也不用其它格式或符号加以突出。
3)分析引用。
将引文的内容拆散、打碎，和论文作者自己的阐述分析文字自然地糅合在一起。
这样可以避免由于单独的引文太多而使文章显得累赘或影响风格的统一。
一、归纳法
1.简单枚举法。
即列举事例，归纳结论。
在列举几个事例的基础上，自然而然得出结论。
请欣赏下面的作文片段：
作者先是列举了三个事例，然后从这三个事例中找出它们的内在联系，即“肩负起祖国给予的重任，只争朝夕，精神贯注，猛力向前，推动国家之富强，民族之进步”。
这个观点，和题目遥相呼应，加强了论证的力度。
2.科学归纳法。
列举现象，分析论证。
科学归纳法是根据对于某类事物中部分对象与其属性之间的必然联系，推出该类事物的全部对象都具有该属性的推理方法。
科学归纳法不停留在事实的简单重复上，它还对事物与其属性之间的必然联系进行科学分析，实际也运用了演绎法，所以推出的结论一般来说是可靠的。
和简单枚举法相比，科学列举法多了分析论证的过程，在分析过程中，给事例和结论搭建一座桥梁。
请看下面的作文片段：
有人说，我希望活在过去。
因为那个时代，有思想之巅峰，有精神之盛宴。
显然，一路走来，“罗马十二铜表法”、《资本论》、《相对论》历历在目，孔子之《论语》，孙子之《兵法》，让文学史繁星铺满天地。
但是请注意，这一切只存在于史卷上丹青间。
苏子有云：“逝者如斯，而未尝往也。
”普希金也和道：“而那过去了的，只能成为亲切的怀念。
”无论在哪一个时代，都会有那些怀念以前的人，但是我们应该清醒地意识到，时间无法倒退，正如我们无法找回昨天的自己，“钱学森之问”仍弥留耳际，为什么那个大师辈出的时代只属于过去?我想，这个时代怕是少了些专注于当下的人。
(选自2012年高考广东省优秀作文《活在当下》)
上面的作文片段，作者先是树立了批判的靶子，即“我希望活在过去”，然后列举了一些过去的文化成就。
在这里，作者没有直接得出结论，而是又进行了分析，引用苏轼、普希金等人的名言，进行了深入的分析，最后，得出了“这个时代怕是少了些专注于当下的人”的观点。
正因为有了分析论证的过程，所以才使得作者的观点可信，避免了论证过程中的思维漏洞。
通过以上的分析，我们应该明确：归纳论证必须有若干事例;归纳论证必须有结论;事例、观点、结论要一致;事例之后，必须正确揭示出他们之间的内在联系。
二、演绎法
演绎论证是一种由一般到个别的论证方法。
它由一般原理出发推导出关于个别情况的结论，其前提和结论之间的联系是必须的。
演绎法有三段论、假言推理、选言推理等多种形式，但最重要的是三段论。
三段论由大前提、小前提和结论三部分组成。
如大前提“凡金属都可以导电”，小前提“铁是金属”，结论“所以铁能导电”。
请看下面的高考作文片段：
坐在路边鼓掌不一定说你是失败者。
“天子呼来不上船，自言臣是酒中仙。”李白把酒，把花，把山，把水，把悠悠的盛唐气象融入杯中，吞入豪肠，三分啸成剑气，七分酿成月光，秀口一吐，就是半个盛唐。
李白就是一位坐在路边鼓掌的人，他为盛唐鼓掌，为自己慷慨激昂的人生鼓掌。
他不但赢得了当下，更是赢得了历史。
(选自2012年高考浙江省一类文《做一个路边鼓掌的人》)
考生成功地运用了演绎论证的方法，逻辑思维严密，滴水不漏，大大增强了文章的说服力。
简要分析如下：
大前提：坐在路边鼓掌不一定说你是失败者。
(即为成功者)
小前提：李白是一个坐在路边鼓掌的人。
结论：李白是成功的。
归纳法和演绎法虽然属于两种不同的逻辑论证方法，但它们有着密切的联系，在实际写作过程中，我们必须注意归纳和演绎的统一，做到互相补充，互相印证。
因为通过归纳获得结论总是或然性的，归纳需要演绎来补充，同时演绎是否符合客观真理，也需要到归纳中去求得检验。
在人类的认识过程中，归纳和演绎是相互为用的。
把归纳法和演绎法结合起来使用，可以增强文章的说服力，当然，这并不是说，单用一种论证方法就不好，怎样展开论证，要具体而定。
从大量的写作实践中我们可以看到，对比较复杂的问题，作者总是从多方面展开论证，使问题能够获得更为透彻、充分的阐明。
归纳法不是论文研究方法之一。
数学归纳法是一种数学证明方法，通常被用于证明某个给定命题在整个（或者局部）自然数范围内成立。除了自然数以外，广义上的数学归纳法也可以用于证明一般良基结构，例如：集合论中的树。这种广义的数学归纳法应用于数学逻辑和计算机科学领域，称作结构归纳法。
在数论中，数学归纳法是以一种不同的方式来证明任意一个给定的情形都是正确的（第一个,第二个，第三个，一直下去概不例外）的数学定理。
虽然数学归纳法名字中有“归纳”，但是数学归纳法并非不严谨的归纳推理法，它属于完全严谨的演绎推理法。事实上，所有数学证明都是演绎法。
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。
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。
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 ：
比较归纳法属不属于论文研究方法 把提纲发给你，资料也有的 什么是归纳法和演绎法 非也、非也！虽说对于一般学生而言，这两种方法也许是没什么感觉，然而对于科学的发展过程而言，两者皆有其举足轻重的角色存在。所谓的归纳法（induction），指的是由许多个别事例，从中获得一个较具概括性的规则。这种方法主要是从收集到的既有资料，加以抽丝剥茧地分析，最后得以做出一个概括性的结论。而演译法〈deduction〉，则和归纳法相反，是从既有的结果，推论出个别特殊的情形的一种方式。由较大的范围，逐步缩小到所需的特定范围。若以数学的观点来说明，归纳法就像是由一群个别资料〈每一笔资料即一个别事例〉来求得支配他们的关系式的过程；而演绎法则是由这求得的关系式，获致另一笔资料的过程。这两种方法除了可以个别使用外，也可以彼此互相配合使用。 语文的议论文中归纳法和演绎法怎么解释 新年好！HappyChineseNewYear！1、演绎法，Deduction，DeductiveReasoning实质：层层推理，根据A推理到B，再推理到C。就是derive，我们的科学理论、数学理论、、、、都是运用演绎法。导数derivative，就是导出来的函数，就是延伸出来的、派生出来的、、、只要给定一个前提，只要有一个大家接受的方法，就可以一直推理下去。2、归纳法，Induction，InductiveResoning搞逻辑学的人，绝大多数都没有一丝一毫的科学根底，更没有工程理论的基础。他们会固执一词，强调归纳法跟演绎法都是属于完全推理，而无视归纳法的局限性。实质：将所有的示例归纳到一个结果中，一个公式中。缺陷：就数学、科学而言，有些结果，我们从其他方法，已经得到。为了肯定它的普适性、一般性，用归纳法证明一下它的普遍性。但是，经常会有一些结果不得而知，譬如级数求和，类似的结果已经获得，如自然数平方的导数和，通过傅里叶级数的方法而得到，但是立方的导数呢？五次方的导数呢？、、、、我们经常有猜想，结果是什么，然后用归纳法证明猜想是否合理、正确。归纳法，是演绎法的补充，但是不等于说它就是完全推理法。经常是验证性地证明，而不是语言性的证明。逻辑学者，越是强调它们的等量齐观，越说明他们知识的肤浅与愚顽不化，不可理喻。至于学习语法，这是我们的另一个怪圈，我们无视语言的丰富多彩性，死死以语法为准绳，在国际场合出尽洋相的事情比比皆是，甚至连国土不能统一也跟我们的一惯刚愎自用相关。学习英语，以用为主，才有效；以语从主人为原则。不要自创洋泾浜英语。归纳法、演绎法，语法、词法，都只是大概的参考。语感才是第一。 论文中的文献归纳法是文献综述吗 要考虑各部分之间的逻辑关系。初学撰写论文的人常犯的毛病，是论点和论据没有必然联系，有的只限于反复阐述论点，而缺乏切实有力的论据;有的材料一大堆，论点不明确;有的各部分之间没有形成有机的逻辑关系，这样的论文都是不合乎要求的，这样的论文是没有说服力的。为了有说服力，必须有虚有实，有论点有例证，理论和实际相结合，论证过程有严密的逻辑性，拟提纲时特别要注意这一点，检查这一点。语文的议论文中归纳法和演绎法怎么解释 根据一类事物的部分对象具有某种性质，推出这类事物的所有对象都具有这种性质的推理，叫做归纳推理（简称归纳）。归纳是从特殊到一般的过程，它属于合情推理。 演绎推理(Deductive Reasoning)，就是从一般性的前提出发，通过推导即“演绎”，得出具体陈述或个别结论的过程。演绎推理的逻辑形式对于理性的重要意义在于，它对人的思维保持严密性、一贯性有着不可替代的校正作用。 一篇好的论文有什么部分组成的呢？ 毕业论文的结构 一、毕业论文结构的基本型 人们在长期的写作实践过程中，对某些文体文章的写作逐步形成了一些特定规范——即结构的基本型。这种“型”开始是某个人的创造，但是由于它符合人们的思维规律，所以一直被沿，用下来，并在人们的反复运用中逐步完美、定型化。所以，这种“型”的产生不是偶然的，它是在人们共同思维规律的基础上形成的。我们利用这些“型”来写作，不但能比较省力，便于组织材料表达观点，而且这种“型”符合人们的思维规律而便于人们阅读。这是一种事半功倍的方法。当然，“型”不是个死板的套于，不考虑内容如何，一律削足适履地塞到里边去也是不行的。利用“型”写作，一要注意富于变化，灵活地运用；二要注意当现成的“型”有损于内容表达时，就要坚决地把它丢开。 毕业论文的结构形式是多种多样的。但是，它也有其基本型，即序论、本论、结论的三段式： (一)序论 毕业论文的序论，在写作上应包括下列内容： 说明研究这一课题的理由、意义。这一部分要写得简洁。一定要避免像作文那样，用很长的篇幅写自己的心情与感受，不厌其烦地讲选定这个课题的思考过程。 提出问题。这是序论的核心部分。问题的提出要明确、具体。有时，要写一点历史的回顾，关于这个课题，谁作了哪些研究，作者本人将有哪些补充、纠正或发展。 说明作者论证这一问题将要使用的方法。 如果是一篇较长的论文，在序论中还有必要对本论部分加以扼要、概括地介绍，或提示论述问题的结论。这是便于读者阅读、理解本论的。 序论只能简要地交代上述各项内容，尽管序论可长可短，因题而异，但其篇幅的分量在整篇论文中所占的比例要小，用几百字即可。至于序论的几种常见写法，因为后面专门有章节论述，这里不再展开。 (二)本论 这是展开论题，表达作者个人研究成果的部分。它是毕业论文的主体部分，必须下功夫把它写充分，写好。 有些毕业论文，序论部分中提出的问题很新颖、有见地，但是本论部分写得很单薄，论证不够充分，勉强引出的结论也难以站住脚。这样的毕业论文是缺乏科学价值的，所以一定要全力把本论部分写好。 一般议论文的本论安排，有所谓直线推论，又称为递进式结构(即，提出一个论点之后，一步步深入，一层层展开论述。论点，由一点到另一点，循着一个逻辑线索直线移动。)和并列分说，又称为并列式结构(即，把从属于基本论点的几个下依论点并列起来，一个一个分别加以论述。)。两者结合起来运用称为混合型。 由于毕业论文论述的是比较复杂的理论问题，一般篇幅又较长，所以常常使用直线推论与并列分论两者相结合的方法。而且往往是直线推论中包含有并列分论，而并列分论下又有直线推论，有时下面还有更下位的并列分论。毕业论文中的直线推论与并列分论是多重结合的，其他一些篇幅较长、论述问题比较复杂的论文也多采用这种方式，如《中国社会各阶级的分析》开头提出问题，接着就对各阶级进行分析，然后综合起来得出结论。文章步步深入，层层展开，用的是直线推论。然而，在对各阶级分析的那一层次中，又逐一分析了地主买办阶级、中产阶级、小资产阶级、半无产阶级和无产阶级，用的是并列分论。就整篇而言，就叫直线推论中包括著并列分论。 *** 同志运用这种结合形式，完满地表达了文章的内容，收到了很好的表达效果。至于本论部分的具体写法，因后面章节要论述，这里不再重复。 (三)结论 结论是论文的收束部分。毕业论文的结论应包括下述内容： 写论证得到的结果。这一部分要对本论分析、论证的问题加以综合概括，引出基本论点，这是课题解决的答...... 如何用归纳法在自然界中举例子.如题 谢谢了 归纳法分完全归纳法和不完全归纳法。 完全归纳法就是把某类事物的全部个体都研究一番，再经归纳得出结论。这种方法实际应用中工作量大，并且有时相当困难。 不完全归纳法中最常用的是最简单的枚举法。例如，现代鸟类和现代爬行动物有共同的祖先的这个结论就是应用归纳法中的简单枚举法，即把个别的事物经过研究提出带有普遍性的结论，这种论证方法就是简单枚举法。此种方法简单但不一定可靠，不能全盘皆用。例如，鱼有鳞，蛇也有鳞，若得出蛇是鱼进化而来的就错了。再如，鸟会飞，蝗虫也会飞，得出鸟和蝗虫由共同祖先进化而来，那也错了。所以说简单枚举法可靠性不大，不能全盘皆用。 达尔文的进化论是用不完全归纳法推理出来的，我们为什么说他正确的呢？因为，达尔文用不完全归纳法得出进化论依据了大量的事例，而且迄今尚未有反例。同学们以后应用不完全归纳法想得出正确结论时，也需要象达尔文一样尽力收集研究的例子，并且得出的结论没有反例。 求采纳
写论文的常见研究方法：
1、归纳方法与演绎方法：归纳就是从个别事实中概括出一般性的结论原理；演绎则是从一般性原理、概念引出个别结论。归纳是从个别到一般的方法；演绎是从一般到个别的方法。
门捷列夫使用归纳法，在人们认识大量个别元素的基础上，概括出了化学元素周期律。后来他又从元素周期律预言当时尚未发现的若干个元素的化学性质，使用的就是演绎法。
2、分析方法与综合方法：分析就是把客观对象的整体分为各个部分、方面、特征和因素而加以认识。它是把整体分为部分，把复杂的事物分解为简单的要素分别加以研究的一种思维方法。
分析是达到对事物本质认识的一个必经步骤和必要手段。分析的任务不仅仅是把整体分解为它的组成部分，而且更重要的是透过现象，抓住本质，通过偶然性把握必然性。
研究过程
1、确定调查课题确定题目时要注意选题是否具有研究的必要性和可能性，同时要注意选题切忌太大，也要避免无意义的重复劳动。
2、制定调查计划要明确调查课题、调查目的、调查对象、调查范围、调查手段、调查步骤、时间安排。
3、收集材料收集材料时要尽可能保持材料的客观性，尽可能采取多种手段或途径。
4、整理材料将收集到的材料进行整理，以便后续总结归纳、形成结论。
5、总结研究对整理完的材料进行分析、总结、归纳，得出一般性的结论。
本学期我所学的金融双学位课程进入到了写论文，答辩的阶段。那时对于刚刚上大四的我，对于论文还是很陌生的。经过了这将近一个学期的时间，我从对论文一无所这，到现在已经写出了属于自己的第一篇论文，从选题到找资料，再到论文撰写的过程，都让我受益匪浅。下面仅是我这半年来写论文的一些心得体会。在双学位论文布置后，我在较短的时间内把选题的方向确定下来，确定了写关于我国融资融券建设方面的问题。通过对网络上和书籍上的资料快速地、大量地阅读，在比较中来确定题目和论文初稿。在广泛地浏览阅读资料时，当遇到和自己所写内容相关的问题是就记下资料的纲目，记下资料中对自己影响最深刻的观点、论据、论证方法等，记下脑海中涌现的点滴体会。接着将阅读所得到的方方面面的内容，进行分类、排列、组合，从中寻找问题、发现问题，材料可按纲目分类，如分成：系统介绍有关问题研究发展概况的资料；对某一个问题研究情况的资料；对同一问题几种不同观点的资料；对某一问题研究最新的资料和成果等等。最后将自己在研究学习中的体会与资料分别加以比较，找出哪些体会在资料中没有或部分没有；哪些体会虽然资料已有，但自己对此有不同看法；哪些体会和资料是基本一致的；哪些体会是在资料基础上的深化和发挥等等。经过几番深思熟虑的思考过程，就容易萌生自己的想法。把这种想法及时捕捉住，再作进一步的思考，论文写起来也会比较得心应手。
论文的写作方法有：归纳法、演绎法、对比法、类比法、引证法、阐发法、解剖法、比喻法。
1、归纳法
归纳法就是说归纳推理，然后将其总结一下再运用到自己的论文中去，通常是通过抽取一些共同的本质的东西，然后经过归纳总结得到的结论。
2、演绎法
演绎法也就是推理演绎，通常是从一般到个别，普通到特殊的辩证思维的一个过程，然后将其的出的结果写到自己的论文中。
3、对比法
对比法通过对比不停的研究对象从而得出一些聚过以及结论从而写进自己的论文中。
4、类比法
类比法也就是通过两个同一类的研究对象进行比较，然后将最终的结论以观点的方式写进自己的论文中。
5、引证法
引用一些别人的论文中的内容或者是观点来证明自己的观点是正确的，但是需要使用正确的引用方法，在文末的参考文献中也是需要标注其来源的。
6、阐发法
阐发法也就是对自己论文的题目、论点等进行一个解释以及阐述，说明其中的结果是怎么推理出来的。
7、解剖法
解剖法就是把自己所研究的对象可以分为几个不同的部分，然后再对每个部分进行相应的分析，将分析的结果写进自己的论文中即可。
8、比喻法
比喻法用打比方的手法来所谓自己的论点，一般这种方法都是比较抽象的，所以自己的比喻需要通俗一点才比较有说服力。