latex写论文(TeXstudio工具)
目录
- 前言
- IEEE模板
- 模板免费分享
- 参考文献写作方法
- 我的.tex文件代码
前言
学校老师要求我们以IEEE顶级会议格式与标准写报告,于是过程虽然麻烦点,但是效果还是不错了,下面先展示一下自己写完的效果。
IEEE模板
我是在 Overleaf 上注册了个账号下载了模板,里面有各种会议论文的写作模板,这个注册还挺麻烦,要外网注册,国内邮箱都不行。进行后点菜单,菜单里有下载源码。
模板免费分享
已经将在官网下载的模板打包压缩上转,链接如下:
https://download.csdn.net/download/weixin_39615182/13799871
大家下载后用TeXstudio打开下面.tex文件,我建议你把他复制一份然后重命名成自己的。如复制一个重命名为Sample_my.tex。若TexStudio工具没有下载的自己去搜索下载安装一下。打开后点击绿色运行图标即可。
如果你要写中文,并且要插入图片,那么你必须引入两个包,如图,不然会报错
参考文献写作方法
这里参考文献需要重点说一下,滑倒最后两个thebibliography中间的就是参考文献,不建议大家这么写
添加文献,我是这么做的:
1、将上图\begin{thebibliography}和\end{thebibliography}以及它中间的都删除,换成下面两行代码
\bibliographystyle{plain} %参考文献,默认写plain
\bibliography{smoke}
2、创建一个smoke.bib文件,这个文件在你.tex文件同目录创建,名字自己去,因为我报告是做抽烟识别,所以我取smoke,你取什么记得顺便把图中\bibliography{}中改一下即可
3、创建好后,在TeXstudio打开smoke.bib,如下
4、我们怎么作出这种有角标引用文献效果呢?
- 首先,假设你要找yolov4的文献,你先要知道yolov4文献全名,搜索并下载论文的pdf得知全名是YOLOv4: Optimal Speed and Accuracy of Object Detection,复制这个名字。到下面链接粘贴http://scholar.hedasudi.com
搜索后,点引号,即引用
再点击BibTex
点击就会跳出.bib格式的参考文献,将其复制,放到创建的smoke.bib中
5、最后一步就是引用了你只需要在你.tex文件中,如我这里yolov4要写个引用,就写\cite{bochkovskiy2020yolov4}
,注意:cite中要和找到的bib第一行名字一致,这样就会自动在最后参考文献引用,文献也会在最后显示出来
我的.tex文件代码
\documentclass[conference]{IEEEtran}
% correct bad hyphenation here
\usepackage{ctex}%引入中文包,使得中文可以正常显示
\usepackage{graphicx} %导入图片的宏包
\hyphenation{op-tical net-works semi-conduc-tor IEEEtran}
\begin{document}% paper title
%\title{Submission Format for IMS2014 (Title in 24-point Times font)}
% If the \LARGE is deleted, the title font defaults to 24-point.
% Actually,
% the \LARGE sets the title at 17 pt, which is close enough to 18-point.
%+++++++++++++++++++++++++++++++++++++++++++
\title{\kaishu 基于yolov4算法的抽烟检测}\author{\kaishu 喻\,曾\,郑\,陈\,黄 }% use only for invited papers
%\specialpapernotice{(Invited Paper)}% make the title area
\maketitle\begin{abstract}
抽烟检测在实际应用场景中具有重大意义,如油田,加油站,公共场所等都不能有明火,未熄灭的火苗可能会带来巨大的安全隐患,所以需要通过监控的方式进行实时监督,本系统主要是基于yolov4算法对抽烟行为进行识别,首先在网络上收集了许多抽烟图片,并进行了数据预处理操作,然后对图片指定区域进行了标注。本文用yolov4算法以及SSD算法分别对数据集进行了训练,最后对比发现yolov4算法效果更好。于是最终确定yolov4算法训练出的模型为检测模型,我们打开摄像头检测时发现抽烟行为都能检测出,但对于十分相似的白色物体会识别错误,如粉笔,这是需要改进的,最终对比两个算法,发现yolov4检测效果更好,故使用yolov4进行检测。
\end{abstract}\IEEEoverridecommandlockouts
\begin{keywords}
抽烟检测,yolov4,数据预处理,SSD
\end{keywords}
% no keywords% For peer review papers, you can put extra information on the cover
% page as needed:
% \begin{center} \bfseries EDICS Category: 3-BBND \end{center}
%
% for peerreview papers, inserts a page break and creates the second title.
% Will be ignored for other modes.
\IEEEpeerreviewmaketitle\section{引言}
% no \PARstart
目标检测是计算机视觉领域的基本且重要的问题之一,几十年来也一直都是一个活跃的研究领域。目标检测的目标是确定某张给定图像中是否存在给定类别(比如人、车、自行车、狗和猫)的目标实例;如果存在,就返回每个目标实例的空间位置和覆盖范围。目标检测主要可以分为两大主要类别:1. 两级式(two-stage)检测框架,包含一个用于区域的预处理步骤,使得整体流程是两级式的。2. 单级式(one-stage)检测框架,即无区域的框架,这是一种单独提出的方法,不会将检测提议分开,使得整个流程是单级式的。如下(1),(2),(3),(4)为基于区域(two-stage)的网路,(5),(6)是基于回归(one-stage)的网络,基于区域的网络,精度高,但运算较慢,无法达到本系统的实时要求,而基于回归的网络检测速度快,能达到实时效果,故作为备选网络,最终比较备选网络哪个更优。
\begin{enumerate} \setlength{\itemsep}{-2ex} \setlength{\parskip}{0ex} \setlength{\parsep}{0ex}\item R-CNN\\R-CNN\cite{girshick2014rich}使用深度学习的方法代替了传统的目标检测方法,是基于深度学习的目标检测算法的鼻祖,但该网络检测图片耗时,速度慢,繁琐,占用空间大。\hfil\break\item Fast R-CNN\\Fast R-CNN\cite{girshick2015fast}弥补了上面的不足,框架更为精简,但候选区域使用了选择性搜索算法(SS),该算法占用目标检测2/3的时间,因此还无法满足实时性要求。\hfil\break\item Faster R-CNN\\Faster R-CNN\cite{ren2016faster}检测过程有4个步骤1、提取候选区域 2、特征提取 3、特征分类 4、边框回归 ,上述 4步统一到一个深度网络框架中用候选区域网络(RPN)取代选择性搜索(SS),这也是Faster R-CNN的巨大优势,极大提升检测候选框的生成速度,但还是达不到实时的效果。
\hfil\break\item YoLo\\YoLo将目标检测任务转换成了一个回归问题,使得yolo检测最快速度达到200fps(Frames Per Second---每秒钟帧数越多,所显示的动作就会越流畅),达到实时效果,但在精度上会有所下降,这是在精度与速度权衡后的结果。本文就用了yolov4-keras\cite{bochkovskiy2020yolov4}网络进行训练。\hfil\break\item SSD\\SSD\cite{liu2016ssd}在做到实时检测基础上,进一步提高了其检测准确率,SSD模型核心Prior box,SSD基于Faster R-CNN的候选区域机制,提出了Prior\,box概念,SSD优点明显,运行速度可以与yolo媲美,检测精度则可以与Faster RCNN媲美,缺点是需要人工设定Prior\,box的参数值。本文也用了SSD网络进行训练。\hfil\break\end{enumerate}\section{相关技术概述}
\begin{enumerate}
\setlength{\itemsep}{-2ex}
\setlength{\parskip}{0ex}
\setlength{\parsep}{0ex}
\item YoLoV4\\yolov4相较于yolov3\cite{redmon2018yolov3}增加了许多新特性,并且识别的平均精确率也有所提高,新增特性有WRC,CSP,CmBN,SAT,Mish激活,Mosaic数据增强,CmBN,DropBlock正则化和CIoU丢失等等,增加了许多新的小tricks,且AP与FPS这两项指数相比YOLOv3分别提高了10\%与12\%。
\hfil\break\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.45]{yolo.jpg} %设置缩放比例\caption{yolov4性能} %设置图片的一个编号以及为图片添加标题
\end{figure}yolov4网络结构由三部分组成,分别是CSPDarkNet53,SSP,PAN,CSPDarkNet53是主干网络,假设输入图像大小为416×416×3,首选会经过DarknetConv2D\_BN\_Mish卷积块,卷积块由DarknetConv2D、BatchNormalization、Mish三部分组成,即该卷积结构包括l2正则化、批标准化、Mish激活函数这一系列操作。然后后面有5个CSPResblockBody,分别为×1,×2,×8,×8,×4,表示重复多少次resblock\_body,可以看到该残差结构块中先有个ZeroPadding2D对二维矩阵的四周填充0,即零填充层,然后三个DarknetConv2D\_BN\_Mish卷积块,第二个DarknetConv2D\_BN\_Mish卷积块会生成一个大的残差边(后面会解释残差边),然后有个for循环对通道进行整合[compose]与特征提取,这个循环多少次就是图中×1,×2,×8等。,在后面进行一次1x1的DarknetConv2D\_BN\_Mish卷积,再concatenate堆叠拼接,最后再对通道数进行整合并返回。可以看到,resblockbody中有大量的DarknetConv2D\_BN\_Mish卷积块进行卷积提取特征。SSP与PAN是特征金字塔部分,首先SSP结构进行了三次DarknetConv2D\_BN\_Leaky卷积,分别利用四个不同尺度的最大池化进行处理,最大池化的池化核大小分别为13x13、9x9、5x5、1x1,该结构能分离出最显著的上下文特征,是强有力的特征提取,池化后,再进行堆叠。PANet(PAN)是2018年发表的一种实例分割算法,它可以反复提取特征,即反复进行上采样,最后可以得到三个yolo\,head,这里和yolov3中最终得到的一样。\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.25]{yolobone.jpg} %设置缩放比例\caption{yolov4网络结构} %设置图片的一个编号以及为图片添加标题
\end{figure}\item SSD\\SSD 是基于一个前向传播 CNN 网络,产生一系列 固定大小(fixed-size) 的 bounding boxes,以及每一个 box 中包含物体实例的可能性,即 score。之后,进行一个 非极大值抑制(Non-maximum suppression) 得到最终的 predictions。SSD网络结构从图中可以看出来分为两部分 基础网络 + 金字塔网络。基础网络是VGG-16\cite{simonyan2014very}的前4层网络。金字塔网络是特征图逐渐变小的简单卷积网络由5部分构成,结构图如下。
\hfil\break\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.25]{ssd.jpg} %设置缩放比例\caption{ssd网络结构} %设置图片的一个编号以及为图片添加标题
\end{figure}\item OpenCV\\OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。我们主要利用OpenCv开启摄像头功能,以便进行检测。
\hfil\break\item
Keras\\Keras是一个由Python编写的开源人工神经网络库,可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口,进行深度学习模型的设计、调试、评估、应用和可视化。
\hfil\break\end{enumerate}\section{实验内容与分析}
首选,我们利用爬虫收集到的4000+张图片,并且进行了一定的筛选与预处理,最终留下了2400+张图片作为训练集,并且一起对这些图片用labelImg工具进行了标注工作,我们总共训练了两个模型,一个用yolov4训练,一个用SSD训练,根据长时间训练后的结果对十张相同的图片进行预测,对二者效果做了一个对比。并且发现yolov4与SSD开摄像头进行检测时,yolov4稍微有点一卡一卡的感觉,但是SSD整体显得较为流畅,这是二者帧速率不同导致的,yolov4的帧速率实际只有30FPS左右,但是SSD大概有60FPS左右,故显得比较流畅,最后我们开摄像头进行了识别。\\检测步骤如下:\begin{enumerate} \setlength{\itemsep}{-2ex} \setlength{\parskip}{0ex} \setlength{\parsep}{0ex}\item OpenCv调用VideoCapture(0)方法打开摄像头\hfil\break\item 对视频流进入循环,逐帧读取图片及标注位置\hfil\break\item 转变图片格式\hfil\break\item 将图片的特征信息转成数组的形式\hfil\break\item 开始检测图片,其中以yolov4为例,yolo在检测图片函数中,会对图片进行预处理,如Mosaic数据增强,还会做归一化。\hfil\break\item 进行预测,并将将预测结果进行解码\hfil\break\item 筛选出其中得分高于confidence的框\hfil\break\item 去掉灰条\hfil\break\item 进行画图操作,画矩形框并显示\hfil\break
\end{enumerate}\section{实验结果}
实验过程中我们用两个模型分别检测相同的十张图片,效果如下,我们可以看到用ssd模型对10张图片进行预测,只有6张检测成功。而用yolov4训练的模型对10张图片进行预测,能检测出8张,故yolov4训练的模型效果更好,图6为效果对比图,红色的折线为yolov4,蓝色的折线为ssd,另外还做了一个简易GUI界面方便用户操作。\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.4]{ssd_detection.jpg} %设置缩放比例\caption{ssd检测图片} %设置图片的一个编号以及为图片添加标题
\end{figure}\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.35]{yolov4_detection.jpg} %设置缩放比例\caption{yolov4检测图片} %设置图片的一个编号以及为图片添加标题
\end{figure}\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.2]{compare.jpg} %设置缩放比例\caption{效果对比} %设置图片的一个编号以及为图片添加标题
\end{figure}\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.6]{video.jpg} %设置缩放比例\caption{开摄像头识别} %设置图片的一个编号以及为图片添加标题
\end{figure}\begin{figure}[!htb] %插入图片\centering\includegraphics[scale=0.3]{window.jpg} %设置缩放比例\caption{简易GUI界面} %设置图片的一个编号以及为图片添加标题
\end{figure}\section{实验结论}
本文提出了一种基于yolov4算法的抽烟检测解决方法,本文对yolov4算法与SSD算法作了比较,检测效果还是yolov4更好,并且该模型大部分图片都能检测出,但是这里存在一些问题,一个就是yolov4在实验结果中的FPS相对不高,所以会有卡顿的情况,这一点SSD就显得较为流畅了,以后可以试着用yolov4-tiny\cite{jiang2020real},因为该网络训练出的模型很小,加载快,并且官方说该网络FPS更快。另一个问题是模型能检测抽烟行为,但对于极其相似的物体,如粉笔,形状和颜色与烟都十分相似,这里考虑可能的解决办法是增加一个烟雾检测。\bibliographystyle{plain} %参考文献
\bibliography{smoke} \end{document}
latex写论文(TeXstudio工具)相关推荐
- 2019-2-13-Latex-论文elsevier,手把手如何用Latex写论文
title author date CreateTime categories Latex 论文elsevier,手把手如何用Latex写论文 lindexi 2019-02-13 10:38:20 ...
- Latex 论文elsevier,手把手如何用Latex写论文
这几天在开始写论文,准备发的是elsevier,这个网站的instruction有问题,下载的东西基本上好多的错误,所以我就写博客记录. 关于使用 Latex 的好处请看使用LaTeX写论文 - CS ...
- 关于latex写论文参考文献前有空格的问题
问题描述: 在latex写论文时,前九个参考文献可以对其,到第十个之后每个参考文献和序号之间有一个空格 解决方法: Latex中thebibliography后面的数字代表的是\bibitem标签的最 ...
- Latex写论文过程中遇到的常见问题
以下我将总结一些我在写论文的过程中遇到的一些小问题: 1. 在写时间复杂度或者定义数据集时,都要用到花体的O(),形如: $\mathcal{O}(NQ)$ and $\mathcal{O}(N^{2 ...
- 让latex写论文更方便的几个工具
1. LaTeX转word Pandoc 可以转换的文件类型有: reStructuredText, textile, HTML, DocBook, LaTeX, MediaWiki markup, ...
- 初级使用Latex写论文经验总结
最近忙着写论文,但由于种种原因,初稿草写完成百分之八十,转英语的各程序也已熟悉,目前暂时搁置.暂作记录,便于后续熟悉流程. 首先强调一点,国内的知乎真的很好用,质量很高.本人在这就跟写日记,记流水账一 ...
- texlive写论文源代码_使用Latex写论文
我是去年年底才开始接触latex的,当时写开题报告,导师说可以学下latex,可以自动生成文献,然后我就学了下,现在写论文我也是在用latex.毕竟使用时间不长,到现在还是在探索阶段,简单总结下lat ...
- 如何使用LaTex写论文?
什么是LaTex? LaTeX - A document preparation systemwww.latex-project.org/ LaTeX is a high-quality types ...
- 写论文的工具推荐(包括下载论文,写作,翻译等)
搜狐文章: 你写论文时都发现了哪些"神网站"? 知乎文章: 你写论文时发现了哪些非常神的网站?
最新文章
- Java面试经典题:线程池的成长之路
- wxWidgets:将带有语法高亮和折叠的自定义词法分析器添加到 WxStyledTextCtrl
- 清华大学计算机学院赵成钢哪里人,清华大学16位学霸简历吓坏网友
- 计算机数据库原理试题,计算机科学与技术专业《数据库原理》模拟试题(B)
- html新建通用loading,漂亮实用的页面loading(加载)封装代码
- Windows Server 2008 R2远程桌面服务配置和授权激活
- matconvnet安装编译教程
- 科学计算机度计算,科学计算器arctan
- 全球PM25实时可视化
- Linux网络设备驱动结构概述
- 计算机网络习题:应用层
- 常用的几种RAID工作模式
- 关于Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification 论文理解
- 北京筑龙CTO吴英礼受邀在清华大学互联网产业研究院做分享
- 【渝粤题库】广东开放大学 文化投资与贸易 形成性考核 (2)
- Js实现图片点击切换与轮播
- 六发左轮java_缅怀逝去的塞班 盘点那些经典的JAVA手游
- 如何解决跨站点请求伪造
- 华为metro1000描述,optix metro1000参数-华讯佳科技
- ssh连接和传输文件