latex写论文（TeXstudio工具）

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}