latex寫論文（TeXstudio工具）

目錄

• • 前言
  • IEEE模闆
  • 模闆免費分享
  • 參考文獻寫作方法
  • 我的.tex檔案代碼

前言

學校老師要求我們以IEEE頂級會議格式與标準寫報告，于是過程雖然麻煩點，但是效果還是不錯了，下面先展示一下自己寫完的效果。

IEEE模闆

我是在 Overleaf 上注冊了個賬号下載下傳了模闆，裡面有各種會議論文的寫作模闆，這個注冊還挺麻煩，要外網注冊，國内郵箱都不行。進行後點菜單，菜單裡有下載下傳源碼。

模闆免費分享

已經将在官網下載下傳的模闆打包壓縮上轉，連結如下：

https://download.csdn.net/download/weixin_39615182/13799871

大家下載下傳後用TeXstudio打開下面.tex檔案，我建議你把他複制一份然後重命名成自己的。如複制一個重命名為Sample_my.tex。若TexStudio工具沒有下載下傳的自己去搜尋下載下傳安裝一下。打開後點選綠色運作圖示即可。

如果你要寫中文，并且要插入圖檔，那麼你必須引入兩個包，如圖，不然會報錯

參考文獻寫作方法

這裡參考文獻需要重點說一下，滑倒最後兩個thebibliography中間的就是參考文獻，不建議大家這麼寫

添加文獻，我是這麼做的：

1、将上圖\begin{thebibliography}和\end{thebibliography}以及它中間的都删除，換成下面兩行代碼

\bibliographystyle{plain} %參考文獻，預設寫plain
\bibliography{smoke} 
           

2、建立一個smoke.bib檔案，這個檔案在你.tex檔案同目錄建立，名字自己去，因為我報告是做抽煙識别，是以我取smoke，你取什麼記得順便把圖中\bibliography{}中改一下即可

3、建立好後，在TeXstudio打開smoke.bib，如下

4、我們怎麼作出這種有角标引用文獻效果呢？

• 首先，假設你要找yolov4的文獻，你先要知道yolov4文獻全名，搜尋并下載下傳論文的pdf得知全名是YOLOv4: Optimal Speed and Accuracy of Object Detection，複制這個名字。到下面連結粘貼http://scholar.hedasudi.com

  

  搜尋後，點引号，即引用

  

  再點選BibTex

  

  點選就會跳出.bib格式的參考文獻，将其複制，放到建立的smoke.bib中

  

  5、最後一步就是引用了你隻需要在你.tex檔案中，如我這裡yolov4要寫個引用，就寫

  \cite{bochkovskiy2020yolov4}

  ，注意：cite中要和找到的bib第一行名字一緻，這樣就會自動在最後參考文獻引用，文獻也會在最後顯示出來

  

  

我的.tex檔案代碼

\documentclass[conference]{IEEEtran}
% correct bad hyphenation here
\usepackage{ctex}%引入中文包，使得中文可以正常顯示
\usepackage{graphicx}          %導入圖檔的宏包
\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算法的抽煙檢測}

\author{\kaishu 喻\,曾\,鄭\,陳\,黃 }

% use only for invited papers
%\specialpapernotice{(Invited Paper)}

% make the title area
\maketitle

\begin{abstract}
抽煙檢測在實際應用場景中具有重大意義，如油田，加油站，公共場所等都不能有明火，未熄滅的火苗可能會帶來巨大的安全隐患，是以需要通過監控的方式進行實時監督，本系統主要是基于yolov4算法對抽煙行為進行識别，首先在網絡上收集了許多抽煙圖檔，并進行了資料預處理操作，然後對圖檔指定區域進行了标注。本文用yolov4算法以及SSD算法分别對資料集進行了訓練，最後對比發現yolov4算法效果更好。于是最終确定yolov4算法訓練出的模型為檢測模型，我們打開攝像頭檢測時發現抽煙行為都能檢測出，但對于十分相似的白色物體會識别錯誤，如粉筆，這是需要改進的，最終對比兩個算法，發現yolov4檢測效果更好，故使用yolov4進行檢測。
\end{abstract}

\IEEEoverridecommandlockouts
\begin{keywords}
抽煙檢測，yolov4，資料預處理，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
目标檢測是計算機視覺領域的基本且重要的問題之一，幾十年來也一直都是一個活躍的研究領域。目标檢測的目标是确定某張給定圖像中是否存在給定類别（比如人、車、自行車、狗和貓）的目标執行個體；如果存在，就傳回每個目标執行個體的空間位置和覆寫範圍。目标檢測主要可以分為兩大主要類别：1. 兩級式(two-stage)檢測架構，包含一個用于區域的預處理步驟，使得整體流程是兩級式的。2. 單級式(one-stage)檢測架構，即無區域的架構，這是一種單獨提出的方法，不會将檢測提議分開，使得整個流程是單級式的。如下(1),(2),(3),(4)為基于區域(two-stage)的網路，(5),(6)是基于回歸(one-stage)的網絡，基于區域的網絡，精度高，但運算較慢，無法達到本系統的實時要求，而基于回歸的網絡檢測速度快，能達到實時效果，故作為備選網絡，最終比較備選網絡哪個更優。
\begin{enumerate} 
 \setlength{\itemsep}{-2ex}  
 \setlength{\parskip}{0ex} 
 \setlength{\parsep}{0ex}
 
\item R-CNN\\R-CNN\cite{girshick2014rich}使用深度學習的方法代替了傳統的目标檢測方法，是基于深度學習的目标檢測算法的鼻祖，但該網絡檢測圖檔耗時，速度慢，繁瑣，占用空間大。\hfil\break

\item Fast R-CNN\\Fast R-CNN\cite{girshick2015fast}彌補了上面的不足，架構更為精簡，但候選區域使用了選擇性搜尋算法（SS），該算法占用目标檢測2/3的時間，是以還無法滿足實時性要求。\hfil\break

\item Faster R-CNN\\Faster R-CNN\cite{ren2016faster}檢測過程有4個步驟1、提取候選區域 2、特征提取 3、特征分類 4、邊框回歸 ，上述 4步統一到一個深度網絡架構中用候選區域網絡（RPN）取代選擇性搜尋（SS），這也是Faster R-CNN的巨大優勢，極大提升檢測候選框的生成速度，但還是達不到實時的效果。
\hfil\break

\item YoLo\\YoLo将目标檢測任務轉換成了一個回歸問題，使得yolo檢測最快速度達到200fps(Frames Per Second---每秒鐘幀數越多，所顯示的動作就會越流暢)，達到實時效果，但在精度上會有所下降，這是在精度與速度權衡後的結果。本文就用了yolov4-keras\cite{bochkovskiy2020yolov4}網絡進行訓練。\hfil\break

\item SSD\\SSD\cite{liu2016ssd}在做到實時檢測基礎上，進一步提高了其檢測準确率，SSD模型核心Prior box，SSD基于Faster R-CNN的候選區域機制，提出了Prior\,box概念，SSD優點明顯，運作速度可以與yolo媲美，檢測精度則可以與Faster RCNN媲美，缺點是需要人工設定Prior\,box的參數值。本文也用了SSD網絡進行訓練。\hfil\break

\end{enumerate}

\section{相關技術概述}
\begin{enumerate} 
\setlength{\itemsep}{-2ex}  
\setlength{\parskip}{0ex} 
\setlength{\parsep}{0ex}
\item YoLoV4\\yolov4相較于yolov3\cite{redmon2018yolov3}增加了許多新特性，并且識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資料增強，CmBN，DropBlock正則化和CIoU丢失等等，增加了許多新的小tricks，且AP與FPS這兩項指數相比YOLOv3分别提高了10\%與12\%。
\hfil\break

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.45]{yolo.jpg}            %設定縮放比例
	\caption{yolov4性能}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

yolov4網絡結構由三部分組成，分别是CSPDarkNet53，SSP，PAN，CSPDarkNet53是主幹網絡，假設輸入圖像大小為416×416×3，首選會經過DarknetConv2D\_BN\_Mish卷積塊，卷積塊由DarknetConv2D、BatchNormalization、Mish三部分組成，即該卷積結構包括l2正則化、批标準化、Mish激活函數這一系列操作。然後後面有5個CSPResblockBody，分别為×1，×2，×8，×8，×4，表示重複多少次resblock\_body，可以看到該殘差結構塊中先有個ZeroPadding2D對二維矩陣的四周填充0，即零填充層，然後三個DarknetConv2D\_BN\_Mish卷積塊，第二個DarknetConv2D\_BN\_Mish卷積塊會生成一個大的殘差邊（後面會解釋殘差邊），然後有個for循環對通道進行整合[compose]與特征提取，這個循環多少次就是圖中×1，×2，×8等。，在後面進行一次1x1的DarknetConv2D\_BN\_Mish卷積，再concatenate堆疊拼接，最後再對通道數進行整合并傳回。可以看到，resblockbody中有大量的DarknetConv2D\_BN\_Mish卷積塊進行卷積提取特征。SSP與PAN是特征金字塔部分，首先SSP結構進行了三次DarknetConv2D\_BN\_Leaky卷積，分别利用四個不同尺度的最大池化進行處理，最大池化的池化核大小分别為13x13、9x9、5x5、1x1，該結構能分離出最顯著的上下文特征，是強有力的特征提取，池化後，再進行堆疊。PANet(PAN)是2018年發表的一種執行個體分割算法，它可以反複提取特征，即反複進行上采樣，最後可以得到三個yolo\,head，這裡和yolov3中最終得到的一樣。

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.25]{yolobone.jpg}            %設定縮放比例
	\caption{yolov4網絡結構}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

\item SSD\\SSD 是基于一個前向傳播 CNN 網絡，産生一系列 固定大小（fixed-size） 的 bounding boxes，以及每一個 box 中包含物體執行個體的可能性，即 score。之後，進行一個 非極大值抑制（Non-maximum suppression） 得到最終的 predictions。SSD網絡結構從圖中可以看出來分為兩部分 基礎網絡 + 金字塔網絡。基礎網絡是VGG-16\cite{simonyan2014very}的前4層網絡。金字塔網絡是特征圖逐漸變小的簡單磁碟區積網絡由5部分構成，結構圖如下。
\hfil\break

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.25]{ssd.jpg}            %設定縮放比例
	\caption{ssd網絡結構}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

\item OpenCV\\OpenCV是一個基于BSD許可（開源）發行的跨平台計算機視覺和機器學習軟體庫，可以運作在Linux、Windows、Android和Mac OS作業系統上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實作了圖像處理和計算機視覺方面的很多通用算法。我們主要利用OpenCv開啟攝像頭功能，以便進行檢測。
\hfil\break

\item
Keras\\Keras是一個由Python編寫的開源人工神經網絡庫，可以作為Tensorflow、Microsoft-CNTK和Theano的高階應用程式接口，進行深度學習模型的設計、調試、評估、應用和可視化。
\hfil\break

\end{enumerate}


\section{實驗内容與分析}
首選，我們利用爬蟲收集到的4000+張圖檔，并且進行了一定的篩選與預處理，最終留下了2400+張圖檔作為訓練集，并且一起對這些圖檔用labelImg工具進行了标注工作，我們總共訓練了兩個模型，一個用yolov4訓練，一個用SSD訓練，根據長時間訓練後的結果對十張相同的圖檔進行預測，對二者效果做了一個對比。并且發現yolov4與SSD開攝像頭進行檢測時，yolov4稍微有點一卡一卡的感覺，但是SSD整體顯得較為流暢，這是二者幀速率不同導緻的，yolov4的幀速率實際隻有30FPS左右，但是SSD大概有60FPS左右，故顯得比較流暢，最後我們開攝像頭進行了識别。\\檢測步驟如下：

\begin{enumerate} 
	\setlength{\itemsep}{-2ex}  
	\setlength{\parskip}{0ex} 
	\setlength{\parsep}{0ex}
	\item OpenCv調用VideoCapture(0)方法打開攝像頭\hfil\break
	\item  對視訊流進入循環，逐幀讀取圖檔及标注位置\hfil\break
	\item 轉變圖檔格式\hfil\break
	\item 将圖檔的特征資訊轉成數組的形式\hfil\break
	\item 開始檢測圖檔，其中以yolov4為例，yolo在檢測圖檔函數中，會對圖檔進行預處理，如Mosaic資料增強，還會做歸一化。\hfil\break
	\item 進行預測，并将将預測結果進行解碼\hfil\break
	\item 篩選出其中得分高于confidence的框\hfil\break
	\item 去掉灰條\hfil\break
	\item 進行畫圖操作，畫矩形框并顯示\hfil\break
\end{enumerate}


\section{實驗結果}
實驗過程中我們用兩個模型分别檢測相同的十張圖檔，效果如下，我們可以看到用ssd模型對10張圖檔進行預測，隻有6張檢測成功。而用yolov4訓練的模型對10張圖檔進行預測，能檢測出8張，故yolov4訓練的模型效果更好，圖6為效果對比圖，紅色的折線為yolov4，藍色的折線為ssd，另外還做了一個簡易GUI界面友善使用者操作。

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.4]{ssd_detection.jpg}            %設定縮放比例
	\caption{ssd檢測圖檔}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.35]{yolov4_detection.jpg}            %設定縮放比例
	\caption{yolov4檢測圖檔}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.2]{compare.jpg}            %設定縮放比例
	\caption{效果對比}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.6]{video.jpg}            %設定縮放比例
	\caption{開攝像頭識别}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}

\begin{figure}[!htb] %插入圖檔
	\centering
	\includegraphics[scale=0.3]{window.jpg}            %設定縮放比例
	\caption{簡易GUI界面}                      %設定圖檔的一個編号以及為圖檔添加标題
\end{figure}


\section{實驗結論}
本文提出了一種基于yolov4算法的抽煙檢測解決方法，本文對yolov4算法與SSD算法作了比較，檢測效果還是yolov4更好，并且該模型大部分圖檔都能檢測出，但是這裡存在一些問題，一個就是yolov4在實驗結果中的FPS相對不高，是以會有卡頓的情況，這一點SSD就顯得較為流暢了，以後可以試着用yolov4-tiny\cite{jiang2020real}，因為該網絡訓練出的模型很小，加載快，并且官方說該網絡FPS更快。另一個問題是模型能檢測抽煙行為，但對于極其相似的物體，如粉筆，形狀和顔色與煙都十分相似，這裡考慮可能的解決辦法是增加一個煙霧檢測。

\bibliographystyle{plain} %參考文獻
\bibliography{smoke} 


\end{document}