目标检测经典论文翻译领域博主
论文: EfficientDet: Scalable and Efficient Object Detection
目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战:
FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地直接相加，然而由于不同的特征是不同的分辨率，对融合输出特征的共享应该是不相等的。为了解决这一问题，论文提出简单但高效加权的bi-directional feature pyramid network(BiFPN)，该方法使用可学习的权重来学习不同特征的重要性，同时反复地进行top-down和bottom-up的多尺度融合
论文认为除了缩放主干网络和输入图片的分辨率，特征网络(feature network)和box/class预测网络的缩放对准确率和性能也是很重要的。作者借鉴EfficientNet，提出针对检测网络的混合缩放方法(compound scaling method)，同时对主干网络，特征网络和box/class预测网络的分辨率/深度/宽度进行缩放
最后，论文将EfficientNet作为主干，结合BiFPN和混合缩放，提出新的检测系列EfficientDet，精度高且轻量，COCO上的结果如图1，论文的贡献有以下3点：
定义多尺寸特征 ，论文的目标是找到变化函数 来高效融合不同的特征，输出新特征 。具体地，图2a展示了top-down FPN网络结构，一般FPN只有一层，这里应该为了对比写了repeat形式。FPN获取3-7层的输入 ， 代表一个分辨率为 的特征层
top-down FPN操作如上所示， 为上采用或下采样来对齐分辨率， 通常是特征处理的卷积操作
top-down FPN受限于单向的信息流，为了解决这一问题，PANet(图2b)增加了额外的bottom-up路径的融合网络，NAS_FPN(图2c)使用神经架构搜索来获取更好的跨尺度特征网络的拓扑结构，但需要大量资源进行搜索。其中准确率最高的是PANet，但是其需要太多的参数和计算量，为了提高性能，论文对跨尺寸连接做了几点改进：
大多的特征融合方法都将输入特征平等对待，而论文观察到不同分辨率的输入对融合输出的特征的贡献应该是不同的。为了解决这一问题，论文提出在融合时对输入特征添加额外的权重预测，主要有以下方法：
， 是可学习的权重，可以是标量(per-feature)，也可以是向量(per-channel)，或者是多维tensor(per-pixel)。论文发现标量形式已经足够提高准确率，且不增加计算量，但是由于标量是无限制的，容易造成训练不稳定，因此，要对其进行归一化限制
，利用softmax来归一化所有的权重，但softmax操作会导致GPU性能的下降，后面会详细说明
，Relu保证 ， 保证数值稳定。这样，归一化的权重也落在 ，由于没有softmax操作，效率更高，大约加速30%
BiFPN集合了双向跨尺寸的连接和快速归一化融合，level 6的融合操作如上， 为top-down路径的中间特征， 是bottom-up路径的输出特征，其它层的特征也是类似的构造方法。为了进一步提高效率，论文特征融合时采用depthwise spearable convolution，并在每个卷积后面添加batch normalization和activation
EfficientDet的结构如图3所示，基于one-stage检测器的范式，将ImageNet-pretrained的EfficientNet作为主干，BiFPN将主干的3-7层特征作为输入，然后重复进行top-down和bottom-up的双向特征融合，所有层共享class和box网络
之前检测算法的缩放都是针对单一维度的，从EfficientNet得到启发，论文提出检测网络的新混合缩放方法，该方法使用混合因子 来同时缩放主干网络的宽度和深度、BiFPN网络、class/box网络和分辨率。由于缩放的维度过多，EfficientNet使用的网格搜索效率太慢，论文改用heuristic-based的缩放方法来同时缩放网络的所有维度
EfficientDet重复使用EfficientNet的宽度和深度因子，EfficinetNet-B0至EfficientNet-B6
论文以指数形式来缩放BiFPN宽度 (#channels)，而以线性形式增加深度 (#layers)，因为深度需要限制在较小的数字
box/class预测网络的宽度固定与BiFPN的宽度一致，而用公式2线性增加深度(#layers)
因为BiFPN使用3-7层的特征，因此输入图片的分辨率必需能被 整除，所以使用公式3线性增加分辨率
结合公式1-3和不同的 ，论文提出EfficientDet-D0到EfficientDet-D6，具体参数如Table 1，EfficientDet-D7没有使用 ，而是在D6的基础上增大输入分辨率
模型训练使用momentum=和weight decay=4e-5的SGD优化器，在初始的5%warm up阶段，学习率线性从0增加到，之后使用余弦衰减规律(cosine decay rule)下降，每个卷积后面都添加Batch normalization，batch norm decay=，epsilon=1e-4，梯度使用指数滑动平均，decay=，采用 和 的focal loss，bbox的长宽比为 ，32块GPU，batch size=128，D0-D4采用RetinaNet的预处理方法，D5-D7采用NAS-FPN的增强方法
Table 2展示了EfficientDet与其它算法的对比结果，EfficientDet准确率更高且性能更好。在低准确率区域，Efficient-D0跟YOLOv3的相同准确率但是只用了1/28的计算量。而与RetianaNet和Mask-RCNN对比，相同的准确率只使用了1/8参数和1/25的计算量。在高准确率区域，EfficientDet-D7达到了，比NAS-FPN少使用4x参数量和计算量，而anchor也仅使用3x3，非9x9
论文在实际的机器上对模型的推理速度进行了对比，结果如图4所示，EfficientDet在GPU和CPU上分别有和加速
论文对主干网络和BiFPN的具体贡献进行了实验对比，结果表明主干网络和BiFPN都是很重要的。这里要注意的是，第一个模型应该是RetinaNet-R50(640)，第二和第三个模型应该是896输入，所以准确率的提升有一部分是这个原因。另外使用BiFPN后模型精简了很多，主要得益于channel的降低，FPN的channel都是256和512的，而BiFPN只使用160维，这里应该没有repeat
Table 4展示了Figure 2中同一网络使用不同跨尺寸连接的准确率和复杂度，BiFPN在准确率和复杂度上都是相当不错的
Table 5展示了不同model size下两种加权方法的对比，在精度损失不大的情况下，论文提出的fast normalized fusion能提升26%-31%的速度
figure 5展示了两种方法在训练时的权重变化过程，fast normalizaed fusion的变化过程与softmax方法十分相似。另外，可以看到权重的变化十分快速，这证明不同的特征的确贡献是不同的，
论文对比了混合缩放方法与其它方法，尽管开始的时候相差不多，但是随着模型的增大，混合精度的作用越来越明显
论文提出BiFPN这一轻量级的跨尺寸FPN以及定制的检测版混合缩放方法，基于这些优化，推出了EfficientDet系列算法，既保持高精度也保持了高性能，EfficientDet-D7达到了SOTA。整体而言，论文的idea基于之前的EfficientNet，创新点可能没有之前那么惊艳，但是从实验来看，论文推出的新检测框架十分实用，期待作者的开源
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）。
检测论文领域博主
不一样，大学生论文查重选择比较多的是paperfree、paperpas等免费查重软件，PaperFree论文查重软件通过海量数据库对提交论文进行对比分析，准确地查到论文中的潜在抄袭和不当引用，实现了对学术不端行为的检测服务。
笔杆和paperask是两个不同品牌的查重软件，目前免费查重软件比较多，各个查重网站都有着一定的免费字数领取，相比paperbye免费查重是目前全网最优的的检测系统。
PaperBye论文查重系统，数据范围包括，硕博研究生论文，本科毕业论文，课程作业论文，活动征文，会议论文，专利，图书专著等各领域数据，目前推出，永久免费版，不限制篇数，不限制字数，每天可以免费查重。
不是。paperask是英语单词，不是笔杆。笔杆和paperyy不是同一个，它们分别是不同类型的网站，提供的服务也不一样。
本科论文，一般重复率，就是指借鉴和抄袭的内容不能多于20%。
目标检测经典论文总结
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 ：
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。
毕业论文领域博主
我比较喜欢B站上学些东西，所以我就推荐几个B站上的学习博主。1.旁门左道pptppt真的可以说是必备技能了，学好ppt方便日常学习和工作，还可以接单赚些外快啥的。新手入门PPT都要经过先学PPT这个工具如何使用、如何做出什么效果这样的过程，而旁门左道ppt里有大量免费教程，他的讲解浅显易懂，操作性强，不管是素材还是讲解都非常实用，在实际生活中也确确实实起到了很大的作用，既有设计能力的直线提升，更有审美水平的巨大飞跃。在不断学习模仿中，的确做出了漂亮的幻灯片。他也有专门的公众号，推文质量一直很优秀。
2.拉小登excel一位戏精附体的Excel老师，刚入驻B站不到两个月，就吸引了10万粉丝关注！他的授课风格幽默有趣，别人眼中枯燥的Excel却是他手里有趣的「玩具」！总之，如果想学Excel，跟着这位戏精老师学就对了！其实除了这两位，秋叶也不错，无论是秋叶ppt还是秋叶excel也都优秀。
3.靡音MEYAM非常适合准备考研的同学们关注的一-位UP主，内容包括学习技巧、学习日常、读书分享、做手账等等。这个博主算是最早一批做学习直播的主播了，她就是陪同人人一路学习，因为很多人在学习方面缺少自制力，没有一个正当的工夫规划，或许是不可以坚持，这些都会影响到终极的学习结果，这个博主资助人人制订正当的学习法子、工夫经管档案和使命经管措施等，考公和考研的人能够适用。
4.猛犸君侯要是你喜欢看纪录片必然要存眷这个博主，这个博主专门上传种种纪录片，而且都是国外的作品，这些作品大多都是经典之作，在其余的网站上必要付费或者是彻底找不到的，并且还带有中文配音。
还记得这个学生，当时因为系列的造假材料很出名，并且身份也很特殊，所以就给国人留下了深刻的印象。
我当然记得《令人心动的offer》里的梅桢，当时还是很喜欢她的，也在某视频平台上关注了她的账号。
北京大学是很多人此生都是可望而不可及的学府，当大家在《令人心动的offer》第一季第一期得知梅桢目前正在北京大学读博士后，天然就对梅桢增加了一层“学霸”滤镜。所以这次梅桢的翻车，也让不少人都十分诧异。
梅桢是一个情商很高、智商也很高的人，在《令人心动的offer》中，她虽然是所有实习生里学历最高的，但却并不是最露锋芒的那一个。
她曾在节目中表示过，由于从小接受的教育都是“万年老二式”的教育，所以她在生活中一直都是不争不抢的状态，在工作上也往往不会表现得太过锋芒毕露，很多人都喜欢她这样温柔的性格。
《令人心动的offer》中，某一期梅桢与实习生邓冰莹一同处理一档关于重婚的案例，在面对当事人时，邓冰莹非常直接的询问当事人“知不知道对方已婚了？”当事人听到后，情绪十分激动。而梅桢则表现得十分温和，引发了当事人的好感。
虽然邓冰莹的处事方式是十分专业的，可梅桢却更加能够体谅当事人的心情。
后来实习生们一起去乡村为老人们进行法律科普，在一位老人喋喋不休的当着小朋友的面，诉说小朋友父母的坏话时，梅桢非常温柔地拿出了一个糖给小朋友，将小朋友引去了别的地方，不想让小朋友听到老人的言论。
虽然梅桢最终没有在《令人心动的offer》中获得offer，但她却获得了许多粉丝的喜欢，全网都在对梅桢叫“梅桢姐姐”。
《令人心动的offer》播出后，梅桢在攻读博士的同时也开始做博主了，她经常在社交平台上分享自己的生活状态与工作状态，同时还分享了一些关于如何更高效学习的方式方法。
梅桢的粉丝都非常喜欢看她的视频，觉得她的视频特别治愈，而且她分享的高效学习方法也确实帮助了一些正在读书的同学们。
本来这次得知梅桢将去华东政法大学，担任师资博士后及专任教师时，我还是很为她感到开心的，但没想到最终梅桢还是与华东政法大学失之交臂了。
我真的没想到梅桢是一个美国人，我一直以为她是中国人！
华东政法大学是一所非常优秀的院校，不仅师资力量强大，而且学生素质整体很高，这次华东政法大学的同学们排斥梅桢就任华东政法大学专任教师，提出了以下几点原因。
这次的事件对梅桢和梅桢家人的生活都造成了很大的影响，梅桢本人也在社交平台发长文表示，她本来是很珍惜这次的工作机会的，但为了还身边人安宁的生活，所以她选择了放弃这一工作机会。
虽然梅桢的学术水平确实存疑，但华东政法大学既然已经将她放在教师拟录名单上了，那么大家质疑梅桢学术水平的同时，是否也应该质疑一下学校的用人标准呢？
现在梅桢也如大家所愿，放弃这个工作机会了，希望个别偏激人士不要再骚扰她的家人了，牵连家人真的不太好。
（以上所有言论均代表个人观点，如有不妥之处，欢迎在评论区指正。若大家喜欢本篇文章，可以为文章点个赞，也可以关注一下小编，这对我很重要。）
作为一名大学生，我来分享一下高中和大学两个阶段我关注的优质的学习博主。
这位博主是一位语文老师，讲课的风格风趣生动、讲解了很多答题技巧、喜欢用夸张的方式讲解知识点。他的视频内容很全面很多干货，平时还会从热点话题事件中挖掘素材，这都非常利于我们打开思路对语文有更多的思考。打开这位博主的收藏夹，分为几大板块：作文、文言文、古诗、古代文化常识、小说和散文、论述类文本阅读、实用类文本阅读、语言文字应用等等。他还会讲解一些好的模拟题经典的高考题，分析题目给出做题技巧。想要提升语文的同学们哪里薄弱就重点看哪里，一定会有所收获的！
这位博主是很有名的新东方英语老师，在网上免费分享网课，这对许多同学来说简直是个大宝藏！直接省去了报补习班昂贵的费用，而且博主讲的非常好，完全不输给其他补习班老师。授课内容有：词汇班、语法班、暑假班、秋季班、冲刺班、寒假班、短文改错、文章续写、北京卷、全国卷、写作基础训练、新题模拟讲解等等，内容非常全面。授课形式是直播的方式，而且都是有回放的，上晚自习的同学们不能看直播也可以另找时间去看回放，不会的地方反复观看，并且每个视频下老师都会放讲义的链接，自己下载打印下来复习会更方便。这不仅适合高三生，高一高二的同学也可以跟着老师一起学习，早早打好基础，给高三减轻压力。
黄夫人是一位高中物理老师，不仅人长得很帅而且讲课也很幽默风趣，讲的方法也很好理解还有很绝的解题技巧。课的内容分为：必修一、必修二+动量、选修3-1/必修三、选修3-2、选修3-3、选修3-5、高三复习。分的很明白，查找也很方便，直接打开他的收藏夹就可以了，同学说哪里不会看哪里。他在网上的视频是免费的，还配有讲义不过是付费的，但整体看来是非常值得的！
樊老师是天津工业大学的数学教授，他的视频内容质量非常高，非常值得仔细研究！每节课不是讲PPT那样，是在黑板上写板书，每个知识点从原理推起，讲的非常细致并且很深入，听完课有种醍醐灌顶的感觉。樊老师的视频包括高数上和下，是按照同济版的高等数学书的顺序来上的。如果你是准大一新生，可以在暑假看看樊老师的视频提前预习一下。如果你是大学生了，平时上课老师讲的快的地方还是自己没有听懂的地方，都可以来看看樊老师的视频学习。
这位博主本科是财经类211，清华经管硕士，十分优秀！他分享的内容对大学生们日常生活学习有很大的帮助。会和我们分享大学保研的信息差、大学生暑假应该干什么、大学学习真相、大学与高中的本质区别、他身边清华学霸身上值得学习的特点......他像一位良师，给我们分享知识和干货；又像一位益友，真诚耐心和我们交流，告诉我们怎么走出低谷、告诉我们如何不去焦虑等等。他真的是一位宝藏博主，看他的视频真的受益良多！
以上就是我关注的优质的学习博主啦，希望可以帮到你！
金融学术领域经典论文
近年来,金融在现代经济中处于核心地位,经济全球化和国际金融市场一体化程序的不断加快对金融人才的需求结构和素质要求产生了重大影响。下文是我为大家蒐集整理的关于的内容，欢迎大家阅读参考! 篇1 浅析回圈经济发展的金融支援与创新 一、回圈经济发展与金融支援、创新的关系 1.回圈经济发展的简述 回圈经济最早为美国经济学家在20世纪60年代提出，其理论主张为：面对经济发展，要回圈使用各种资源，使这种回圈式的经济模式转变过去单程的经济发展模式，这一理论成为后来回圈经济发展的理论基础。经过发展，回圈经济的概念为：资源消耗和环境污染关系的探究，在发展成熟的市场机制基础之上，使资源得到高效利用，并以此增强环境保护，达到节约资源、利用资源、回圈使用的日的。资源利用一方面要满足利一会发展的需要;另一方面要在整个经济体基础上实现低投入、低排放、低开采、高收入。 2.回圈经济发展与金融支援、创新的关系 首先，回圈经济本身具有综合性，并且投入成本高，在发展的过程中每一个发展阶段都需要有大量的资金投入，在市场经济制度之下，金融体系的形成、发展是在金融创新的外表下出现的，这就是回圈经济发展的基础，回圈经济发展的金融支援来源于此，所以，回圈经济发展的助力之一为金融创新。 其次，回圈经济想要获得持续发展，既要提高经济增长的质量，又要完善经济发展的方式，以此使经济体制得到升级，并在此过程中得到金融资源的积累与扩充套件。在金融环境下回圈经济发展一方面可以促进基金流通顺畅，市场优化发展，并走向成熟，另一方面可以加速金融资源的创新以及市场上存在的资源整合。 由此可以看出，回圈经济与金融之间的关系是紧密相关的，金融的支出与创新是回圈经济得以发展的关键，回圈经济的发展是金融发展与创新的动力，两者在促进市场发展过程中缺一不可、密不可分。 二、金融支援回圈经济出现的问题 1. *** 重视程度不够 从国家的角度来看，由于我国回圈经济发展起步较晚，曰前还没有形成一套完整的金融支援回圈经济体系，而回圈经济产业化的政策支援还没有形成具体的发展模式，专门性的金融政策至今还没有形成建制。我国虽然积极发展回圈经济，但是并没有将其视为一个整体，还原于整个经济体系之中，制定相关的政策。日前已经形成的融资体制是在外部环境的 *** 下而被动形成的，并不健全，在这样的制度背景之下形成的金融机构很难提供相应的金融服务。 2.给予经济效益与社会效益的关注失衡 曰前，就金融业所拥有的监管与执行体制，没有更多精力承担由于环境变化所带来的社会负担。另外，金融业更加注重款项的安全性、收效成果、资金流动等内容，这就使回圈经济的发展环境笼罩在不利的金融环境之下。金融行业更关注经济效益而社会效益被忽视，这就使得商业金融环境下的回圈经济很难形成相应的市场执行体制，回圈经济的发展渠道受阻。 3.金融机构下的回圈经济发展方面单一 金融机构支援回圈经济不是全方位的，而是有选择性的，主要有农业、发电，对于新产业、技术含量高的行业未被覆盖，这就使得一些行业的能源使用效率、回收率低。 三、回圈经济发展的金融创新措施 1.加大 *** 关注 *** 的导向是一种牵引，能够形成一种潮流、一种激励。回圈经济是一项长期、复杂的全面且系统的工程，如果 *** 放任自流，没有巨集观调控就会减缓回圈经济的发展速度，这与世界发展大势不符，不能满足社会发展的需要。所以， *** 要明确回圈经济的概念与含义，不断更新人们的观念，从多个方面同时对回圈经济加以完善，利用 *** 的强制、福利等于段合理引导，以此来支援金融创新的发展。 2.建立健全金融市场机制 市场机制、市场内外环境是金融创新的外部条件，只有外部条件良好才会促进金融创新的发展。正使因为回圈经济的发展周期长，并且需要的资金多，伴随的风险高，这就使得资金供需关系制约著金融行业的发展，要打破这样的困难，必须建立健全金融市场机制，为金融创新奠定基础，以此来促进回圈经济的发展。第一，金融行业要重视激励机制的健全。用奖励机制调动各个企业参与回圈经济的建设之中，汇集更多的金融支援。第二，建立创新机制。发展角度的创新理念之下， *** 设立基金，并由金融机构组织技术创新，又指定单位提供贷款，为科技创新提供金融支援，为回圈经济发展奠定基础。第三，形成风险防范机制。金融机构可以设立或者组织风险投资基金，还可以购买回圈经济发展所必要的债券、股票等，分散回圈经济发展的风险，控制风险发生后的损失。 3.挖掘融资渠道的作用 直接融资可以完善企业结构，招揽对回圈经济具有热情的企业。利用资本工具、股票等的优点，并结合先进技术、放松对企业最高资金数额的限制等措施促进金融市场走向成熟，形成一批效益好、发展健康的回圈经济企业，以此来加速回圈经济的发展。 四、结束语 综上所述，在金融背景之下，回圈经济发展、金融支援与创新是时代发展的要求，我们要积极探索，建立效率更高的政策策略，协凋巨集观微观调控的关系、金融内部外部的关系，促进金融发展、回圈经济发展。 篇2 谈金融统计中金融资产分类标准及改进 金融资产的分类是金融统计工作中的关键环节。在国际通行的各种统计规范中，金融资产分类也是重要关注点。充分认识我国金融资产分类调整详细方向，是确保金融统计工作顺利进行的前提条件。 一、金融资产分类的重要意义 在金融活动的分析和参与中，对金融资产的分类一向是重要的内容之一。金融分类能够有效的帮助金融从业者在处理金融统计问题中的各类问题，促进金融分类的完善化和精确化。分类金融资产的原因在于：一是它关系到金融资产以及负债数额的计算;二是作为资产结构的风险性、流动性评估的依据;三是它也是金融从业公司会计报表制作的依据。 对于金融资产分类，需要根据使用报表的实际需求来考虑分类的方法，在一些情况下需要更加详细的报告，而对于一些业务面比较广泛的公司而言，对于一些新生的金融工具的分类以及对于金融工具更加细致的划分就显得尤为必要。 二、93SNA和2000MFS两大标准之间的对比 2000MFS和93SNA在金融资产分类上并没有根本性区别。MFS在金融资产这个本质概念的含义上没有做出改变，也就是“是指一切代表未来收益或资产合法要求权的凭证，即为一切在有组织的金融市场上交易，具有显示价格和未来股价的金融工具的统称。”两者的金融资产分类标准也没有区别。两者的实际区别为，MFS在金融资产的分类上更加具体，同时也做出了更多的补充与完善，对于存款、金融衍生产品、回购协议等新生分类作出了进一步补充。 具体来看，两者对金融资产的分类存在着区别，SNA在分类的型别上显得较多，对于金融资产的大类划分上将金融资产和负债简单的分为七种，分别是：货币黄金和特别提款权、流动资金、股票以外的证券包括衍生金融工具、贷款、股票或其他权益、保险专门准备金、其他应收应付账款。SNA对于一些大类划分增加了更加详细的划分，对于保险专门准备金而言，分为投资者对养老保险或保险准备金的所有部分、预付费用和索赔准备，对于贷款和债券则将其依据实践加以分类。 MFS在分类上除了分类细化也有着其他的变化，增加了回购协议和证券出借、金融衍生产品、本币与外币存款、其他非贷款资产等分类。其它改变有如下几点：首先是分出了新的金融衍生品类别，并对其进行了详细的分类;其次是债券的分类被进行了细化，增加了新的债券分类方法，分类更加精细与科学，对于其型别加以划分为长期债权、短期债券、抵押担保债券和其他衍生债券;再次是对于股票的划分，对于金融性公司的股票以及其他股权负债方的资产在记录上一同记录，再根据其具体情况按照股权投资、留存收益、各类准备金、价值调整等型别分别划分型别;最后MFS对于一些新的金融工具也加以收录，在总体上显得更为精密。 三、SNA2008对金融资产分类方面的改进 93SNA对金融核算体系而言是一件重大更改。93SNA对于全部的金融衍生工具都作为金融资产加以考虑，并根据其具体特性加以分类。 在此基础上，2008年推出的《货币与金融统计编制指南2008》又加以扩充套件，雇员股票期权也被计入，将此分类变为“金融衍生工具和雇员股票期权”，并根据其功能将其划分为期权和远期。其在金融资产分类上的变化主要表现为：在资产的分类变得更加详细，对非股票证券、贷款、股票和其他股权、保险技术准备金、金融衍生工具和其他应收应付账户这五类资产完善更改其定义，同时也对这几类分类的二次分类进行了概念更改和详细化。 现阶段，SNA2008已正式颁布，它对金融资产分类的更改与补充显得更加细致精密。具体情况包括：对于一级分类的数量增加了，变为八个;对于股票以外的证券这个显得不明确的概念改变为债务证券这个分类其内容与定义并未改变;股票和其他权益被改为权益和投资基金股票的称呼，而权益的概念包括上市与非上市股票，投资基金股票则作为一类单独的金融资产被划分出去;保险专门准备金的概念被扩大化变为“保险、养恤金和标准担保计划”。 四、我国目前金融分类实施现状 就日前来说，我国在金融资产分类的划分中还是比较落后的。虽然新兴的金融工具已经出现于市场上，在各类金融资产统计的分类中却并不能得到准确的反映，这就是显而易见影响到了金融资产统计工作的开展。而虽说一般对新型工具也有着一定的统计记录，但其归属尚不明确，不能正确的确定其作用与型别。 一方面，在金融分类上并不严谨。根据日前我国的财务准则，企业或金融机构所持有的债券既是交易性金融资产又可能是可供出售金融资产，甚至还有可能是持有至到期投资。不同的类别计量方法完全不同，会导致不能准确计量财务情况，而准则对这一点没有明确规定。对于来自二级市场然而持有者打算长期持有的股权资产，也具备属于长期股权投资和交易性金融资产两种不同类别的特性，虽然说这种问题并不常见，但是就造成了可以通过简单的计划改变金融统计情况的问题，显示了目前我国的金融准则还不够严谨，不能完全应对所有情况的不利现状。 另一方面，日前也存在着金融资产统计中的核算范围问题。根据相关法规，金融统计包括在中国人民银行审批和监管之下的所有金融活动，但这一标准在实际中执行并不如人意，对市场上实际的金融活动来说，审批和监管的日标是在不断变化的，这也造成金融统计和核算对于不断发生的变化也要跟随变化。 对于我国目前的金融统计情况而言，要加强对国际标准的认识与了解，同时对于各种业务情况精熟于心，根据企业的实际情况来灵巧的运用金融分类标准，但也不能违背法律与法规。 最后，随着中国金融市场的不断发展，不断根据国际标准完善金融资产分类体系，把握国际业界金融产品与型别的不断变化，加强对各类分类本质的认识，促进金融市场的不断发展和完善。 五、结语 金融资产分类具有变化性，在对金融资产分类的认识中，要不断的与国际化接轨。对于分类的确认是日前工作的重点，对于不同的分类加以注意，更好的为统计目标所服务。国际货币基金组织对于金融统计分类的新修正相比于过去的标准更好的反映了国际金融市场局势的变化，更好地指导了金融统计工作的进行，对于我国优化金融体系有着巨大的作用与帮助。对于金融从业人员也提出了更高的要求，也使得金融行业从业人员需要增加对业界的认识与了解，对于业界的新趋势新情况加强认识，增加了解，从而更好地将理论与技能运用到实际工作中去。
我按照topic而不是不按照citation选择，因为一些高引用率的比较老，或者说太经典了，已经被简化为教科书了。首先是方法的文章，学好方法，用起来放心。然后是factor方面的文章。然后是market efficiency，好多asset pricing的reading list都会涉及，但是也有很多不会讨论，其实没啥问题，感觉只是一个对市场的理解。value and momentum，liquidity，asymmetry和主要的anomaly都是比较重要的，一般的业界量化也会用。最后就是fund方面的文章，我觉得和其他的factor，anomaly文章有一些区别。anomaly方面文章来源自之前课上的reading list（asset pricing. empirical asset pricing, empirical finance），fund方面来源自正在上的课的syllabus（theory of asset pricing。因为老师是做hedge fund的，所以要读一些重要的fund文章。）。另外还有一些是之前自己看过的，觉得不错所以一直记得。
我读的偏corporate finance，结合文献课list、专业书籍以及自己总结做一个推荐，个人觉得去数据库里下载很麻烦，推荐下载文献用谷歌学术搜索吧，即便你的学校没有购买很多的数据库，或者你已经毕业了，有很多文章在这里都可以直接下载。建议如果是入门，还是先读经典文献，找到自己感兴趣的领域，并利用这一领域的经典文献绘制知识体系，再去读前沿文献，一样是谷歌学术搜索。如果不知道怎么判断好论文，最简单的方法是找发表在顶级期刊的最新论文，公司金融领域有JF、JFE等等。
Jurnal of Finance自诞生以来引用次数最高的50篇文章，由美国金融学会主办的学术杂志《金融学杂志》（Journal Of Finance），主要刊载金融理论及投资、货币、银行、保险和金融市场等方面的文章。该刊目前由美国出版商Wiley-Blackwell代美国金融学会出版。2008年影响因子：，在ISI 同类48 本期刊中排名第1，是金融领域同时也是经济领域被引用最多的期刊之一。自1946年创刊以来，《金融学杂志》发表了众多广受关注的论文，其中一些可谓经久不衰，对金融理论和金融实务产生了重要影响。日前，该刊编辑特意筛选了《金融学杂志》自诞生以来引用次数最高的前50篇文章，供诸位读者参阅。Harry Markowitz发表于1952年3月刊的论文《证券组合选择》，后来成了证券组合管理理论的基石；1961年，William Vickrey发表于该杂志的文章，对拍卖做了经典的分析。一年后，William F. Sharpe发表了《资本资产价格：风险条件下的市场均衡理论》一文，与Lintner等人的研究，共同发现了资本资产定价模型；1970年5月，Eugene F. Fama发表了《有效市场：理论与经验研究的评论》，正式提出了有效市场假说；四年后，Robert C. Merton发表了《企业债务的定价》，用期权定价模型解决了企业的定价问题；世纪末，Andrei Shleifer在该刊发表了对公司治理的研究，此文至今仍被大量引用…刚开始读美国金融体系的时候，写格林斯潘的一篇Understanding the Greenspan Standard。去年诺奖得主Fama合著的两篇《The Cross-Section of Expected Stock Returns》（1992）和《Risk, Return, and Equilibrium: Empirical Tests》（1973），关于CAPM的经典。推荐的一篇文章，“Multifactor Explanations of Asset Pricing Anomalies” Eugene F. Fama; Kenneth R. French The Journal of Finance, Vol. 51, No. 1. (Mar., 1996), pp. 55-84.简直就是做资产定价实证的模板