投稿指南【NO.7】目标检测论文写作模板（初稿）

中文标题（名词性短语，少于20字，尽量不使用外文缩写词）

张晓敏1，作者1,2***，作者2**，作者2*（通信作者右上标*）

1中国科学院上海光学精密机械研究所空间激光传输与探测技术重点实验室，上海201800；

2浙江大学光电工程学院，浙江杭州 310027

（署名和单位顺序投稿后不能修改，姓前名后，单位具体到二级部门，给出准确的官方名称）

摘要中文摘要（摘要应重点包括4个要素，即研究目的、方法、结果和结论。以300字左右为宜。不得简单重复题名、引言、结论中已有的信息；不宜有大量关于研究背景的描述，应避免出现主观性极强的描述；不用非公知公用的符号和术语，不能用引文；缩略语、略称、代号在首次出现时必须加以说明；不用图、表、公式、化学结构。）

关键词关键词1；关键词2；关键词3；关键词4 （4～6个，关键词是名词，不使用缩写词，第一关键词与第一OCIS码对应。）

中图分类号文献标志码

（中图分类号查看网址：http://www.opticsjournal.net/Columns/Submit.htm?action=post&oid=PT1005180000058DaG&dn=1）

Title in English（与中文题目含义一致，尽量不用缩写）

Zhang Xiaomin1, Author1,2***, Author2**,Author2*（通信作者右上标*）

1 Key Laboratory of Space Laser Communication andDetection Technology, Shanghai Institute of Optics and Fine Mechanics, ChineseAcademy of Sciences, Shanghai 201800, China;

2 College of InformationScience and Engineering, Zhejiang University, Hangzhou，Zhejiang 310027，China

（英文单位采用准确的官方名称，先二级单位后一级单位，注意中英文署名、单位、省市、邮编对应）

Abstract Content ofabstract（不得出现内容、语法、时态等错误，且与中文摘要对应，不能遗漏关键信息。）

Key words keyword1; keyword2; keyword3; keyword4（中、英文关键词一一对应，首字母小写，不使用缩写词。）

1 引言

（引言建议包括以下内容：

1）本研究领域背景的综述；

2）其他学者已有研究成果的详细描述；

3）陈述为什么需要进行更多的或进一步的研究；

4）阐述作者本项研究的目的；

5）简述本文开展的研究工作；

6）本项研究结果的意义（可选）。

此外，引言切忌与摘要、结论重复；不能出现图、表以及公式；文字描述要客观，不能出现“首次”“第一”等主观性强的词。

引言不能过长，研究论文引言超过1页要考虑精简，综述另论）

第一段：检测任务的背景及检测的重大意义。

第二段：检测算法的发展历程（传统检测算法以及目前的检测算法发展历程）以及引用几篇当前研究者的论文，作为研究现状。

第三段：简述本文的研究工作。

2 本文提出的模型

为解决检测任务的难点问题，提出什么方法，解决什么问题。所提出的网络模型总体结构如图1所示。（需要画图）

图1 EB-YOLOv5s结构图

Fig.1EB-YOLOv5s structure diagram

2.1 方法一理论部分

写作方法一：看方法原理的原文，比如添加了ECA注意力机制，就看原论文对原理的阐述。

写作方法二：从知网上下载已经发表的论文，搜索关键词，比如搜索ECA注意力机制，就会有相关的论文出现，下载后将几篇论文中的ECA注意力机制的原理内容先复制过来后，然后用自己理解的话进行说，或者进行降重

写作方法三：从csdn、知乎等平台上对该方法的理解，但是不够权威，良莠不齐，只能作为备用手段。

写作方法四：通过添加方法的代码进行理解原理，然后进行写作和画图。

写作方法五：通过询问导师或者师兄师姐等看能否得到更深的理解。

注意事项：需要将研究的理论与检测的应用背景结合起来，不仅仅说明方法的基本原理，还要说明为什么用该方法，以及怎么用到该方法，最后可以达到什么样的效果。

2.2 改进方法二原理

同方法一

3 实验数据及处理

本文网络模型训练所用实验数据来源于国内公开的nwpu-10数据集，为满足深度学习对大量训练样本需求，增加模型泛化能力，本文采用随机缩放、翻转、亮度增强、对比度增强、颜色增强和Mosaic的方式进行数据增强。

3.1 评价指标

以下为模板，自己再进行修改，根据自己掌握的资料。降低重复率

本文实验采用检测精度和检测速度来衡量模型检测性能[23]。检测精度指标包括召回率(Recall,R)、精度(Precision,P)、平均精度(average precision，AP)、平均均值精度mAP(Mean Average Precision)；模型检测速度指标采用检测单张图像所用的时间t；网络模型复杂度用网络层数(Layer)、模型权重(Weight)、网络参数量(Parameters)来评估，三者数值越大，网络模型越复杂。

3.2 实验平台

结合自己的实际情况进行更改填写，以下为模板。

本实验基于Ubuntu 18.04操作系统，Intel(R)Xeon(R)Gold 5218处理器，128G内存，64内核，使用Pytorch 1.8.0框架，通过一台NVIDIA Tesla T4显卡进行训练，显存为32GB。Python版本为3.8，CUDA版本为11.1.1。模型训练的迭代次数设置为500，batch size设置为64。训练过程中动态调整学习率，采用NAG(Nesterov Accelerated Gradient)优化器进行优化,momentum设置为0.937。采用周期性学习率进行调整和Warm-Up方法预热学习率,初始学习率设置为0.01，学习率衰减权重为0.0005，在Warm-Up 阶段，采用一维线性插值对每次迭代的学习率进行更新直至0.002，使用余弦煺火学习率衰减(Cosine Annealing)方法自动调整学习率。

3.3 数据集

根据自己的数据集进行填写，以下为模板。数据集资料网上进行搜索，或者知网搜索相关论文后，参考借鉴对数据集的介绍。

本文实验采用数据集来源于国内公开的HRSC2016数据集，共包括1061张海面场景图像和近岸场景，其中大部分为近岸图像，图像分辨率为0.4-2m。数据集有以下几个特点：(1)图像背景复杂，包括港口码头、陆地建筑、海面、小岛、薄云等；(2)舰船尺度变化大，同一张图像舰船尺度差异较大；(3)港口码头内舰船排列密集。HRSC2016对数据集进行了三级分类，一级分类为船，二级分类为航母、军舰、商船、潜艇四大类，三级分类为各型号细分。其中，军舰类型主要包含航母、驱逐舰、护卫舰等10种类型的舰船，民舰类型主要包含货船、游轮、气垫船等多种类型的民船，图4展示了数据集部分示例图像。

4 实验结果与分析

为验证本文提出xxx算法的有效性，通过实验与其他3种常用的目标检测算法进行对比；为探究本文算法中各模块对整个算法的贡献，针对方法一和方法二进行消融实验。以上实验分别在NWPU-10数据集上进行网络模型训练，实验过程中，控制设备、训练超参数、迭代次数等实验条件保持一致，得出实验结果并进行分析。

4.1 与其他方法比较

4.2 消融实验

4.3 测试实验图片效果对比

5 结论

结论（在研究结果与讨论的基础上总结出本研究得到的重要论点，建议可包括以下内容：1）解释结果；2）将结果与之前提出的研究目的或假设相联系，阐明结果的重要性；3）将结果与其他已有研究工作进行比较；4）尽可能得出一个很清晰的结论，对每一个结论需要总结证据；5）也可以指出本工作的不足和将要开展工作的展望。

切勿简单重复摘要和引言。不要以1）、2)、3）形式简单罗列前文已经写出的结论。

结论中不出现图、表、公式。）

参考文献

1. 作者姓名、文献题目、期刊名/会议名、年卷期、起止页码等信息要全。

2. 参考文献列表中不得有重复文献。