latex写论文（TeXstudio工具）_怎么用texstudio写论文

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} 
1
2

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}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166