WPS97中的图文框及使用技巧

WPS97具有强大的文字绕排功能,这是应用图文框来实现的。用图文框可排出形式多样的版面,因此,对图文框应当有深刻的理解才能排出好的版面。 图文框是一个区域概念,可根据需要在文档页面上任何位置插入。在图文框中可以存放各种内容,因此就有不同类型的图文框,如存放文本的文字框、存放图形的图形框、存放图象的图象框、存放对象(如声音、动画等)的OLE框,还有表格及将几个图文框组合在一起而形成一个整体的组合框。     

级联结构的遥感目标检测算法

针对遥感图像中目标朝向任意性的问题,提出一种级联结构的目标检测算法.在基准模型的基础上,采用2种不同的边界框标注模式将多个感兴趣区域网络交错串联,基于当前阶段的倾斜框预测结果回归下一阶段的水平框和倾斜框,形成多阶段级联式的学习过程.该算法结合水平框和倾斜框的各自优势,实现更鲁棒的目标边界框预测.DOTA数据集上的大量实验结果表明,该算法在2个边界框任务上的边界框预测精度明显优于现有的遥感图像目标检测算法.     

基于改进边界框回归损失的YOLOv3检测算法

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比（IoU）之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失算法BR-IoU。将IoU作为边界框回归损失函数的损失项,使不同尺度的边界框在回归过程中获得更均衡的损失优化权重。在此基础上,通过添加惩罚项最小化预测框与真值框中心点间围成的矩形面积,并提高预测框与真值框之间宽高比的一致性,从而优化边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明,在不影响实时性的前提下,BR-IoU能够有效提高检测精度,采用BR-IoU的YOLOv3算法在PASCAL VOC 2007测试集上mAP较原YOLOv3算法和G-YOLO算法分别提高2.5和1.51个百分点,在COCO测试集上分别提高2.07和0.66个百分点。     

单向准连通的表格线检测算法

针对表格框线存在倾斜、破裂、断裂及字符与表线粘连等情况，对表格框线的检测方法进行了深入研究。采用了表格框线检测与处理相结合的方法获取表线。在表格框线检测中，提出基于单向准连通的检测方法，有效地克服了框线的倾斜、破裂及粘连等情况；在表格框线的处理中，采用对检测线的连接和筛选的方法，有效解决了表格框线断裂的问题。通过大量的实验，表明该方法能取得较好的检测效果。     

WPS97图形工具使用技巧两则

为一图文作图形说明 选中图形工具,用多边形工具绘一图形说明框,然后单击该说明框可以将该说明框移动到任意位置,双击该说明框可以将该说明框旋转任意角度至合适的位置。然后用文字框工具书写说明文字,并设置好     

一阶全卷积遥感影像倾斜目标检测

目的 主流深度学习的目标检测技术对自然影像的识别精度依赖于锚框设置的好坏,并使用平行于坐标轴的正框表示物体位置,而遥感影像中地物目标具有尺寸多变、分布密集、长宽比悬殊且朝向不定的特点,更宜通过与物体朝向一致的斜框表示其位置。本文试图结合无锚框和斜框检测技术,在遥感影像上实现高精度目标识别。方法 使用斜框标注能够更为紧密地贴合目标边缘,有效减少识别干扰因素。本文基于单阶段无锚框目标检测算法：一阶全卷积目标检测网络(fully convolutional one-stage object detector, FCOS),通过引入滑动点结构,在遥感影像上实现高效率、高精度的斜框目标检测。与FCOS的不同之处在于,本文改进的检测算法增加了用于斜框检测的两个分支,通过在正框的两邻边上回归滑动顶点比率产生斜框,并预测斜框与正框的面积比以减少极端情况下的检测误差。结果 在当前最大、最复杂的斜框遥感目标检测数据集DOTA(object detection in aerial images)上对本文方法进行评测,使用ResNet50作为骨干网络,平均精确率(mean average precision,...     

目标检测中框回归损失函数的研究

在目标检测中,框回归损失函数的设定直接影响预测框的定位准确性。预测框与目标框的交并比（IOU）被设定为优化预测框的损失函数,但是当两框无重叠面积时无法进行梯度回传。广义的交并比（GIOU）在IOU损失函数的基础上增加非重叠面积部分,将两部分优化项作为损失函数调整预测框位置,解决了无法梯度回传的情况。但当两框是包含关系时,GIOU的第二部分优化项消失,损失函数退化为IOU。为了解决以上问题,提出了一种重新定义的广义交并比损失函数（RGIOU）,将非重叠部分面积定义为两框之并减去两框之交,再除以两框形成的最小闭包面积作为第一部分,除以最小闭包面积的平方作为第二部分,利用权重阈值进行加和形成新的损失函数。避免了两框是包含关系时存在的问题,提升了目标检测算法的精度。上述算法在PASCAL VOC 2007以及MS COCO 2014数据集上加以验证。     

主动迁移学习的海上任意方向船只目标检测

在基于深度学习的遥感图像目标检测任务中,船只目标通常呈现出任意方向排列的特性,而常见的水平框目标检测算法一般不能满足此类场景的应用需求。因此本文在单阶段Anchor-Free目标检测器CenterNet的基础上加入旋转角度预测分支,使其能输出旋转边界框,以用于海上船只目标的检测。同时针对海上船只遥感数据集仅有水平边界框标注,无法直接适用于旋转框目标检测,且人工手动标注旋转框标签成本较高的问题,提出一种主动迁移学习的旋转框标签生成方法。首先,提出一种水平框-旋转框约束筛选算法,通过水平真值边界框来对旋转预测框进行监督约束,筛选出检测精度较高的图像加入训练集,然后通过迭代这一过程筛选出更多的图像,最后通过标签类别匹配,完成对数据集的旋转框自动化标注工作。本文最终对海上船只遥感图像数据集BDCI中约65.59%的图片进行旋转框标注,并手动标注部分未标注的图片作为测试集,将本文方法标注的图片作为训练集进行验证,评估指标AP50达到90.41%,高于其他旋转框检测器,从而表明本文方法的有效性。     

PPT也能制作苹果形标注框

本文以一个普通曲线较难做出的苹果形标注框为例,讲述PPT独特的文字标注框的设在PPT演示中经常用到标注框来写一些说明、对话文字,虽然PPT形状中.也有几种标注框可用,但都比较普通,想用更独特的标注框还是得靠自己设计。以前只能通过绘制曲线、编辑节点来绘制标注框,不仅操作麻烦,也很难画出一些特殊形状。PPT2010中     

基于三级卷积神经网络的物体抓取检测

借鉴人类抓取物体的特点,提出一种三级串联卷积神经网络用于物体抓取框的检测,实现了对未知物体的高准确度抓取．在所提出的三级串联卷积神经网络中：第1级用于物体的初步定位,为下一级卷积神经网络搜索抓取框确定位置;第2级用于获取预选抓取框,以较小的网络获取较少的特征,从而快速地找出物体的可用抓取框,剔除不可用的抓取框;第3级用于重新评判预选抓取框,以较大的网络获取较多的特征,从而准确地评估每个预选抓取框,获取最佳抓取框．测试结果表明,与单一卷积神经网络相比,三级网络获得抓取框的正确率提高了6.1%,最终在实际Youbot机器人上实现了高准确度的抓取操作．     

巧用Excel名称框

Excel中的名称框是编辑栏的一部分，位于编辑栏的左端．公式框的右侧。显示为下拉列表框的样式（如图1）。它主要耳于指示当前选定的单元格、图表项或绘图刘象。灵活运用名称框．对我们提高Excel的使用效率有很大帮助。     

给幻灯片做个不一样的对话框

在PPT中经常用到标注框来写一些说明、对话文字,虽然形状中也有几种标注框可用,但是看起来都比较普通。想在演示中使用更有个性的特色标注框还得靠自己设计,在PPT2010中我们可以很方便地绘制出漂亮的个性化标注框。     

一种用于目标跟踪边界框回归的光滑IoU损失

边界框回归分支是深度目标跟踪器的关键模块,其性能直接影响跟踪器的精度.评价精度的指标之一是交并比(Intersection over union, IoU).基于IoU的损失函数取代了?_n-norm损失成为目前主流的边界框回归损失函数,然而IoU损失函数存在2个固有缺陷:1)当预测框与真值框不相交时IoU为常量0,无法梯度下降更新边界框的参数; 2)在IoU取得最优值时其梯度不存在,边界框很难收敛到IoU最优处.揭示了在回归过程中IoU最优的边界框各参数之间蕴含的定量关系,指出在边界框中心处于特定位置时存在多种尺寸不同的边界框使IoU损失最优的情况,这增加了边界框尺寸回归的不确定性.从优化两个统计分布之间散度的视角看待边界框回归问题,提出了光滑IoU (Smooth-IoU, SIoU)损失,即构造了在全局上光滑(即连续可微)且极值唯一的损失函数,该损失函数自然蕴含边界框各参数之间特定的最优关系,其唯一取极值的边界框可使IoU达到最优.光滑性确保了在全局上梯度存在使得边界框更容易回归到极值处,而极值唯一确保了在全局上可梯度下降更新参数,从而避开了IoU损失的固有缺...     

周期性动态对白框的傅里叶模型及渲染技术

动态对白框是动漫、游戏及社交应用中新出现的一种气氛烘托手法,但相关的研究还非常匮乏。为此提出了周期性动态对白框的数学模型,并研究了它的呈现及编辑技术。将动态对白框表达为固定基线和动态曲线的叠加,其动态曲线的每个控制点都表达为一组傅里叶系数,并通过傅里叶合成的方式实现周期性的动态效果。提出了多种对白框的渲染风格,以实现多种实时呈现效果。提出了主题模板和笔式编辑工具,为用户提供直观的方式以编辑、创作包含大量参数的周期性动态对白框模型。实现了周期性动态对白框原型创作系统,并构造出多种动态对白框特效,验证了该技术可实现新颖的、多样化的气氛烘托效果。     

基于有向单连通链的表格框线检测算法

表格框线检测是表格识别的基础.现有的表格框线检测算法或者速度慢,或者鲁棒性差,而且没有充分利用表格框线之间的约束信息.提出了一种基于所定义的图像结构基元"有向单连通链"的自底向上表格框线检测算法.在此算法中,有向单连通链是一种黑像素游程序列,作为非常合适的矢量基元,在引入一定表格框线约束信息的条件下合并单连通链,有效地去除伪框线,补全断裂的框线,提高了算法的鲁棒性,可以准确而快速地提取表格框线.通过滤除噪声单连通链,加快单连通链的合并速度,算法速度提高了3~10倍,满足了实用要求.实验证明,该算法具有速度     

“文字框”在WPS中的巧用

在使用WPS 2000进行排版的过程中,通过充分利用文字框所具备的功能,不但给排版带来了方便,而且能够使版面显得更加紧凑和美观。我把个人的一些经验告诉大家。 1、文字框的插入:文字框中的内容不但可在插入文字框前输入,也可以在插入文字框之后再输入内容,同时还可在其它时间输入。显然,文字框的插入具有极大的自由性。如果已经输入了文本,则可以先选择需要的文本,再使用鼠标左键依次单击“编辑”→“剪切”命令项,然后使用鼠标左键依次单击“插入”→“文字框”命令项,接着拖动鼠标左键设置文字框的大小,再使用鼠标左键依次     

文档处理大师—WPS2000系列讲座

上几讲中介绍了插入文字、图形、图像、表格等操作方法,其中的文字、图形、图像、表格等都可以被称为对象,插入上述对象之后的对象框,分别叫做文字框、图形框、图像框、表格框.这一讲将介绍有关WPS2000对象的     

YOLO-wLU：考虑定位不确定性的目标检测算法

YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU（YOLO with Localization Uncertainty）算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数建立边界框坐标的概率分布模型以考虑边界框坐标定位不确定性;设计新的边界框损失函数,在检测过程中移除定位不确定性较大的检测结果;通过融合周围边界框坐标信息提高了边界框坐标辨识结果的准确性。实验结果表明,该算法可有效减少误报率,提高检测精度;COCO数据集上测试结果显示,相比YOLOv3算法,该算法的mAP最高可提升4.1个百分点。     

WORD97中给对象加图文框的方法与应用

TheMethodandApplicationofAddingGraph－textBoxtoObjectsinWORD97YeLinWord97中有许多特性,加图文框的功能使你的文档处理从传统的文字处理又向前跨进了一步,进入了负面处理的方式。给对象加图文框后,可以在页面上任意移动这些对象,还可给图文框添加边线、边框和底纹以使页面更加引人人胜。可以加图文框的对象类型很多,例如文字、表格、图形、插入的图片、数学公式等等。下面结合笔者的实际操作经验,谈谈图文框的使用技巧,虽很不成熟,但仍期望能对普通用户有一点帮助。1给文本加图文框给文本加图文框的步骤如下：（1）选择…     

表格型票据中框线检测与去除算法

字符笔画与表格线的粘连或交叠是表格型票据中普遍存在的现象,严重影响了后期票据自动识别处理的性能.现有方法大多基于二值图像,未能充分利用灰度图中的框线特征.基于票据图像中的框线特征,提出一种表格型票据预处理中的框线检测与去除算法,首先充分利用票据灰度图像的特点准确地检测出框线,再采用一种连通链结构描述叠加后的框线区域,然后对交叠进行判断和标记,根据标记保留字符笔划去除框线干扰.经过实际银行支票图像测试证明了算法的有效性和鲁棒性.