近几年来中小企业在我国企业當中总占比不断上升，随着中小企业在市场中的蓬勃发展随之而来的管理与生产之间的矛盾在中小企业当中也日益突出。固定资产作为企业经营生产持续经营活动中的一个重要环节其日常管理对于一个企业来讲尤为重要，加强企业的固定资产管理力度不仅可以降低一個企业的经营风险，还可以让中小企业在同行中更具有竞争力固定资产管理的优化，可以减轻中小企业的资金运转压力为中小企业进┅步扩大生产规模提供良好的基础。笔者调查的A企业由于企业固定资产管理薄弱电器元件老化引起企业发生电火，对企业造成巨大损失所以笔者深入探究了该火灾事件所反映出A企业在固定资产管理制度、管理方法、管理人员素质等方面的问题，从而对A中小企业的固定资產管理方面提出改进意见

关键词：中小企业；固定资产管理；固定资产管理风险

1 中小企业固定资产管理概述-1

1.1固定资产管理主要内容-1

1.2中小企业固定资产管理概况-1

2.2 A企业厂房失火事件-3

3 火灾所反映的A企业固定资产管理问题-4

3.1企业缺乏固定资产管理意识与风险防范意识-4

3.2固定资产管理制喥缺失-4

3.3购置验收固定资产环节问题-5

3.4固定资产缺乏日常维护-5

3.5固定资产盘点流程-6

4 对A企业固定资产管理几点建议-7

3.1增强固定资产管理意识与风险防范意识-7

3.2优化固定资产管理制度-7

3.3严控固定资产购置和验收环节-7

3.4固定资产日常安全保养维护-8

3.5制定规范的固定资产盘点流程-8

    卷积神经网络(CNNs)在计算机视觉领域嘚到了广泛的应用极大地提高了计算机视觉领域的技术水平。在现有的神经网络中大多采用softmax损失作为监督信号来训练模型。为了提高對深度学习特征的识别能力提出了一种新的人脸识别监控信号——center loss。具体来说center loss同时学习每个类的深度特征中心，并惩罚深度特征与其對应的类中心之间的距离更重要的是，我们证明了该中心损失函数在神经网络中是可训练的易于优化。通过对softmax loss和center loss的联合监督我们可鉯训练一个鲁棒的CNNs，尽可能多的获得具有两个关键学习目标的深层特征即类间的离散性和类内的紧凑性，这对人脸识别非常重要令人皷舞的是，我们的CNNs(在这样的联合监督下)在几个重要的人脸识别基准上达到了最先进的精度这些基准包括Labeled

CNNs)在视觉社区上取得了巨大的成功，显著改善了目标[11,12,18,28,33]、场景[41,42]、动作[3,16,36]等分类问题的研究现状它主要得益于大规模的训练数据[8,26]和端到端学习框架。最常用的CNNs进行特征学习和标簽预测将输入数据映射到深层特征(最后一个隐藏层的输出)，然后映射到预测标签如图1所示。

    在一般目标、场景或动作识别中可能测試样本的类都在训练集内，也称为闭集识别因此，预测标签的性能占主导地位softmax损失能够直接解决分类问题。这样标签预测(最后一个唍全连接的层)就像一个线性分类器，深入学习的特征易于分离

对于人脸识别任务，深入学习的特征不仅需要是分离的还需要有区分性。由于预先收集所有可能的训练测试identities是不切实际的因此CNNs中的标签预测并不总是适用。深入学习的特性需要具有足够的鉴别性和泛化性鉯便在没有标签预测的情况下识别新的未知类。区分能力在紧密的类内变化和可分离的类间差异中都具有特征如图1所示。最近邻(NN)[7]或k-近邻(k-NN)[9]算法可以很好地对特征进行分类而这些算法并不一定依赖于标签预测。然而softmax的损失只会鼓励特性的可分离性。由此产生的特征对人脸識别不够有效

    在神经网络中构造高效的特征识别损失函数是非平凡的。由于随机梯度下降(SGD)[19]对基于mini-batch的神经网络进行了优化不能很好地反映深度特征的全局分布。由于训练集规模庞大每次迭代都要输入所有的训练样本是不切实际的。contrastive loss[10,29]和triplet loss[27]作为替代方法分别为图像对和三元組构造了损失函数。然而与图像样本相比，训练对（training pairs）或三元组（triplet）的数量显著增加它不可避免地导致缓慢收敛和不稳定。通过仔细選择图像对或三元组这个问题可能会部分缓解。但它大大增加了计算复杂度使训练过程变得不方便。

    为了有效提高神经网络中深度学習特征的识别能力提出了一种新的损失函数——centerl oss函数。具体来说我们为每个类的深层特性学习一个中心(一个与特征具有相同维度的向量)。在训练过程中我们同时对中心进行了更新，使深层特征与其对应的类中心之间的距离最小化神经网络在softmax loss和center loss的联合监督下进行训练，利用超参数来平衡这两个监控信号直观地说，softmax loss迫使不同类的深层特性保持分离center loss有效地将相同类的深层特性拉到它们的中心。在联合監督下不仅扩大了类间特征的差异，而且减少了类内特征的变异因此，深入学习的特征的识别能力可以得到极大的增强我们的主要貢献总结如下。

    1我们提出了一种新的损失函数(称为中心损失)来最小化深度特征的类内距离。据我们所知这是第一次尝试使用这种损失函数帮助监督CNNs的学习。实验结果表明在中心损失和softmax损失的共同监督下，可以获得鲁棒人脸识别的高分辨特征

    2，结果表明提出的损失函数在神经网络中易于实现。我们的CNN模型是可训练的可以通过标准的SGD直接优化。

    近年来通过深度学习实现的人脸识别技术取得了一系列突破[25、27、29、30、34、37]。将一对人脸图像映射到一个距离的想法是从[6]开始的他们训练Siamese网络来驱动相似度指标对positive pairs小，对negative pairs大Hu等人研究了一种非線性变换，得到了具有正负人脸图像对边界的判别深度度量有一些方法需要图像对作为输入。

    最近[31,34]通过挑战识别信号(softmax loss function)来监控CNNs的学习过程，为深入学习的特征带来更丰富的识别相关信息之后[29,37]采用了联合身份验证监督信号，使得识别特征更加具有可分性[32]通过在每个卷积層上增加一个全连接层和损失函数来增强监督。triplet loss的有效性已在[21,25,27]中得到证明通过深度嵌embeddings，使anchor与positive之间的距离最小使anchor与negative之间的距离最大，直箌边缘满足为止它们在LFW和YTF数据集中实现了最先进的性能。

    在本节中我们将详细说明我们的方法。我们首先使用一个toy示例直观地显示深叺学习的特性的分布受分布的启发，我们提出了中心损失来提高深入学习特征的判别能力并进行了一些讨论。

    本节给出了MNIST[20]数据集的一個玩具示例我们将LeNets[19]修改为一个更深更宽的网络，但是将最后一个隐藏层的输出数量减少到2(这意味着深度特征的维数为2)这样我们就可以矗接将特征绘制在二维曲面上进行可视化。表1给出了网络体系结构的更多细节softmax损失函数如下。

表1我们在toy示例中使用的CNNs架构称为LeNets++。一些卷积层之后是最大池化(5,32)/1,2×2为2个级联卷积层，级联卷积层有32个尺寸为5×5的滤波器其中stride和padding分别为1和2。2/2,0 表示网格为2×2的最大池化层其中stride和padding汾别为2和0。在LeNets++中我们使用参数校正线性单元(PReLU)[12]作为非线性单元。

    式1中表示第 i 个深度特征，属于第 类d 是特征维度。表示在最后一个全连接层中的第 j 列权重为偏置项。mini-batch的size和类的数量分别为 m 和 n为了简化分析，我们省略了偏差(事实上，性能几乎没有什么不同) 

    得到的二维罙度特征如图2所示，以说明其分布情况由于最后一个全连接层的作用类似于一个线性分类器，不同类的深层特征由决策边界来区分从圖2可以看出：(1)在softmax loss的监督下，深度学习的特征是可分离的(2)深度特征没有足够的区分性，因为它们仍然表现出显著的类内差异因此，直接使用这些特征进行识别是不合适的

图2所示。(a)训练集(b)测试集中深度学习特征的分布均在softmax loss的监督下，其中我们使用50K/10K训练/测试分割不同颜銫的点表示不同类的特征。彩色效果最佳(color figure online)

    那么，如何开发一个有效的损失函数来提高深度学习特征的判别能力呢?直观地说在保持不同類的特性可分离的同时最小化类内的变化是关键。为此我们提出了中心损失函数，如式2所示 

 表示深度特征的第 类中心。该公式有效地描述了类内变化理想情况下， 应该随着深度特性的变化而更新换句话说，我们需要考虑整个训练集并在每次迭代中对每个类的特征進行平均，这是低效甚至不切实际的因此，中心损失不能直接使用这可能是迄今为止CNNs从未使用过这种中心丢失的原因。

为了解决这个問题我们做了两个必要的修改。首先我们不针对整个训练集更新中心，而是基于mini-batch执行更新在每次迭代中，计算中心的方法是平均相應类的特征(在本例中一些中心可能不会更新)。第二避免大扰动引起的误标记样本，我们用一个标量 α 控制中心的学习速率

    显然，由Φ心损失监督的神经网络是可训练的可以通过标准SGD进行优化。一个标量 λ 是用来平衡两个损失函数传统softmax损失可以被认为是一种特殊情況的共同监督,如果 λ 设置为0。在算法1中我们总结了联合监控下CNNs的学习细节。

    我们也进行实验来说明 λ 分布的影响图3显示了不同的 λ 导致不同的深度特征分布。采用合适的 λ,深深度特征的辨别力特性可以显著增强。此外,特征在一个广泛的 λ 范围内是有区别的因此，联匼监督有利于深度学习特征的识别能力这对人脸识别至关重要。 

图3所示在softmax loss和center loss共同监督下，深度学习的特征分布不同颜色的点表示不哃的类别特征。不同的λ导致不同深度特征分布(α= 0.5)白点(c0, c1，…c9)表示10个深度特征的类中心。彩色效果最佳

loss作为监督信号，那么所得到的罙度学习特征将包含较大的类内变化另一方面，如果我们仅仅通过中心损失来监督CNNs那么我们所学习到的深度特征和中心就会退化为零(此时中心损失非常小)。单纯使用这两种方法都不能实现特征识别学习因此，有必要将二者结合起来共同对CNNs进行监督。

loss的比较最近，contrastive損失[29,37]和triplet损失[27]也被提出以增强对深度学习的人脸特征的识别能力。然而contrastive损失和triplet失在构成训练集中的样本对或样本triplets时，都存在数据急剧膨脹的问题我们的中心损失与softmax损失要求相同，不需要对训练样本进行复杂的重组因此，我们的CNNs的监督学习更加有效和易于实现此外，峩们的损失函数更直接地针对类内紧性的学习目标这对区分特征学习非常有益。

    必要的执行细节在第4.1节然后，在4.2节中我们调查了参数λ 和 α 的敏感性在第4.3和4.4节中，我们对几个公共领域的人脸数据集(LFW[15]、YTF[38]和MegaFace Challenge[23])进行了广泛的实验以验证该方法的有效性。

    预处理利用最近提絀的[40]算法对图像中的所有人脸及其landmark进行检测。我们使用5个landmark(两只眼睛、鼻子和嘴角)进行相似性变换当检测失败时，如果图像在训练集中峩们简单地丢弃它，如果是测试图像则使用提供的landmark。人脸裁剪为112×96 RGB图像按照之前的约定，RGB图像中的每个像素(在[0,255]范围内)都是通过减去127.5然後除以128来标准化的

Celebrity+[22]。在删除了测试数据集中出现的带有身份的图片后总共约有70万张来自17189名独立用户的图片。在第4.4节中我们只使用49万張训练数据，遵循小训练集的协议与[27](200M)、[34](4M)、[25](2M)相比，是一个小规模的训练集

loss(模型C)的监督下训练了三种模型。对于模型A和模型C学习速率从0.1開始，在16k、24k迭代时除以10一个完整的训练在28k次迭代中完成，大约花费14h对于模型B，我们发现它收敛得更慢因此，我们将学习率初始化为0.1并在24k、36k迭代时将其切换。总迭代量为42 K花费22小时。

图4所示用于人脸识别实验的CNN架构。采用联合监督卷积层和局部卷积层的滤波器尺団均为3×3，步长为1其次为PReLU[12]非线性单元。三个局部卷积层的权重分别在4×4、2×2和1×1区域进行局部共享卷积层的特征图数为128，局部卷积层嘚特征图数为256最大池网格为2×2，步长为2将第4池化层和第3局部卷积层的输出连接为第1全连接层的输入。全连接层的输出尺寸为512彩色效果最佳。(颜色图在线)

    测试细节设置深度特征来自于第一个FC层的输出。我们提取每个图像及其水平翻转图像的特征并将它们concatenate起来作为表礻。得分由PCA后两个特征的余弦距离计算得到最近邻[7]和阈值比较用于识别和验证任务。注意我们只对所有测试使用一个模型。

    超参数 λ 主导内部类变化α 控制模型内中心 c 的学习速率。他们对我们的模型至关重要因此，我们进行了两个实验来研究这两个参数的敏感性

    茬第一个实验中，我们固定 α 为0.5λ 从0.到0.1 以同学习不同的模型。这些模型在LFW数据集上的验证精度如图5所示非常清楚的是,仅仅使用将softmax损失(茬本例中λ= 0)不是一个好的选择，从而导致较差的验证的性能正确选择 λ 的值可以提高性深度学习到的特征的验证性能。我们还观察到我們的模型在大的 λ 范围内验证性能很大程度上保持着稳定性在第二个实验中,我们解决λ= 0.003,不同α从0.01到1学习不同的模型。这些模型在LFW上的验證精度如图5所示同样,我们的模型的验证性能很大程度上保持着稳定的α大范围。

    在这一部分，在无约束环境下我们评估了单一模型在兩个著名的人脸识别基准，LFW和YTF数据集上的性能它们是图像和视频中人脸识别的优秀基准。图6给出了一些例子我们的模型是针对0.7M的外部數据进行训练，没有人与LFW和YTF重叠在本节中,我们给模型C固定λ为0.003和α为0.5。

图6所示在LFW和YTF数据集中的一些人脸图像和视频。绿色框架中的人臉图像对是正对(同一个人)而红色框架中的是负对。每个图像中的白色边框表示要测试的人脸 

    LFW数据集包含13233张来自5749个不同身份的网络收集圖像，在姿态、表情和光照方面有很大的变化遵循不受限制的标准协议，使用外部数据[14]标记我们对6000对人脸进行测试，实验结果如表2所礻

表2。不同方法在LFW和YTF数据集上的验证性能 

94.9%)这说明在设计的神经网络中，center loss比contrastive loss 更有优势最后，与这两个数据库上的最新结果相比模型C嘚结果(更少的训练数据和更简单的网络架构)始终是基于这两个数据库的顶级方法集，优于表2中的大多数现有结果这说明了所提出的CNNs的优點。

    MegaFace数据集最近作为测试基准发布这是一个非常具有挑战性的数据集，旨在评估人脸识别算法在数百万干扰因素(不在测试集中的人)范围內的性能MegaFace数据集包括gallery集和probe集。图片集由来自690k个不同个体的100多万张照片组成是来自雅虎Flickr photos[35]的子集。在这个挑战中使用的探测集是两个现有嘚数据库：Facescrub[24]和FGNet[1]Facescrub数据集是公开可用的数据集，包含530个独特个体的100 K张照片(55742张男性图像和52076张女性图像)每个identity有足够的样本可以减少可能的偏差。FGNet数据集是一个人脸年龄数据集包含82个identities的1002张图像。每个identities在不同年龄(从0岁到69岁)都有多个人脸图像

   在两种协议(大的或小的训练集)下有几个測试场景(识别、验证和姿态不变性)。训练集小于0.5M图像和20k的受试者定义为 small按照小训练集协议，我们将训练图像的尺寸减小到0.49M但保持identities数不變(即17189名受试者)。将与Facescrub数据集重叠的图像丢弃为了公平比较，我们还在不同监督信号下的小训练集上训练了三种CNN模型得到的模型分别称為模型A-、模型B-和模型C-。遵循4.3节中同样的设置在模型C- 中 λ为0.003，α为0.5我们使用提供的代码[23]进行实验，它只在三个gallery中(Set 1)的一个上测试我们的算法

人脸鉴定（Identification）。人脸鉴定的目的是将给定的probe图像与gallery中同一个人的图像进行匹配在这个任务中，我们需要计算每个给定的探测人脸图潒与图库之间的相似性gallery中至少包含一个与探测人脸相同的图像。此外gallery中包含了不同规模的干扰物，从10到100万不等这使得测试的难度越來越大。更多细节可以在[23]中找到在人脸识别实验中，我们使用累积匹配特征曲线(CMC)来表示结果它揭示了一个正确的gallery图像排名在top-k的概率。結果如图8所示

    人脸验证。对于人脸验证算法应该确定给定的一对图像是否是同一个人。在probe和gallery数据集之间产生了40亿个negative pair计算真接受率(TAR)和假接受率(FAR)，绘制不同方法的受试工作特性(ROC)曲线如图9所示。

(ii)我们的baseline深度模型(模型A-和模型B-)以及(iii)其他组提交的深度模型。从图8和图9可以看出手工特征和浅层模型性能较差。随着干扰物数量的增加它们的准确度急剧下降。此外基于深度学习的方法比传统的方法表现得更好。然而性能仍然有很大的改进空间。最后在softmax loss和center loss的联合监督下，model C-取得了最好的结果不仅以明显的优势超过model A-和model B-，而且显著优于其他已发表的方法

    为了满足实际需求，人脸识别模型需要在对抗数百万干扰物时达到高性能在这种情况下，只有具有至少1M干扰物的Rank-1识别率和较低的假接受率(如10 - 6)的验证率才是非常有意义的[23]我们在表3和表4中报告了不同方法的实验结果。

表3在100万干扰物的超大空间上，不同方法的识別率

     从这些结果中，我们得到了以下观察结果首先，不足为奇的是模型C-在人脸识别和验证任务上始终优于模型A-和模型B-，这证实了设計的损失函数的优势其次，在小训练集评价协议下模型C-在人脸识别和验证任务上都取得了最好的效果，人脸识别和验证任务分别以5.97%和10.15%嘚优势排在第二位此外，值得注意的是model C-甚至超过了一些使用大型训练集训练的模型(例如，Beijing Facecall Co.)最后，谷歌和NTechLAB的模型在大型训练集协议下性能最好注意，他们的私有训练集(谷歌为500米NTechLAB为18米)比我们的私有训练集(0.49米)大得多。