发布时间：
◎ 靠 kào 〈动〉 (1) (形声。从非,告声。从“非”,表示相违背。本义:相背) (2) 相依 [depend on each other] 靠,相违也。——《说文》。段玉裁注:“今俗谓相依曰靠,古人谓相背曰靠。” (3) 仰仗,依赖 [depend on] 不可只靠一言半句,海上单方,便以为足。——宋· 朱熹《答吴伯起书》 (4) 又如:靠傍(依靠,靠山);靠托(倚仗;依靠);靠天(不靠人力,依赖天命) (5) 倚靠、依赖或凭靠 [lean on]。如:把头靠在他肩上;把梯子靠在墙上 (6) 保持某种路线或方向等 [keep to]。如:车辆一律靠右行 (7) 信得过 [trust]。如:忠实可靠;靠班(预约的轿夫) (8) 接近[approach;near]。如:房子靠海;靠晚(傍晚);靠边走;靠开(靠边站开)
任何系统都不是完美无缺的，没有最好最准确的系统，只有最适合自己的论文检测系统！总之一句话：贵校用哪个系统过机检就是哪个系统最准确！论文修改秘籍 如何通过论文检测系统点我名称 看我空间 或者百度夕月论文检测中心 最详细的论文检测介绍
现在高校对于硕士和博士论文采用的检测系统，是由知网开发的。但该软件的具体算法，判定标准，以前一直不清楚， 本文是从知网内部工作人员哪里拿到的，揭示了知网反抄袭检测系统的算法，如何判定论文是抄袭，以及如何修改来通过的秘籍。发出来造福大家。百度夕月论文检测 有介绍 还有修改秘籍
最初是河南方言，就是“cao”（去声）的意思，是个忌讳词，动词。 1949年以后，溃逃到台湾 的军队把它带到台湾，学生们在学校禁止说“cao”的情况下，采用了这个词，最后又倒流回大陆。
所有的检测系统都没有所谓的最准最好，只有最适合。建议你选择检测系统时请选择与学校一致的检测系统，否则没什么可比性。因为不同的系统检测出来的结果都不一样的，初稿可以用其它的系统辅助修改，定稿还是用知网检测才能知道在学校检测是多少的，另外知网的检测也分类型的，价格不一样，数据库也不一样，检测前要了解清楚哦，天天论文检测有介绍和修改秘笈
论文重复率的高低直接影响到学校的论文通过情况，尽管每个学校论文重复率的要求不同，但有一点是肯定的，即论文重复率越低越好，论文的重复性也就是检测论文的相似度，如果论文内容和收录的论文相似度较高，就会有抄袭的嫌疑。近些年来，各学校对论文抄袭问题的重视程度越来越高，论文检测不通过就可能拿不到毕业证。那么怎么检测论文相似度？
1、选择论文检测系统
网上查找论文检测系统，选口碑好的，专业的论文检测系统，或者还可以咨询前学长学姐，他们用哪种论文检测系统，去参考他们给到的建议去选择系统。
2、注册账号
登录官网网站，注册帐号，登录账号进入论文检测中心，有的论文检测系统需要提前下载，按着系统说明首先下载系统，然后注册账号登录。
3、提交论文
登录账号后，找到提交论文的位置，将自己的论文复制或直接以文档形式提交论文。如果是收费论文检测系统，则需要在充值中心先进行充值。
4、查看论文检测报告
你提交论文10分钟后，论文检测系统一般会出一份论文检测报告。找到论文检测中心，找到论文检测报告，点击访问，查看检测报告。首先看检测相似度是否达到学校要求，如对学校的要求较高，再看标红字体修改建议，对标红字体内容进行关键字替换，改变句式等方式修改调整。
5、修改论文再次检测
修正后的论文经调整后，重新提交论文，再次进行检测，直至论文检测的相似性达到学校要求。
论文的相似度的检测是那些检测软件，根据对比中国知网万方数据库等等各大论文资源网对比之后得出来的检测结果。
我的这个比较准的，你可以去看看
操作方法如下：
操作设备：戴尔笔记本电脑
操作系统：win10
操作程序：百度浏览器v8.2、中国知网
1、首先找到知网官方网站，如下图所示：
2、找到“学术不端文件检索系统“，如下图所示：
3、在新的网页中，选择需要查重的类型，如下图所示：
4、根据需求选择入口途径，如下图所示：
5、在登录页面根据个人身份信息进行输入账户密码，如下图所示：
6、接着根据页面提示操作，如下图所示：
7、按照提示，输入论文标题，作者姓名提交检测，如下图所示：
8、最后等待结果，下载查重报告单即可，如下图所示：
毕业论文写作和毕业论文查重对应届毕业生来说是非常重要的一件事情，因此，这也让很多毕业生感到压力山大。下面小编来给大家讲一讲大家困惑的论文查重，查重应该怎么检测呢？
1、选择合适的论文查重系统
通过互联网可以搜索到很多的论文查重系统，因此大家在选择检测系统时，需要擦亮眼睛，避免选择到不靠谱的论文查重系统，然后导致论文出现被他人盗用的情况。
2、选择对应论文查重入口
在选择论文查重系统之前，大家需要确定好自己的论文是属于哪一种类型，高校要求使用哪种论文查重系统确定好之后在进行检测。
3、填写信息并上传论文
学生选择好论文查重系统后，按照检测系统提示进行操作，将论文标题、作者姓名填写正确，然后将论文上传即可。
4、支付论文检测费用
在论文上传之后，根据系统提示支付检测费用，等待检测报告。大家可以关闭页面去做其他的事情，查重系统会自行检测，并出具检测报告。
5、下载查重报告
查重系统在检测完成论文之后，重复率结果会在查重报告页面显示出来，大家找到查重报告下载即可。
二、给大家推荐papertime查重系统
papertime查重系统是有很多学生在进行使用的，适用于初稿查重，拥有在线改重，实时查重功能，能够同步出具检测报告，大家完全可以放心地使用。papertime论文查重系统可以检测中英文以及小语种，查重准确。
1.首先，百度进入天天论文查重网2.填写【论文标题】，【论文作者】，把需要检测的论文内容复制到【论文内容】里面的文本框里面，然后点击下一步；3.输入订单号，订单号查找的办法是：我的淘宝——已买到的宝贝；4.检测报告下载，一般是10分钟左右即可下载报告，高峰期会有所廷迟；
以paperfree官网举例，微信扫码登录，提交检测报告，等论文检测完成时候，点击“查看报告”，在报告列表找到要打开的论文，点击右侧“查看报告”。
1、论文查重就是为了检测论文的重复率，首先选择一个靠谱的论文查重网站，这里可以选择自己熟悉的，也可以根据学长或者老师的推荐进行选择，最好是用和学校一样的论文查重系统。
检测论文初稿的话可以使用PaperPP论文查重系统，查重报告能够给自己的论文修改提供很好的参考意见，并且查重费用很便宜且有机会可以不花钱;检测论文初稿的话，大家可以使用知网论文查重系统，知网查重质量很高，很多高校都是以知网查重结果作为成绩来判定大家的论文能否通过论文查重。
2、进入论文查重网站之后，根据自己的论文类型选择适合的论文查重入口，拿知网查重系统来说，本科论文适合通过知网pmlc论文查重入口检测，硕博论文适合通过知网VIP5.3论文查重入口检测。然后上传论文提交支付查重费用等待检测完成即可。
3、检测完成之后即可下载论文查重报告。
参考资料：《毕业论文查重流程》
简单讲，查重即为文字匹配的过程，是以句为单位，如果一句话重复13个字了，就很容易判定重复了。O(∩_∩)~目前学校对本硕博查多采用的是中国知网CNKI学位论文检测系统TMLC/VIP。其运作模式是将论文电子版输入电子数据库，然后数据库会根据现有的所有存在的知网的或者网络上的电子数据进行匹配，软件检测到如果有13个相同的字，就认为是雷同。现在的查重吖五花八门，说不好什么是最好的，简单粗暴的讲，学校用啥系统咱就用啥系统。建议：一般高校用的都是知网检测，考虑知网检测价格较高，可以先用其他系统做前期修改，最后在用知网检测做最终定稿。知网因为不对个人开放，学校又不提前给学生检测，为了查重安全，也为了平复自己内心，我自己是找的一个信誉高的店，和学校的结果倒是一样，也没有造成论文泄露。当然网上有很多种查重渠道可以帮助你修改有内容重复风险的文章。大致罗列，我用过的直接介绍，最后一栏没用过的系统您根据个人情况来：（1）万方检测，全称为万方论文检测。我本科毕业的时候，刚开始初稿用的就是知网，但是隔得时间太久了，实在找不到检测地方，抱歉。。整体讲论文提交后是由万方数据网站所收录的文献资源，进行的不断检测。这个系统称之为万方论文检测系统。其特点是费用低，检测速度快，但是包含的系统不全面，只适合最初期的检测。（2）paperright论文检测 这个我本科前期和中期修改的时候都用过。paperright的比对指纹数据库库由超过5000万的学术期刊和学位论文，以及一个超过10亿数量的互联网网页数据库组成。检测费用相比较便宜，1元/千字，有8000字检测免费活动。适合广大的本科生、硕士研究生。山寨的各种paper太多了，给出官网检测地址吧（3）知网检测，全称为中国知网论文检测。它包括知网VIP硕博检测、AMLC、PMLC（期刊论文检测）、VIP分解论文检测等多个检测系统，店里都有介绍，我不多说。它的特点是权威性高，国内机构多以其为主。不过费用太高。我个人的经验是，一篇论文，如果CNKI查出来的的重复率在15%的话，万方通常在3%，paperright通常在25%。至于具体选择哪种，你可以自己决定。（4）最近今年还出现了paper的一系列如paper test、paperfree等系统，我个人没用过，不做评价。
可以运用PaperPass论文重复率检测软件检测论文重复率。
降低论文的重复率有两种，分别是人工降重方法和机器人降重方法。
人工降重方法又分为两种：
1、将重复的语句用自己的语言进行解释。
2、把论文机翻成英文再机翻回中文，然后理清逻辑、修改语病、通顺上下文。
机器降重的方法：
1、机器虽不能完全取代人工，但在使用上，其较人工方法更为快捷简便这点是毋庸置疑的。机器智能降重，其通过大量学术论文数据语料训练，能够快捷智能地将原有重复率高的语句进行替换，并搭载于PaperTime查重软件上，实现了边查重边降重的功能，大大节省了用户的时间成本。
2、且机器降重效率高、速度快，几万字的相似内容不超过10秒就可以降重完成，真正意义上达到了快速降低论文重复率的要求。
3、人工智能并不能完全取代人工，因此机器人降重也不是万能的。机器人降重后有些语句还需人工进行再调整，这样才能够保障论文逻辑通顺。在进行机器人降重后千万要自己再顺一遍文章结构，以免出现纰漏以至于无法毕业。
降低论文重复率的方法:
1、运用自己的语句进行解释。
这种方法最为老实也最有底气，毕竟是自己真刀真枪写出来的。这种方法遇到前人写过很多遍了的论题就会被克得死死的，因为能想得到的句子，再怎么白话和通俗都有可能已经被他人写过，查重降重了无数次，重复率依然高得让人头疼。2、把论文翻译成英文再机翻译回中文，然后理清逻辑、修改语病、通顺上下文。
写邦科技于2017年自主研发了线上自动降重工具——机器人智能降重，其通过大量学术论文数据语料训练，能够快捷智能地将原有重复率高的语句进行替换，并搭载于PaperTime查重软件上，实现了边查重边降重的功能，大大节省了用户的时间成本。
PaperTime（查重软件）--降低论文重复率
1、先找一个靠谱的论文查重系统，一般学校会有1-2次免费查重的机会，主要是在知网上查重；2、如果担心学校给的查重次数不够用，可以自己到维普、万方、paperpp上进行查重；3、网上找到的知网查重有些也可以查，查重报告要支持知网官方验证才行；4、开始查重前先注册好账号并牢记密码，如果怕忘记可以用手机验证码或者QQ登录注册；5、如果有免费获取查重字数的活动，可以参加一下，一般就是关注或者分享；6、然后在指定的菜单下提交论文，注意文档格式和平台要求；7、一般等待10-30分钟就可以出查重结果，具体以查重系统说明为准。
cornerNer论文链接： github： CenterNet论文链接： github： CornerNe-Lite论文链接: github: 所谓基于关键点进行目标检测，其实就是使用one-stage网络将目标边界框检测为一对关键点（即边界框的左上角和右下角）。通过将目标检测为成对关键点，就可消除现有的one-stage检测网络中对一组anchors的需要，这个最近火热的anchor-free也是不谋而合。接下来，先简单介绍下CornetNet和CenterNet这两个基于特征点的目标检测网络。最后对CornerNet-Squeeze做个简单介绍！ CornerNet网络的整体思路是，首先通过Hourglass Network网络进行特征提取，紧接着将网络得到的特征输入到两个模块： Top-left Corner pooling 和 Bottom-right Corner pooling 提取关键点的特征，对于每个Corner Pooling模块都会进行目标框的左上角关键点和右下角关键点的类别分类（ Heatmaps ），并找到每个目标的一对关键点（ Embeddings ），以及减少基于坐标回算目标目标位置时的偏置（ offsets ）。网络的整体结构图如下： 很显然，CornerNet的核心是四个部分： 最终，如下图所示，上半支路的网络结果如下所示，网络最终是由两条支路组成的。 CenterNet网络主要是基于CornerNet网络存在的问题，而提出的基于关键点目标检测的网络。其实现了目前为止在one-stage系类算法中最高的MAP。CenterNet的作者发现，CornerNet是通过检测物体的左上角点和右下角点来确定目标，但在此过程中CornetNet使用corner pooling仅仅能够提取到目标边缘的特征，而导致CornetNet会产生很多的误检。基于此，CenterNet利用关键点 三元组 即 中心点、左上角关键点和右下角关键点 三个关键点而不是两个点来确定一个目标，使得网络能够获取到目标内部的特征。而CornerNet在论文中也说道了，约束其网络性能最重要的部分是关键点的提取，因此CenterNet提出了 Center Pooling 和 cascade corner Pooling 用来更好的提取本文提出的三个关键点。 作者基于Corner Pooling的系列思想，提出了Center Pooling的思想，使得网络提取到的中心点特征能够更好的表征目标物体。 最终，CenterNet在CornerNet的基础上增加了中心点的预测，以及修改了关键点特征的提取方式，大大减小了网络的误检，并且实现了one-stage系列算法中的最好效果。 普林斯顿大学在4月19号提出了两种更高效的基于关键点的目标检测算法，分别为： CornetNet-Saccade 和 CornetNet-Squeeze ，若将两种策略结合则称为 CornerNet-Lite 。以下是Cver对这两个网络的介绍，个人感觉写的很好，我就不造轮子了： 最终我最感兴趣的网络CornerNet-Squeeze和YOLOv3进行对比，达到了如下图所示的效果。 然而，就在我学习并总结这篇文章的过程中，我发现CornerNet-Squeeze是基于CornerNet改进的，但正如上文中介绍CenterNet的时候提到过的CornerNet所具有的那些弊端，我总觉得CornerNet-Squeeze在误检的部分不一定会很优秀，所以接下来就是看源码阶段了，希望CornerNet-Squeeze能够不负我望哈~
对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下：
在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了 层， 代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于0.5，就认为是正类。 对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。
框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的 ，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。 如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。 这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：
RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成 块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。 为了提高效率，Fast-RCNN首先选取 个图像，再从每个图像上选择 个RoI，这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：
为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为 ，输入后会映射（用 的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用 的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：
在每一个滑动窗口（可以参考 ），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：
自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。
对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。 与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。
不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程： 第一个：从roi proposal到feature map的映射过程。 第二个：从feature map划分成7*7的bin，每个bin使用max pooling。
为此，作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别，回归框，mask的网络使用如下图结构：
整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。