发布时间：
可以通过论文上附有的通讯邮箱给对方发邮件如果论文是你认识的人的，比如同个课题组的人，或者私下有联系的同行，那么可以方面或者通过电话微信等联系，开诚布公的跟作者指出错误及你判定错误的依据。如果是科研态度端正的作者，应该会虚心接受你的意见，即使不见得对同一论文进行修改，在后续的发表物上应该也会进行修正。如果只是同行，并不认识，而你只是单纯的想跟对方指出他的错误，可以通过论文上附有的通讯邮箱给对方发邮件。如果论文本身没有提供联系方式，也可以向论文出版的机构询问作者的联系方式，机构应该会有的。最正式的做法，就是向同一出版机构投稿或者写信，以论文的方式来驳斥另一篇论文。像前阵子的韩春雨事件，后来就是因为很多学者通过后续的实验发表论文呈现了截然相反的结果，引发了外界对于韩成果的质疑。这原本就是对于科学探索应有的态度，无可厚非。想当年我硕士研究的课题灵感来自于一篇发表在Nature上的论文，后面几期Nature连续刊发了读者质疑的来稿以及作者的自我辩护，火药味还很浓呢。
写论文是可以借鉴别人的方法和思路的，他应该在此基础上有所创新 在写论文的过程中，借鉴别人的思路和想法，这是一个非常普遍的问题，完全合乎正规，但是在此基础上，自己一定要有自己独特的想法，也就是说，有所创新，不然论文就是复制和粘贴，变得毫无意义了
major revision 99%等于accept，因为审稿人愿意给你修改机会，基本上证明你的论文没有特别重大的问题。尤其对于我们社科类的学科，本来就没有统一的标准，也没有实验要求，只要能够自圆其说就行。除非自己太作，不回应审稿人的意见。身边有好多学长学姐们都是找北京译顶科技做的，听说也做的很不错
写论文可以借鉴他人的研究方法，学术论文是一个站在前人肩膀上开展的活动。 论文写作的重要意义在于输出价值，如果你的文章有学术价值，研究方法不是关键点。 我就法学论文举例，如果你的论述解决的一个法学学术难题，或者仅提供了一个值得探讨的新观点，便是有价值的。 一座桥是手工打造还是机械化完成，对于最终的使用者而已，不是至关重要的，只要保证质量和用途即可。 论文的研究方法可以借鉴，但也可注明以示尊重。 当然，借鉴就是借鉴，千万不可大言不惭地说是自己首创。 在遵循学术道德和职业规范前提下，合理地借鉴是没有问题的。
写论文可以借鉴他人的研究方法，学术论文是一个站在前人肩膀上开展的活动。 论文写作的重要意义在于输出价值，如果你的文章有学术价值，研究方法不是关键点。 我就法学论文举例，如果你的论述解决的一个法学学术难题，或者仅提供了一个值得探讨的新观点，便是有价值的。 一座桥是手工打造还是机械化完成，对于最终的使用者而已，不是至关重要的，只要保证质量和用途即可。 论文的研究方法可以借鉴，但也可注明以示尊重。 当然，借鉴就是借鉴，千万不可大言不惭地说是自己首创。 在遵循学术道德和职业规范前提下，合理地借鉴是没有问题的。
创新行为不属于侵权行为。专利法上规定，只有以营利为目的的，生产、使用、销售、许诺销售和进口行为是侵权行为。另外，具体的侵权判定，要看你的产品所包含的技术特征是否完全覆盖对方专利的权利要求1。换句话说，对方权利要求1中全部的技术特征中，你的产品有一项或几项没有用到，也是不侵权的。您说的部分参考，可能没有完全使用对方的专利产品，那么侵权的可能性不大，不过还要具体问题具体分析。
写论文是可以借鉴别人的方法和思路的，他应该在此基础上有所创新 在写论文的过程中，借鉴别人的思路和想法，这是一个非常普遍的问题，完全合乎正规，但是在此基础上，自己一定要有自己独特的想法，也就是说，有所创新，不然论文就是复制和粘贴，变得毫无意义了
只要改的够巧
写论文是可以借鉴别人的方法和思路的，他应该在此基础上有所创新 在写论文的过程中，借鉴别人的思路和想法，这是一个非常普遍的问题，完全合乎正规，但是在此基础上，自己一定要有自己独特的想法，也就是说，有所创新，不然论文就是复制和粘贴，变得毫无意义了
不会，大家都做1+1，所有人都=2难道大家都是抄袭吗？
应该不会的说。。详细过程修改一下就ok
可以，只要知网审核通过就可以。1、选题：选题通常由教师给定题目，但是也有部分情况是学生自己拟定题目，题目确定以后教师通常会下发任务书给学生，任务书上面明确规定了学生论文论文撰写目标以及具体工作要求。2、搜集、整理资料：任务确定以后，就要开始围绕论文题目开始搜集，最主要的搜集资料的方法就是去文献检索网站搜索（主要的文献检索网站有：中国知网、web of science等）相关论文。在搜集完资料后，对搜集到的文献做一个整理，从而确定自己的研究入手点与研究方法。3、撰写开题报告：资料搜集整理完毕之后，便要根据整理的资料开始撰写开题报告，通常开题报告都包括如下几个部分：选题的背景及意义、文献综述、研究内容、研究方法、研究步骤与进展和参考文献等。
写论文是可以借鉴别人的方法和思路的，他应该在此基础上有所创新 在写论文的过程中，借鉴别人的思路和想法，这是一个非常普遍的问题，完全合乎正规，但是在此基础上，自己一定要有自己独特的想法，也就是说，有所创新，不然论文就是复制和粘贴，变得毫无意义了
论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
这个要看你们毕设的要求，其实每年都有毕设做这种的。
数据集这一点不需考虑的，应该在网上都是找得到关于你要解决问题的数据集的，如果要自己搞数据集就很麻烦，看几篇论文你就清楚了。
网上关于用v5训练自己数据集的教程还是比较多的。v5的代码用起来很方便，模块化了的。难的是需要搞清楚v5的原理以及如何将最新的一些算法加入到v5，针对性地提高自己训练集的效果。如果你够厉害的话也可以针对v5的一个板块提出自己新的算法，比如改进CIOU之类的。
文献综述好好写，论文格式好好弄。