发布时间：
方法技巧一：参考纸质书籍论文查重系统收录的资源多半是已发表的期刊论文、毕业论文，以及网络发布的文章，但是很多书籍是数据库难以收录的。因此多参考书籍，少在网络找资料，书籍上的文章系统性也强点。技巧二：精简文字删除不必要的文字，自己表述将需要引用的内容中不影响核心思想的、不重要的文字进行删除，或者用自己的语言进行表述，能有效地修改论文来降低重复率。技巧三：利用阈值降重在查重软件中，都是统一看待的，只要文字的重复率达到了系统设定的阀值，也会被判定为抄袭。比如说知网设定的查重阈值是5%，只要标红的文字不超过整段总字数的5%，就不会被知网标红。技巧四：合理利用图片现在所有检测系统都不能检测图片中的内容，在不影响论文内容的前提下用图片代替标红的地方是非常有效的降重方法，但是这个方法会很大程度的减少论文总字数，所以论文字数紧张的同学慎用。技巧五：变换措辞不管是什么系统，都只能按一定数量的文字是否相同来检测是否为抄袭，无法做到语义分析，因此，我们可以利用检测系统这一短板，巧妙降低重复率。技巧六：google翻译法用翻译软件将语句多次翻译后，语句结构，表达方式大不同，就算检测系统再厉害，也查不出来的。但是这个方法要注意上下文的连贯度，若是不连贯，可适当润色一番。技巧七：引用是在不知道怎么修改，如果是原汁原味照搬下来的，那就直接做引用吧，但是要正确引用，在引用结束前不要标句号，因为句号标志着这句话的结束，句号后面的就是剽窃了。技巧八：关键词替换知网检测有一条大家都清楚的规则，就是连续13个字重复则判定抄袭，利用这一点，将标红句子中的关键词用其他意思一样或相近的词替代，也可以起到降重的效果。技巧九：句子重写如果被标红的是一整句、一整段或者是一句里面都五分之三都被标红，那就重新写吧，换一种说法自己原创出来。技巧十：适当插入英文硕士论文由于学术性质比较高，一些专业术语可以用英文来代替，对于一些英文文献库没有那么充足的检测系统来说是很有效果的。现在大多数硕博论文都是使用知网查重，但是知网查重一篇硕博论文价格很高，一篇就是几百块，而且论文也不是一次就能过的，所以几次查重下来，就算手头宽裕的学生也要变穷。所以，小编建议大家先用早检测论文查重系统查重，检测价格很便宜，而且准确度不亚于知网，最后再用知网查重一次，这样就非常划算了。
目前论文查重软件比较多，高校定稿检测系统有知网、维普、万方、paperpfree、paperpass等，每个查重软件的数据库和算法上的差异导致查重结果有出入，具体还得看学校要求而定。
PaperFree是中英文及多语种论文相似度检测系统，特色机器人降重、在线改重功能，可以实现自动降低文章相似比例，并且在同一界面上一边修改一边检测，即时反馈查重结果，使用户体验、查重效率翻倍。
PaperFree为用户人性化地完美实现了“首次免费论文检测―高效在线改重―智能机器人降重―全面再次论文检测―顺利通过论文检测“的整个全过程。
PaperFree免费论文检测系统首次将在线改重、机器人降重运用到论文检测中。在线改重功实现了一边修改，一边查重，修改一句话就可以同步实时看到修改后的查重比例结果，从而有效地提升修改效率；系统同时提供的机器人降重功能是以七千万篇学术论文作为训练语料，使用深度学习的方法进行句法分析和语义分析，挖掘出词汇在语义上下文的空间向量模型中的关系。通过程序对大数据进行机器学习生成的结果，能保证在修改句子合理通顺的基础上实现智能自动降低重复比例。
早检测论文检测系统 （zaojiance），采用国际领先的海量论文动态语义跨域识别技术，通过与国内外大专院校、科研机构等资源单位的长期合作，通过运用最新的云检测服务部署使其能够快捷、稳定、准确地检测到文章中存在的抄袭和不当引用现象，实现了对学术不端行为的检测服务。——来自百度百科 用过几回，觉得还是挺有准头的，学术库也很齐全的，查重结果参考价值大，找个检测报告修改论文，最后还是可以过学校的查重。
论文查重软件排行榜以下三个好。
1、知网论文查重软件数据库比较强大，并且可以分类对论文进行检测，有本科论文查重入口，硕博论文查重入口，职称论文查重入口，初稿论文查重入口等。
是目前高校使用最多的软件。对于本科毕业论文检测拥有独特的大学生联合对比数据库。检测结果基本上跟学校一致。
2、万方、维普是这几年兴起的论文查重软件，数据库没有知网齐全。版本也没有知网多，如果学校要求使用这两个查重，大家就可以去选择，如果没有要求选择这两个系统，大家就不要存在侥幸心理。
3、paperfree论文查重软件，是比较长久的论文查重软件，仅次于知网论文查重，在市场上得到了很多学校和毕业生的认可，也是很多学校要求使用的论文查重系统，查重速度快，查重结果准确，费用非常的低。
可以免费论文查重的系统，下面给你分享一些：1，蝌蚪论文查重（免费）专业版每天免费查重一次，非常适合初稿检测，不花钱。3，论文狗（免费）专业版每天免费查重一次，适合初稿检测4，paperpp（可免费）关注送5000字免费查重5，papertime（可免费）关注领取10000字免费查重6，渣搜paperfree（可免费）关注领取10000字免费查重7，paperOK（可免费）关注领取10000字免费查重8、paperpass（可免费）关注领取1000字免费查重，旗舰版付费检测，支持在线降重9，paperccb（免费）专业版每天免费查重一次，适合初稿检测完毕！
首先论文查重系统是如何计算论文查重率的要去了解清楚，论文查重就是把我们的论文上传到查重系统里面，检测系统就会对我们上传的论文进行段落划分与数据库进行对比，假如存在与数据库内容相似的句子以及重复度超过50%的，那就会被系统判定为抄袭，多次查重的结果不一样的情况下，很有可能是由于检测系统的数据库进行了更新，因此就导致论文查重系统存在比较大的差异。相同的论文在一个查重系统里面进行查重，查重算法是一样的，不一样的是数据库里面的文献，因此查重系统里面的数据库不是一直不变的，注意是会实时更新的。
各论文查重系统的结果不一样的原因由几个方面造成，首先是不同查重系统的数据库是不一样的，对比数据库不同那查重结果有区别也是正常现象。其次不同检测系统的算法也是不一样的，就像部分是根据多少个连续相似的字符算重复，部分就是按照语句大意计算出来的，那么算法不同得出的查重率肯定是不同的结果。
最后我们通过上述这些原因，能确定的是，不可以拿不同的查重系统进行对比，因为也无一致的结果准确性标准，不同的查重系统件都是存在区别的。假如学校最终使用知网，终稿就一定要按照知网的查重结果为准。假如学校最终使用的是papertime，那肯定是以papertime查重结果才最准确。
目前免费论文查重网站比较多，今天给各位同学例举部分查重系统，仅供参考：PaperFree是中英文及多语种论文相似度检测系统，特色机器人降重、在线改重功能，可以实现自动降低文章相似比例，并且在同一界面上一边修改一边检测，即时反馈查重结果，使用户体验、查重效率翻倍。PaperFree为用户人性化地完美实现了“首次免费论文检测―高效在线改重―智能机器人降重―全面再次论文检测―顺利通过论文检测“的整个全过程。PaperTime免费论文检测系统首次将在线改重、机器人降重运用到论文检测中。在线改重功实现了一边修改，一边查重，修改一句话就可以同步实时看到修改后的查重比例结果，从而有效地提升修改效率；系统同时提供的机器人降重功能是以七千万篇学术论文作为训练语料，使用深度学习的方法进行句法分析和语义分析，挖掘出词汇在语义上下文的空间向量模型中的关系。通过程序对大数据进行机器学习生成的结果，能保证在修改句子合理通顺的基础上实现智能自动降低重复比例。PaperDay以学术论文大数据和互联网技术为支撑，专注于在线论文写作辅导，提供论文学术不端行为在线查重服务。对所有注册用户提供免费查重体验，是让用户通过亲身体验认识到什么是优秀好用的论文检测系统。PaperDay系统支持中英文及多语种论文检测，整合了智能降重、论文排版、论文纠错为一体，大大提高论文写作效率，是检测文章原创性、课程论文、学术论文、毕业学位论文等学术不端行为自律查重工具。
论文查重的网站如下：
1、知网论文查重系统：知网查重系统应当是不少人都有所了解的一个查重网站，它具备的优势也十分突出，如数据库庞大、文章、资料更新及时。
可以为使用者提供十分可靠的查重结果;知网查重系统还具备了批量上传、下载测试结果等功能，操作起来也十分的方便快捷，便于保障使用者的查重效率，节省查重时间。
2、PaperPass检测系统: PaperPass采用 了自主研发的动态指纹越级扫描检测技术，具备查重速度快、精度高的优点，高度的准确率可以为使用者提供精确的查重报告，有利于使用者及时的对论文进行修改、调整。
3、万方论文查重系统：万方查重系统采用的检测技术十分先进科学，能够为使用者提供多版本、多维度的论文查重报告;万方查重系统还可同时为科研管理、教育教学、人事管理等多个领域的学术机构提供学术成果相似性检测服务。
4、维普论文查重系统：该论文查重系统采用了国际领先的海量论文动态语义跨域识别加指纹比对技术，能够快捷准确的检测论文是否存在抄袭问题；
中文期刊论文库、硕博学位论文库、高校特色论文库、互联网数据资源等多个数据库的存在，也使得维普论文查重系统能够高效的比对文本数据。
论文查重软件排行榜以下三个好。
1、知网论文查重软件数据库比较强大，并且可以分类对论文进行检测，有本科论文查重入口，硕博论文查重入口，职称论文查重入口，初稿论文查重入口等。
是目前高校使用最多的软件。对于本科毕业论文检测拥有独特的大学生联合对比数据库。检测结果基本上跟学校一致。
2、万方、维普是这几年兴起的论文查重软件，数据库没有知网齐全。版本也没有知网多，如果学校要求使用这两个查重，大家就可以去选择，如果没有要求选择这两个系统，大家就不要存在侥幸心理。
3、paperfree论文查重软件，是比较长久的论文查重软件，仅次于知网论文查重，在市场上得到了很多学校和毕业生的认可，也是很多学校要求使用的论文查重系统，查重速度快，查重结果准确，费用非常的低。
前期初稿检测可以使用papertime免费论文查重软件，家独创同步在线改重，实时查重；边修改边检测，修改哪里检测哪里。
目前免费论文查重网站比较多，今天给各位同学例举部分查重系统，仅供参考：PaperFree是中英文及多语种论文相似度检测系统，特色机器人降重、在线改重功能，可以实现自动降低文章相似比例，并且在同一界面上一边修改一边检测，即时反馈查重结果，使用户体验、查重效率翻倍。PaperFree为用户人性化地完美实现了“首次免费论文检测―高效在线改重―智能机器人降重―全面再次论文检测―顺利通过论文检测“的整个全过程。PaperTime免费论文检测系统首次将在线改重、机器人降重运用到论文检测中。在线改重功实现了一边修改，一边查重，修改一句话就可以同步实时看到修改后的查重比例结果，从而有效地提升修改效率；系统同时提供的机器人降重功能是以七千万篇学术论文作为训练语料，使用深度学习的方法进行句法分析和语义分析，挖掘出词汇在语义上下文的空间向量模型中的关系。通过程序对大数据进行机器学习生成的结果，能保证在修改句子合理通顺的基础上实现智能自动降低重复比例。PaperDay以学术论文大数据和互联网技术为支撑，专注于在线论文写作辅导，提供论文学术不端行为在线查重服务。对所有注册用户提供免费查重体验，是让用户通过亲身体验认识到什么是优秀好用的论文检测系统。PaperDay系统支持中英文及多语种论文检测，整合了智能降重、论文排版、论文纠错为一体，大大提高论文写作效率，是检测文章原创性、课程论文、学术论文、毕业学位论文等学术不端行为自律查重工具。
知网论文查重软件：知网在资源丰富方面具有突出的优势，其科学算法也使得论文的查重结果具有很高的权威性。万方论文查重软件:维普论文查重拥有优秀的自主研发算法，在数据库上也有突出的优势，比较资源可以用海量来形容。维普论文查重软件：维普论文检测系统是目前国内论文查重平台之一，采用AI智能比对技术，拥有丰富的本地文本资源库，致力于维护学术诚信，杜绝学术不端。paperfree论文查重软件：PaperFree论文查重软件通过海量数据库对提交论文进行对比分析，准确地查到论文中的潜在抄袭和不当引用，实现了对学术不端行为的检测服务。请点击输入图片描述
不管是本科毕业论文还是硕士，博士，期刊论文在写完之后都是要进行知网查重的，查重也是掌握着你能不能毕业，或者期刊论文能不能发表的一个依据。
现在论文查重一性通过的是很少的，都是要经过反复修改才能达标，那么现在就有人问论文提前查重会有影响吗？现在可以跟小编一来讨论一下。
首先，没有高校和期刊编辑部明文规定作者不能提前查重，他们只会给出一个查重标准，用什么软件以及提交论文格式等信息，作者只要按照他们的要求操作就可以了。
另外，自己提前查重是非常用必要的，初稿期间查重和修改是必不可少工作，不断提炼才能得到最后的精华，当然，也有部分论文一次知网查重就通过了，就无需再修改和再次查重了，虽然看到他们很轻松，但是，他们在写作的时候肯定比你花的精力多，我们曾经就接到一些用户，直接down的论文，查重后发现高达七八十，修改这样的论文真的不比重新写一篇轻松。
很多同学会认为论文提前查重就是会被知网查重系统收录，以为就是把论文交给系统来查重，但是这个大家就不用担心了，论文查重是不会被知网收录，因为知网收录的都是发表过后的，一般知网收录也是需要条件的，必须是要有版权。
然后原在创作者的同意之下，知网才会把论文收录，但是一篇文章收录也是在半年左右，不过小编这里有一个温馨提示，因为现在网上查重软件比比皆是，还是有很多假冒的软件，同学们提前查重的时候一定要选准查重系统不然有时候也会导致论文泄露的。
只要选择正规的查重系统提前查重完全没有什么问题。
是安全的吧，我都用早检测系统测了三次了，也没有泄露信息什么的呀。
1、论文查重其实任何时候都是可以的，只要在提交给学校前都可以，但需要注意给自己留下修改的时间，以免论文重复率没达到。2、有的同学会听信一些小道消息，认为只要把论文拿去查重检测过那么就会留下查重记录，然后再去提交给学校检测的时候就会影响到最终的重复率。其实不然现在大多数的查重网站都是比较正规的，只要我们的论文没有被发表出去，网络上没有记录，那么不管什么时候去查重多少次，都不会对我们最后提交学校检测产生影响。
不仅仅是毕业论文或者是在期刊论文中必须做好论文评审工作，重复率不过关就不能毕业或者不能发表论文，这与作者自身的利益密切相关。而在实际的论文评审过程中，一篇论文的评审能够做到的标准是非常个性化的，大多数论文都必须经过论文评审和修改才能合格，所以提前做好论文评审是肯定的。所以提前做论文评审有关系吗?大多数大学和期刊编辑部没有按照作者的要求不能提前检查纸,他们只会提供一篇论文审查标准,并提交论文格式和其他信息到每个人,每个人都根据写作和论文审查的要求。论文的前期评审是非常必要的，对论文初稿的评审和修改是必不可少的工作，不断提炼，得到最终的精华。当然，也有一些论文一篇论文评审通过了，没有必要再修改一次论文评审。他们很容易被发现，但是他们在写作上比你付出了更多的努力来获得这样一篇高质量的论文。绝大多数论文都不会在复检时检测到论文留下的痕迹，第一篇论文复检后再进行复检，如果是不修改的，几次的结果都是一样的也不会有任何痕迹。但是，如果论文被Cn重新检查。，最后一篇论文的重复时间和重复率将显示在报告表的前面，并以红色字体显示。而且也只注意最后的检查，其他方面不会对论文的评审产生影响。而且还没有发现哪所大学看到这样的展示，就确定该学生的论文不符合标准，所以事先的论文评审是没有影响的。那些担心提前复检影响的人，肯定不了解复检制度的基本工作原理，认为如果将论文复检到系统中，就会包含论文。事实上，情况并非如此。使用文献作为比较数据库并不容易。必须是已发表的文章，只有未发表的论文不包括在内。论文一定要提前做好检查论文才能通过，否则怎么知道自己的论文重复率能不能通过学校或单位的标准要求呢?
一、图片输入层面 基于以上结论，采用多尺度训练过程中，要在避免那些极小的和极大的（多尺度后）带来的不好的影响时，考虑保证目标有足够的多样性。所以在进行多尺度训练过程中，将每种输入尺度下，不满足要求的proposal以及anchor忽略。论文中使用了三种尺度如图所示，比一般的多尺度训练的尺度跨度要大。 二、 Neck部分（采用金字塔结构改进方案的） 一般意义的FPN网络结构是最右边似的结构，而本文中采用的结构则是 该方法首先无疑是增加了计算量，优点就是最终输出的每一层的特征不是一个线性的变换（应该想表述的说不是从一层特征直接到另一层特征），而是使用共享的多层特征。最终相比RetinaNet提升一个点左右吧，效果一般。VisDrone2020检测的冠军团队采用了这个结构 该文章利用多个TUM模块试图更充分构建的特征金字塔的网络结构，靠前的TUM提供浅层特征，中间的TUM提供中间层特征，靠后的TUM提供深层特征，通过这种方式能够多次将深层浅层特征融合，参数量多了。和RetinaNet对比可以看到，512输入，都不采用multi-scale推理，mAP由33提升到，小目标精度也提升了一点；以参数量和计算量堆砌的精度提升，不是好方法。 文章认为不同层的重要程度应该和目标的绝对尺度分布有关系，所以在FPN自上而下融合的时候，加入了一个尺度因子用来平衡金字塔不同层的重要性。个人感觉意义不大，实际提升也不明显。 三、 Head部分的改进方案 在VisDrones上的冠军方案和若干其他方案都采用了这种“双头部”的方案。soft-NMS似乎可以提升几个点。 四、 小目标目前检测不好，主要原因不是小，应该是小且和背景接近，对比度不高。所以可以借鉴伪装物体检测的思路；
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：