发布时间：
不会被查，只要你的引用格式书写争取，引号内的内容作为引用内容被统计，而不是重复内容。
查的 我帮写的
参考文献是指在完成学术论文的过程中，引用、参考前人完成的论文。在完成论文的过程中，参考文献是不可避免的，不仅是对前人观点的总结，也是参考写作方式的行为。那么论文如何引用参考文献而不查重呢？
如果论文中的参考文献以文本的形式出现，它将被计算在重复率中。如果你在引用时用自己的话来表达，重复率可能不会很高。如果你把它放在脚注里，它不会被计算在重复率中。因此，于文献的引用也要多加注意，如果引用不当或过多，论文查重率就会提高，很多原创论文的重复率高并非因为抄袭问题，而是因为引用方式不对。
下面是一些正确引用文献的方法：首先是正确的参考格式，即在论文结束时展示参考文献，每个参考文献都是独立的，每个参考文献都有独特的标准，当然，每个单位的格式都是固定的，按格式走就没有问题，包括作者、书名、出版社、出版年份等等。二是参考内容不能太长，引用其它文献中少量的观点和论据，不能引用大段落，这就是抄袭。文本中强调参考文献的论证作用，这也是参考文献的主要作用，即：使用前人的观点、理论、研究方法、数据等，为本人论文的完成提供创新、科学和应用价值的必要论证。
写论文的时候引证文献是在正常不过的事情了，在进行论文写作之前要阅览很多的文献，了解行业界学科发展的状况，这本身也是常识积累和学习的一个过程，但是在论文引用的过程中，很多同学不知道如何引用，改改关键词，调换一下言语的次序，是不是便是引用呢？其实在最后论文的查重过程中，这些都要计入抄袭比例的。通常我们判定是不是抄袭，只需遵循这个原则就可以：抄袭是把他人的定论当做自己文章的定论，引证是把他人的研究成果当做是已知的常识。论文中必须要引证参考文献，在引用他人文献观念的基础上再抛出自己的观念和视角，合理恰当的引用参考文献不仅能添加文章的可读性而且又是作者自己观念的论据。但是，参考文献便是一把双刃剑，一旦超越限度就会被论文检测体系认定为抄袭，为了防止这种状况的发作，必须要在合理引用参考文献上下功夫。引用的文字部分最后运用句号。引用的内容通常会在双引号“”之间，双引号完成后运用句号结束，这是正确的引证方式，如果在双引号“”中间的部分运用句号，那么句号后边的文字就会被认定为抄袭了。引用仅仅少量的运用其他文献中的观念和论据，切莫大段落的引证，不然便是抄袭。很简答的道理吧，如果将他人论文中的内容大段大段的放进自己的论文里，这只能被判定为抄袭了。引用格式要正确，引用的部分一定做好标注，并在论文后边的参考文献部分进行标注，标注序号与正文中的序号共同。
知网论文检测中引用的参考文献算重复率，不能超出总字数的百分之十。一、知网检测，就是用一定的算法将你的论文和知网数据库中已收录的论文进行对比，从而得出你论文中哪些部分涉嫌抄袭。二、目前的对比库有：中国学术期刊网络出版总库中国博士学位论文全文数据库/中国优秀硕士学位论文全文数据库中国重要会议论文全文数据库中国重要报纸全文数据库中国专利全文数据库互联网资源英文数据库(涵盖期刊、博硕、会议的英文数据以及德国Springer、英国Taylor&Francis 期刊数据库等)港澳台学术文献库优先出版文献库互联网文档资源三、关于学校查重率、相似率、抄袭率：各个学校不一样，全文重复率在30%一下（而有的学校，本科是20%）。每章重复率应该没有要求，这个每个学校会出细则的，并且学校也出给出他们查重复率的地方——基本都是中国知网。具体打电话问老师，每界每个学校要求都不一样。四、相关查重系统名词的具体作用：查重率的具体概念就是抄袭率，引用率，要用专业软件来测试你的文章与别人论文的相似度，杜绝抄袭。基本就这意思。
算，引用部分超过一定比重也是会计算重复率的。避免的方法：1、添加脚注或双引号。当你在论文中引用他人作品的内容时，你可以在引用文献的内容下面添加脚注或双引号。这样，将论文提交给查重系统后，查重系统就可以识别脚注部分。当检测论文的重复率时，你会跳过这部分的引用来检测其他论文的内容，这样你就不会测试和计算引用内容部分的重复率。2、修改引用内容。许多人在论文中引用的内容比较多，但分布比较分散，需要添加引用符号的地方也会比较多，在论文后面标注的参考文献也会比较多。事实上，引用部分超过一定比重也是会计算重复率的，所以为了避免这种情况，同时也是为了降低重复率，我们可以在保持原句含义的同时，对引用内容进行修改。
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 ：
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。
我使用的是LabelImg做为目标标注，当所拍摄图像没有特定目标出现时，不会生成相应的xml文件，我们可以将抛弃，或，希望生成xml就将其设为verify image，这样会在该图周围生成绿色边缘，生成一下xml， 由于verify image会将其设置为
正确引用参考文献的格式
1.学术期刊文献
［序号］作者．文献题名[J]．刊名,出版年份,卷号(期号)：起-止页码
2.学术著作
［序号］作者．书名[M]．版次(首次免注).翻译者.出版地:出版社, 出版年: 起-止页码
3.有ISBN号的论文集
［序号］作者．题名[A].主编．论文集名[C]．出版地：出版社,出版年：起-止页码
4.学位论文
［序号］作者．题名[D]．保存地：保存单位,年份
5.专利文献
［序号］专利所有者．专利题名[P]．专利国别：专利号,发布日期
6.技术标准
[序号］标准代号,标准名称[S]．出版地：出版者,出版年
7.报纸文章
[序号］作者．题名[N]．报纸名,出版日期(版次)
8.报告
［序号］作者．文献题名[R]．报告地：报告会主办单位,年份
9.电子文献
［序号］作者．电子文献题名[文献类型/载体类型]．文献网址或出处,发表或更新日期/引用日期(任选)
引用的参考文献应具备哪些条件
被引用的参考文献主要有以下几种：
1、是关于具体的实验的方法；
2、是支持性或者有冲突的证据；
3、是比较有用的类似的文献；
4、是有历史背景的和有意义的文献；
5、引用文献要新：在某种程度上体现了文章的先进性；
6、引用高质量文献：在一定程度上反映了该文章学术水平的高低，从总体上体现了该文章的科掌性、实用性和先进性。
7、提高自引文献量：作者自引是指作者引用了自己以前发表的文章作参考文献，期刊自引是指该期刊引用了该刊以前发表的文献。
8、引用文献要全：参考文献一定要全面，尽可能全面地引用态伏毁国内外相关研究成果。
9、多引期刊文献，少引书籍文献。
参考文献标注的正确格式如下：1、参考文献格式为：[序号]+著作作者+篇名或书名等+参考文献的类型+著作的“出版年”或期刊的“年，卷(期)”等+“：页码(或页码范围)”。2、引用别人的毕业论文的标注格式为(毕业论文类型为学位论文[D])：[序号]主要责任者.文献题名[D].出版地：出版单位.出版年：起止页码(可选)。3、举例如：[11]张筑生.微分半动力系统的不变集[D].北京：北京大学数学系数学研究所，1983：1-7。
参考文献标准格式如下：
一、期刊类[J]
【格式】[序号]作者。篇名[J]。刊名，出版年份，卷号(期号)：起止页码。
【举例1】安心，熊芯，李月娥。70年来我国高等教育的发展历程与特点[J]。当代教育与文化，2020，12(06)：75-80。
【举例2】[2]许竞。我国学历教育分化的证书制度溯源[J]。南京师大学报(社会科学版)，2020(06)：22-29。
二、专著类[M]
【格式】[序号]作者。书名[M]。出版地：出版社，出版年份：起止页码。
【举例1】葛家澍，林志军。现代西方财务会计理论[M]。厦门：厦门大学出版社，2001：42。
三、报纸类[N]
【格式】[序号]作者。篇名[N]。报纸名，出版日期（版次）。
【举例1】[1]葛剑雄，陈鹏。地名、历史和文化[N]。光明日报，2015-09-24(011)。
四、论文集[C]
【格式】[序号]作者。篇名[C]。出版地：出版者，出版年份：起始页码。
【举例】伍蠡甫。西方文论选[C]。上海：上海译文出版社，1979：12-17。
五、学位论文[D]
【格式】[序号]作者。篇名[D]。出版地：保存者，出版年份：起始页码。
【举例】郝桂莲。反思的文学：苏珊·桑塔格小说艺术研究[D]。四川大学，2014。
六、研究报告[R]
【格式】[序号]作者。篇名[R]。出版地：出版者，出版年份：起始页码。
【举例】冯西桥。核反应堆压力管道与压力容器的LBB分析[R]。北京：清华大学核能技术设计研究院，1997：9-10。
七、其他[N]
【格式】[序号]颁布单位。条例名称。发布日期。
品牌型号：联想小新Pro16 2022款
系统版本：Windows10
软件版本：百度浏览器
报告编号可通过学信网学信档案查询，具体操作步骤如下：
1、点击进入官网
搜索学信网，点击进入学信网官网。
2、点击登录
在页面填写信息后点击登录。
3、点击学信档案
登录后在页面点击学信档案进入。
4、点击查看
在学信档案页面点击学历学位认证与成绩验证即可查看。
《高等学校档案管理办法》第三十二条：高校档案机构是学校出具档案证明的唯一机构。
高校档案机构应当为社会利用档案创造便利条件，用于公益目的的，不得收取费用；用于个人或者商业目的的，可以按照有关规定合理收取费用。
社会组织和个人利用其所移交、捐赠的档案，高校档案机构应当无偿和优先提供。
可以在学信网查询，具体操作方法是：
1、首先浏览器直接搜索学信网，并选择官网进入。
2、在学信网中，选择学历与成绩认证，点击进入。
3、在认证中会告知已经免费的事宜啦，如果还没有电子注册备案表暂时无法查询，所以需要申请电子注册备案表。
4、回到首页之后，点击进入学信档案，没注册就注册，已经注册了就输入后登录即可。
5、进入首页之后，点击在线验证报告下方的【申请】。
6、选择右侧的教育部证书电子注册备案表，点击查看。
7、进入后申请中文版或英文版。
8、申请相关报告，设置报告有效时间，点击右侧的申请。
9、最后很快就已申请的报告出来了，就可以查看到了。
扩展资料：
《中国高等教育学历认证报告》鉴别及查验指导：
1、 经教育部学信网认证为真实有效的学历证书，学信网学历认证中心均统一出具《中国高等教育学历认证报告》予以证明。
该“认证报告”为统一印制、统一编号的防伪书面报告，使用梅花水印的A4型纸，纸面的淡蓝色底纹印有“高等教育”、“GDJY”字样，出具时加盖“全国高等学校学生信息咨询与就业指导中心”印章。
2、 学信网学历认证中心对出具的认证报告进行电子注册，并提供网上查询。用人单位和个人可凭报告编号和证书编号在“中国高等教育学生信息网”上查询认证报告的真伪。凡是在“中国高等教育学生信息网”上查询不到的学历认证报告一律属于非法的虚假报告。
参考资料：百度百科-学历认证报告
参考资料：百度百科-学历认证
学历查询的话是不存在输入报告编号的，只需要输入姓名，毕业证编号，验证码等信息进行零散查询，你说的报告编号只可能出现在“学信网--学历认证“频道里查询学历认证报告时需要输入报告编号，报告编号只有你在学历认证中心做过书面学历认证的，有书面学历认证报告的才能获取此报告编号
品牌型号：联想小新Pro16 2022款
系统版本：Windows10
软件版本：百度浏览器
报告编号一般可以通过登录学信网进行查询。具体操作如下：
1、点击学籍查询
打开学生信息网官网后，点击页面上方任务栏里的学籍查询。
2、点击查看
登录进入学信网首页，点击在线验证报告下方的查看。
3、点击查看
在新的页面，再次点击查看，输入就读或毕业学校名称后，点击验证即可查看报告编号。
《中小学生学籍管理办法》第三条
学生学籍管理采用信息化方式，实行分级负责、省级统筹、属地管理、学校实施的管理体制。
国务院教育行政部门宏观指导各地学生学籍管理工作，负责组织建设全国联网的学生电子学籍信息管理系统(以下简称电子学籍系统)，制订相关技术标准和实施办法。
省级教育行政部门统筹本行政区域内学生学籍管理工作，制订本省(区、市)学籍管理实施细则，指导、监督、检查本行政区域内各地和学校学生学籍管理工作;按照国家要求建设电子学籍系统运行环境和学生数据库，确保正常运行和数据交换;作为学籍主管部门指导其直管学校的学籍管理工作并应用电子学籍系统进行相应管理。
地(市)级教育行政部门负责指导、督促县级教育行政部门认真落实国家和本省(区、市)关于学生学籍管理的各项规定和要求作为学籍主管部门指导其直管学校的学籍管理工作并应用电子学籍系统进行相应管理。
县级教育行政部门具体负责本行政区域内学校的学生学籍管理工作应用电子学籍系统进行相应管理;督促学校做好学生学籍的日常管理工作。