发布时间：
硕士论文别人做过的自己可以做吗？当然可以做，但是你不要照抄别人的，一定要有自己的想法和思考。
可以的。论文别人做过，你同样可以再做一次，但是不能完全和别人做的一样，可以换一个方法来做，必须要有创新，用别人没用过的方法，这个就好比高中时做应用题，同一道题有多种解法，虽然答案相同，但过程完全不一样。对于毕业论文，也是相同的道理。别人做过的题目，只要你的解题过程是创新的，你一样可以做。
这个可以，因为很多方向都被研究过了。只要写出自己的观点就好
可以，但是要注意以下几点：1、一定要注明出处，即引用文献的作者、文献名称、出版社、年限等信息；引用的章节也最好给予注明；引用文献一般放在论文最后的参考文献加以列示；2、引用论文内容时，一定要注意不可以大段大段地抄袭下来，最好只引用作者的观点、或者有论证的论据，以及图表、研究数据等；3、除非是学校有特殊要求外，一般不建议引用本年段或者未经发表的本校的其他的师生的论文，因为无法公开查询，会导致“抄袭”嫌疑。
不知道你是什么专业，可以尝试写一个你之前学过的理论，写它的内容，，研究现状，应用的方式或者在什么地方应用，最后写应用的意义，网上找点论文，书上抄点，自己再写点，差不多就有两千个字了。
可以的，具体的格式您可以参考下面的示例：电子文献的写作格式：［序号］主要责任者.电子文献题名［电子文献及载体类型标识］.电子文献的出处或可获得地址，发表或更新日期/引用日期(任选).［11］王明亮.关于中国学术期刊标准化数据库系统工程的进展［eb/ol］.http://www.cajcd.edu.cn/pub/wml.txt/980810-2.html,1998-08-16/1998-10-04.［12］万锦坤.中国大学学报论文文摘(1983-1993).英文版［db/cd］.北京:中国大百科全书出版社，1996.
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）。
本科毕业生的毕业论文原则上都须通过万方“论文相似性检测服务”系统进行检测，特殊专业论文或者保密论文由学院（部）自定。
对于本科和硕士研究生毕业论文主要包括：封面、原创声明、摘要、目录、正文、致谢、参考文献、附录、开题报告和表格图片等，那么学校知网查重这些部分都会查吗？检测哪些内容更科学准确呢？下面学术不端网就来分析本科毕业论文查重哪些内容以及检测范围，具体答案分析如下：
关于知网相关抽查规定：有规定的，可以进行第一次修改，修改之后通过就可以答辩，如果第二次不通过就算结业，在之后4个月内还要交论文或者设计的。这个是在抄袭30%的基础上的。如果抄袭50%以上的话，直接结业在之后4个月内还要交论文或者设计的。
1、被认定为抄袭的本科毕业设计(论文)，包括与他人已有论文、著作重复总字数比例在30%至50%(含50%)之间的，需经本人修改。修改后经过再次检测合格后，方可参加学院答辩。再次检测后仍不合格的，按结业处理。须在3个月后提交改写完成的毕业设计(论文)，检测合格后再参加答辩。
2、被认定为抄袭的本科毕业设计(论文)，且与他人已有论文、著作重复总字数比例超过50%的，直接按结业处理。须在4个月后提交改写的毕业设计(论文)，检测合格后再参加答辩。
知网查重，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。目前的本科毕业论文查重使用的知网pmlc检测范围对比库有：
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
大学生论文联合比对库
互联网资源(包含贴吧等论坛资源)
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
图书资源
CNKI大成编客-原创作品库
个人比对库
值得说明的是本科毕业论文查重的检测范围包括”大学生论文联合比对库”，该库是本科论文检测系统知网pmlc独有的对比库，主要记录本科学长毕业论文。学术不端网认为本科毕业论文知网查重主要内容包括：摘要、目录、正文、参考文献这几个部分内容。知网查重时具体查哪些内容最终还是要以学校要求为准，正确的目录和参考文献不影响知网查重结果，因为知网可以识别到目录和参考文献剔除并不参与正文检测。高校以知网查重为准，毕业论文定稿还是需要知网查重最准确。
这个可以，因为很多方向都被研究过了。只要写出自己的观点就好
当然可以了，论文中举例子就是举出那些已有的事例，别人用过的当然可以
可以用别人写的题目，不过内容不要一样，要根据自己的论点来写。
题目一样没事，有创新点就行！题目一样的多了去了，特别是文科...
当然可以，只不过若是引用别人的理论或数据需要注明出处的，不是抄袭就行。但是不建议对于别人已经用过的题目，直接拿来使用。高校学生都是需要进行论文写作的，写毕业论文的目的是培养学生的科研能力，考察学生能否综合运用所学知识和理论解决实际问题。
对于每一个毕业生来说，毕业论文的方方面面都是非常重要的，一个好的论文标题可以起到很好的作用，能够对论文内容进行有效概括，也能吸引读者的注意。
1、创新性：毕业论文选题往往被前辈多次采纳撰写，内容重复往往导致读者的视觉疲劳。因此，学生们在选择论文题目时，一定要有一定的创新性性和独特性，才能吸引别人的注意，才能吸引读者将这篇文章继续进行阅读。
2、简洁性：论文题目不宜过长。一般来说，学校也要求论文题目控制在20字以内。因此，在选择论文题目时，要尽量做到简洁有力，简要概括论文的主要内容，体现论文的主题。
3、肯定性：论文是对我们学术研究的总结和讨论，反映的内容要准确客观。所以在写论文题目的时候，也要用肯定句来体现我们对所写论文的信心，不建议用疑问句或反问句。
4、除了以上几点，告诉大家，在选择论文题目时，要尽量用词准确，即用词、用句在我们论文的观点上要准确，不能用夸张、宽泛的词语。对于别人已经用过的题目，不建议你直接拿来使用。
题目一样其实无所谓，但题目不能太旧。内容当然也不能一样，要有自己的创新点。可以将对方的文章作文参考放到文献综述部分，指出曾有人做过类似的研究，并将对方文章的观点简单陈述一下，指出他的研究可取的地方及待改进的地方，并指出对方的不足在自己的研究中可能进一步完善或给出改进措施。总之不要抄袭就可以，题目一般都会先找导师过目，导师认可了就没问题。