发布时间：
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 ：
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）。
无论在外面查重网站查重，还是在学校查重，查重软件都会识别排版格式，一些不必要的内容不会参与查重，但是如果格式不规范，导致查重软件不识别这种格式，不必要的内容会参与查重，这样影响查重率的客观性，pdf版本的论文，提交到查重系统会解析识别不是很准确，导致不该参与查重的内容参与查重了。
不参与查重内容包括：封面，授权声明，原创声明，目录，脚注，参考文献；
参与查重的内容包括：绪论，综述，引言，前言，中英文摘要，正文，致谢，附录。
这些参与查重或不参与查重的内容，前提是排版格式正确，如果排版格式不正确，会导致查重系统自动识别不准确，不改参与查重的会参与查重，这样导致查重结果不客观。
你这种情况从两方面检查一下，提交文章版本是不是PDF文本，再检查一下排版格式是否规范。
论文的检测范围一般由学校规定，大部分学校是不检测目录、引用、参考文献部分的。但是前提是这些部分的格式正确。因为很多查重系统是上传整篇文档，如果格式不正确，那么这部分会被当成正文参与检测。计入重复率。这些方面要注意。
网页链接
一般是摘要，绪论，正文，致谢，如果引用部分格式正确，没有超出比例，就不好计入重复率。具体可以看看学校发布的通知。一般都有详细说明。
抄袭复制学术不端行为一直存在，为了提高论文质量， 降低论文查重率，现在高校和期刊机构都要求对论文进行查重检测，在提交论文以前，我们可以自行查重，防止提交的论文重复率过高，论文重复率过高我们还需要进行降重，论文降重修改先要了解一下一般论文查重查什么？paperfree小编给大家讲解一下，然后我们可以后有针对性的进行修改保证论文原创性。 1.主体部分。 论文查重基本上都需要检测正文部分，因为正文是论文的中心内容，反映了作者的科研能力和中心内容，如文章的文字部分大规模抄袭、剽窃，文章肯定不会合格，所以在写作文章时必须原创，尽量用自己的话清楚明白地陈述文章的研究内容，防止复制粘贴而造成论文查重率过高。 2.引言.摘要.引文.结束语等其他文字。 除正文组成部分，本论文还包括引言、摘要、引文等其它重要部分，一般这部分内容也将被查重，这些内容属于作者研究方向的论证内容。当然，文中所引用的相关文献并不涉及查重。 3.图片.表格等非文字内容。 对某些要求较严格的大学或学报，会对图片、表格等非文字内容进行查重，但大多数普通院校对此内容并无查重要求。 事实上，论文没有达到合格检重率标准，论文审核也包括：论文的构思、陈述逻辑、论文构架等多维。即使论文的查重率仅为1％，但是文章内容毫无逻辑.质量极差，这篇论文也无法顺利通过审核。
为创造良好的学风，目前各大高校都加大了论文查重的力度，查重论文能提高学生论文的质量，并能有效地遏制学术不端行为的发生。那么下面paperfree小编就和大家一起来了解一下查重研究生论文的情况吧？ 研究生论文查重都查什么？ 给研究生颁发毕业证书前，一定要检查学生所交的毕业论文，以此来判断他们的毕业论文是否合格？只有合格的论文可以参加毕业论文答辩。硕士学位论文的查重与本科毕业论文相比，难度要大得多，不同院校的要求也有所不同，我们要知道的是研究生论文的正文部分一定要参与查重，正文部分主要包括论文的前言，一直到论文的结尾。 主体部分是全文中最为重要的一部分，对于这一部分的查重检测系统来说，该系统的内容查重力度是最严格的。但文本中若有图表、公式、编码、表等部分，则这些部分并不涉及查重，因为目前的论文查重检测系统还没有办法对这些部分进行鉴定。文章目录、参考文献、致谢词均不参与查重，论文目录可以自动生成，要注意的一点是论文中若有涉及引用的部分必须注意格式，参考格式未设置那这部分将参与查重，当最后要上载时，最好的办法是把整篇文章的格式检测一遍，然后把该格式全部设置好，顺便把整篇文章重新阅读一遍，检查一下你的论文中是否出现了一些细节错误。
写完一篇论文后，我们都需要检测论文，但有些人可能不知道在检测论文时会检测哪些部分，所以让paperfree小编谈谈论文检测需要检测哪些内容？1、论文正文:正文部分是论文中最重要的部分，也是查重要求最高的部分，还是论文查重率和查重比重最高的部分，这部分查重率几乎是论文的查重率，这部分必须检测。2、摘要:摘要是论文画龙点睛的部分，也是比较重要的部分，一般只有200-500字左右，但这部分的调查要求也比较严格3、论文主题:一般主题也需要查重，但查重的要求不严格，只要不抄写别人的主题即可4、引言:引言部分也要查重，引言部分一般是吸引读者的部分，查重的要求也不特别严格。5.结论:结论是对一篇论文的总结，也是对自己研究对象的期望和展望。这部分也需要在查重时进行。6.参考文献:这部分也应该与论文一起参与论文的重复检测，但只要参考文献的格式是正确的，这部分就不会有太大的问题。关于其它部分是否需要查重，如目录、感谢、附录等部分，要看自己的学校是如何规定的，只要按照自己学校的规定查重论文，就不会有其他问题。
毕业论文是对硕士和博士学生学术生涯的最后一次评估。毕业论文对每个学生都非常重要。为了顺利通过毕业论文审核，论文的检测和查重是必不可少的一部分。那么论文检测方法是什么？1.不同的论文检测网站使用不同的检测算法。一般来说，论文检测的基本算法是论文检测系统根据一定的算法识别和计算检测到的论文的重复率，并生成检测报告。2.以查重系统为例：检测论文实际上是一种根据语义模糊解析算法，然后进行近似比较的方法。检测论文并非简单地基于某一最小句子进行循环比对。如果你在查重报告的全文对比报告中发现重复来源与你写的论文句子不完全一致，这就是原因。此外，硕士论文的查重与本科毕业论文的检测方法也存在一定差异。硕士论文比较的数据库内容更完整，字数更多。同时，硕士论文的检测和检查使用的系统是专业的硕士论文检测系统。该检测系统拥有独家的学术论文联合比较库，包括以往毕业生的论文。4.不同的论文检测系统采用不同的检测方法，不同的数据库会使同一篇论文在不同的论文检测网站上的检测结果不同，这在使用查重系统时也需要注意。
1、论文检测包括哪些内容“检测内容”对于论文的检测，那是一定要做的，不过目前市面上有很多的论文检测系统都可以查重，可是对于学校来说，他们只认可权威的知网来查重。所以我们在进行论文修改时就要借助权威的第三方的论文查重工具来完成查重工作。这些工具的算法和知网差不多，会检测论文的目录，可以分章检测。接着就会检测到论文的摘要部分以及正文等内容。2、论文检测包括哪些内容“提前准备”面对论文的主题，大家不要急着下笔，而是在写之前要明确好自己的论点以及依据，设计好论文的结构。然后再根据自己的论文结构或者提纲去找到相应的资料，最后再开始落笔。否则，如果这个操作流程反了，先找资料再想论文的结构，那届时写出来的论文重复率一定非常高，很难降重。3、论文检测包括哪些内容“公式、图片不会检测”相信大家也清楚，在论文进行查重时，对于图片或者公式等内容是不检测的，一是论文查重系统主要针对的是论文的文字内容，二是对于图片或者公式，目前计算机无未能进行比对。而这个所谓的漏洞对于大家来说，可以充分利用。我们对于一些需要引用的文献，可以用表格或者图片的方式来处理，顺利通过检测。而对于查重工具的选择，一定要注意选择靠谱的工具，不要随意挑选那些免费的查重软件，以免因小失大，届时后悔也来不及了。相信说到这里，大家也了解了论文检测包括哪些内容，论文检测使用PaperPass这个查重系统，是高校公认的比较合理的查重工具，严格严谨，很少出现错误，性价比高，旺季做活动也花1.8元一千字的价格，甚至还更低。需要检测论文的毕业生们可以看下。
论文维普查重是怎么查的？相关内容如下：
进入维普，输入账号和密码，选择自己的用户类型，然后上传待查重的文章，点击下一步，选择支付方式，点击提交订单，检测完毕后，就可以对查重报告进行下载和查看。维普论文检测网站是目前权威的论文查重平台，维普查重提供维普大学生版、维普研究生版、维普职称认定版、维普编辑部版四个版本，分别适合不同的场景使用。
知网查重包括哪些？
包括论文正文、原创说明、摘要、图标及公式说明、参考文献、附录、实验研究成果、结语、引言、专利、文献、注释，以及各种表格。大多数高校在每年毕业季时，都会统一发通知说明学校的毕业论文规范和查重说明，学校会统一下发论文样式等内容，一般会详细说明查重的范围。要是学校有具体的要求，那提交到学校的时候必须按照学校所要求的来。
查重，全称为论文查重，是把自己写好的论文通过论文检测系统资源库的比对，得出与各大论文库的相似比。
2022年6月12日凌晨，同方知网（北京）技术有限公司在中国知网官方网站以及中国知网微信公众号发布公告：即日起，中国知网向个人用户直接提供查重服务。
进入维普，输入账号和密码，选择自己的用户类型，然后上传待查重的文章，点击下一步，选择支付方式，点击提交订单，检测完毕后，就可以对查重报告进行下载和查看。维普论文检测网站是目前权威的论文查重平台，维普查重提供维普大学生版、维普研究生版、维普职称认定版、维普编辑部版四个版本，分别适合不同的场景使用。
维普查重两种方式，第一是学校提供免费查重机会，其次是第三方付费查重收费标准3元/千字，前期初稿或中稿都可以使用paperbye免费查重软件，每日不限篇数和字数，同时数据库包括：学术期刊，学位论文，会议论文，互联网，英文数据库（涵盖期刊，硕博，会议的英文数据）。
维普是一个中国的学术期刊数据库，提供了大量的学术文献资源。在这个数据库中，维普查重指的是检测文章是否存在抄袭或者剽窃行为。
当作者提交一篇文章时，维普系统会对该篇文章进行文字比对，将其与维普数据库中已经存在的文章进行对比，以检测是否存在重复或者高度相似的内容。
维普查重通常是为了确保学术论文的独立性和原创性，以防止学术不端行为的发生。如果一篇论文被检测出存在抄袭或者剽窃行为，可能会被拒绝发表或者撤回已经发表的文章。
因此，维普查重也是一种保障学术诚信的手段。
论文查重主要查什么？查重是对学术的尊重，近年来学术不端行为愈演愈烈，引起了社会各界的广泛关注，因而如今教育界及相关行业也越来越重视查重这一方面。今天，paperfree小编就来给大家讲一讲论文查重主要是查什么。
第一、论文查重主要检查论文摘要、关键字、正文、引用等内容，而公式、图表等论文中的非文字内容，大部分论文查重系统都无法查重，因为系统没有开发这种不能进行比对的技术。
第二、对于参考文献，也就是论文中引用的部分，一般都会检测到是否按照规范的格式进行标注，格式不正确的话，可能会计算出重复率，如果引用的内容太多，也有可能将部分内容判定为抄袭。
第三、论文查重检测主要是针对文字，对语句的意义一般检测不出，但论文查重系统能是可以根据语句上下文进行语义识别的，也就是说，如果只是修改极个别的单词，那么论文查重时也有可能判定为重复抄袭。
第四、在进行论文查重的过程中，输入自己的真实姓名，以求更准确的查重论文，因为有的论文查重系统会根据作者的名字来查重该作者以前发表过的论文，然后删除该部分已发表的论文，并计算去除已发表的论文的重复率，以求查重结果更准确。
首先用浏览器打开知网论文查重官网入口，选择适合自己的知网查重系统，本科阶段一般采用pmlc检测系统，硕士博士一般采用vip检测系统。然后点击“立即检测”按钮，就可以进入知网查重提交的页面，输入自己论文的标题和自己的姓名，上传自己的论文文档就可以提交检测了。提交查重之前需要支付一定的费用，如果是高校发放的账号，则不需要。付款之后等待2-3个小时就可以下载知网查重报告了。
首先，找到一个靠谱的论文查重系统，之后按照系统的提示一步步提交操作，把论文内容提交到框中，然后点击检测，等待检测结束后生成报告。最后按照检测报告中的重复部分进行修改，达到学校的标准为止。
论文查重可以根据需求选择自己需要的查重系统，定稿了一般是选择和学校一样的查重系统，初稿用一些免费的查重软件！
首先要明白，论文查重的目的是查出抄袭内容，进行修改论文，论文降重更重要。所有可以分成两步进行，论文查重，然后是论文降重。
一、论文查重方法
Paperbye目前分两个版本，一个是标准版(不限制篇数免费版)，一个是旗舰版（收费版），标准版8个比对数据库，旗舰版12比对数据库。
使用方法如下：
第一步，打开paperbye官网(www.paperbye.com)登录
第二步，登录成功后，初稿选择免费标准版本，或旗舰版，上传需要查重的论文；
第三步，提交成功后，点击“查看检测报告”即可；
第四步，如果需要进行论文在线改重或机器降重，可以在查看报告列表查看
根据自己需求，在线改重，如果报告比例较高，自己进行修改的话，可以在报告里一边修改一边查重，及时反馈修改结果；机器改重，就是软件辅助自动修改文章降重，可以辅助自己提供论文修改效率。
二、人工降重方法:
1、变换表达。先理解原句的意思，用自己的话复述一遍。
2、词语替换，在变换表达方式的基础上结合同义词替换，效果更好。
3、变换句式，通过拆分合并语句的方式进行修改，把长句变短句，短句变长句。
4、图片法，针对专业性太强不好修改的语句或段落（比如计算机代码，法律条款，原理理论等），可以适当把文字写在图片上展现，但是这种方法不宜用的太多。知网查重系统不太合适，可以识别图片，公式，表格，其他查重系统可以适当使用。
5、翻译法，用百度翻译或谷歌翻译，中文翻译成英文，英文翻译成日语或其他语种，再从日语翻译成中文，这种看似不错，还得需要人工润色，感觉效果还是鸡肋，适当用用也无妨。