发布时间：
一般学校要求论文的重复率低于20%，paperpass查重太高了就是降低重复率。先了解一下paperpass判定重复率的方式。
1、知网是按段落检测，检测到13个相同的字，就认为是雷同，所以连续相同的，不要超过13个字，段落里面提示相似度是多少，然后综合起来；paperpass是在此基础上有一个比对作用，看看这句话里面与别的论文里面长度相似或相近的话中相似的字数，体现出相似的程度。
2、尽量用同义词替代，比如： 损坏=破坏；渠道=途径；原理=基本思路；不可见=隐藏；优点尤其突出=优势尽显无疑，大多数=大部分，等等，提前检测出来的报告里面，标红的地方是重点修改区域，拿文库163网来说，有三种颜色，绿色的不用修改，黄色的部分，如果不是大面积的话，如就一两句话，可以不修改，红色的是必须修改的。
3、改变句子的主动被动语态，比如：数字水印为多媒体数据文件在认证、防伪、防篡改、保障数据安全和完整性等方面提供了有效的技术手段。在多媒体制品的认证、防伪、防修改和传送安全以及完整性保障方面，可以采用数字水印的检测作为有力的检测手段。
4、同一句话里面有顿号，或者同一层次多个方面的内容，可以调整一些顺序。
5、图片是检测不出来的，有一些内容可以替换成表格或者图片，亦或者把一些表格或者图片转化成文字，这样也是可以降低重复率的。
扩展资料：
关于查重的小建议：
1、学校查重是全文提交查重（封面+著作权+原创性+摘要+目录+正文+参考文献+科研成果+致谢），本人封面和致谢有部分内容被标红，因此在网店查重不要去删减所谓的不检测部分；
2、把docx改成doc格式，学校查重是doc格式的文件查重，目的是把文中的矢量图变成位图，防止图中数据被读入检测系统强制拉低复制比，所以就不要抱侥幸心理了；（知网的bug，部分人品好的童鞋可能会碰上，不过不用去理会就是了）。
参考资料：
Paperpass官网
动态图上的异常检测任务包括：发现异常的对象、关系、时点。动态图上的异常检测与静态图上的异常检测不同的地方在于：
本文首先将异常类型分为：anomalous vertices, edges, subgraphs, and events(or change)，将使用的方法分为：community detection, MDL(minimum description length) and compression, decompression, distance, probabilistic， 按每种方法使用的异常类型进行了文献学分类。各方法的主要参考文献见表1：
本文假设不同时点的节点和边都有唯一标签从而不会混淆，定义 为图序列，其中 为总时间步， ， 为节点集， 为边集， 时称 为图流。本文的主要记号见表2：
给定 ，节点集 ,打分函数 ，定义异常节点集为 ，使得对于 ， ，其中 为得分 的摘要式统计。
一个典型的异常节点如图1，其可由基于社区检测的方法识别，即： 其中 为节点所属的社会划分, 为异或操作。
给定 ，边集 ,打分函数 ，定义异常边集为 ，使得对于 ， ，其中 为得分 的摘要式统计。
一个典型的异常边如图2，可令 ，其中 为时间步 时 的权重,可以为边的概率。
给定 ，子图集 ,打分函数 ，定义异常集为 ，使得对于 ， ，其中 为得分 的摘要式统计。
两种典型的异常子图如图3,其中(a)为图的收缩，(b)为图的分裂。图的收缩可根据子图中的的数量衡量，即 ，图的分裂可由不同时间点社区的数量衡量。
与异常节点、边、子图检测不同，异常事件或异常突变检测检验的是时点。
给定 ,打分函数 ，若时点 满足: ， ，则称时点 为一个事件。
给定 ,打分函数 ，若时点 满足: ， ，则称时点 为一个突变。
通常的异常检测都使用两步法：第一步，基于特征的图表示；第二，基于机器学习的异常检测。
基于社区检测的方法关注的是社区和关联节点的演化过程，特征向量的生成亦基于图中的社区结构。不同社区检测方法的区别在于：（1）社区结构的领域，如社区内的连接性.单个节点在每一步所属的社区；(2)社区结构的定义，如基于概率的软社区定义.硬社区定义。基于社区检测的方法可用于异常定点、子图、突变的检测。
基于软社区匹配并单独考察每一个社区，我们可以在连续时间步内计算每个节点归属的平均变化，如果某个节点归属的平均变化显著异于其他节点，则称其为演化社区异常点。
节点社区归属的变化可以构造一个时间模式，称为软时序模式。一些文献使用了最小描述长度(MDL)结合非负矩阵分解的方法来自动检测节点角色及构造转移模型。多数文献通过抽取图中不同节点的共同模式，并比较每个节点与共同模式之间的差异来定义异常节点。部分文献使用了交替迭代优化替代常用的两步法。部分文献使用了corenet的概念，该概念不同于单纯使用density,modularity,hop-distance等概念，而是使用了节点间的加权路径，即一个节点的corenet包含该节点与权重大于给定阈值的两跳邻居。假设两个强连接的节点通常属于同一社区，则如果移除一个节点的两个邻居，一个邻域具有较高的边权重，另一个具有较低的边权重，则移除较高权重邻居的影响应更大，在每一步，每个节点首先被赋予一个异常得分，该得分衡量了其corenet的变化，异常得分较高的 各节点将被视为异常节点。
文献【69】定义了六种基于社区的异常：shrink, grow, merge, split, born, and vanish。其使用图和社区代表(representatives)进行比较以减少计算量，图代表为出现在t时刻，同时还出现在t-1、t+1或t+1与t-1时刻的节点集，社区代表是出现在其他社区最少的定点集合，基于社区代表和图代表，基于规则，判断社区是否落在六种异常中。
文献【73】定义了一种基于社区的异常：comet，周期性出现或消失的社区，演化图可表示为一个张量，然后基于低秩张量分解和MDL原则进行comet检测。
文献【3】基于多种信息源构造时序复网络，识别跨时间和网络的稳定社区结构。行为相似的网络可以用聚类或前验知识分组，如何一个社区结构在组内跨时间步稳定，但在组外没有对应社区，则该社区即为异常，如何两个社区共享一定比例的定点则称为对应。
社交网络可以根据特定时间窗口内的发文量定义事件，一个经历共同事件的组即构成一个异常子图。
通过划分图流为一致的分割来检测，分割是依据划分的相似性。
通过将最新图的顶点分区与当前增长分割中的图的分区进行比较，可以在线找到这些分割。【67】基于可返回随机的相关矩阵和modularity最大化来进行定点划分，当新图的划分与当前分割的划分有很大不同时，一个新段开始，并将新图的时间点输出为检测到的突变。两个划分的相似度使用Jaccard系数定义。GraphScope思路类似，但基于MDL来指导划分和分割。
基于MDL原则和基于该原则的压缩技术利用数据中的模式和规律性实现紧凑的图表示，其主要通过将图的邻接矩阵表示为一个二进制串，如果矩阵的行和列可以重新排列使矩阵的二进制字符串表示的熵最小化，那么压缩损失（也称为编码损失）就会最小化。数据指向的特征都来自于图或其特定子结构的编码代价；因此，异常被定义为抑制可压缩性的图或子结构（如边）
对于一条边和对应子图，如果包含该边的编码损失比不包含该边的编码损失高，则称该边为异常边。
【74】使用了一种两步交替迭代法进行节点的自动划分，当节点划分的熵收敛时，根据包含和不包含该边的编码损失，该方法也给出了边的异常度得分。
突变检测的主要思路是:连续时间步间的图是相似的，因而可以分为一组，从而降低压缩比。压缩比的上升表明新一个时间步的图与已有的图差异明显，因此是一个突变。
该方法将图集合表示为一个tensor，在该tensor上进行矩阵分解或降维，基于分解或降维后的图发现其模式和规律性，该方法可以融合更多属性信息，最常用的方法是SVD和PARAFAC（广义SVD）。
矩阵分解可用于计算每个节点的活跃（activity)向量，如果某个节点的活跃向量在连续时间步间变化明显，则称为异常节点。
【87】首先抽取每个节点的边相关矩阵 ，即该节点的每个邻域都有一行一列，对于节点 的矩阵中的一个entry 代表了边 和 间加权频率的相关性，加权频率由衰减函数获得，时间越近权重越高。M的最大特征值和对应特征向量即顶点的活跃向量的summary及边的相关性。通过寻找这些值的变化而形成的时间序列用于计算每个时间步长中每个顶点的分数，得分高于阈值的顶点将被输出为异常。
基于分解的异常事件检测有两种方法：（1）先基于分解方法来近似原始数据，然后以重建损失作为近似优劣的指标。如果某个子张量、切片或元素的重建损失很高，则即可以视其与周围数据不同特征不同，将其标记为异常事件、子图或节点。（2）跟踪奇异值和向量，以及特征值和特征向量，以检测异常顶点的显著变化。
为解决 intermediate blowup 问题（即计算中输入和输出张量超过内存限制），【81】提出了momery-efficient tucker（MET）分解方法，该方法源于Tucker分解，Tucker分解将高阶tensor用一个core tensor和每个mode(维度)矩阵表示。【80】使用了Compact Matrix Decomposition(CMD)，其可以用来计算给定矩阵的稀疏低秩矩阵。使用CMD对图流中的每个邻接矩阵进行分解，可得到重建值的时间序列，基于重建值序列可进程事件检测，典型应用有COLIBRI, PARCUBE，其中后者在斑点(spotting)异常中的表现更高效。
【84】使用了随机图模型进行基于概率模型的检测，其将真实图邻接矩阵和期望图的邻接矩阵间的差异构造为残差矩阵，对残差矩阵执行SVD，再使用线性Ramp滤波器，基于top奇异值即可进行异常时间窗口检测，通过检查正确的奇异向量来确定相应的顶点。
除以上方法，我们还可以基于分解空间的显著变化来识别事件。【77】通过对数据执行PCA，计算的特征向量可以分为正常和异常两个集合，方法是检验数据中的值映射到特征向量。在每个时间步，根据特征值对特征向量进程降序排列，第一个特征向量则包含一个在其余值的3个标准差之外的投影点，此后的每个特征向量，都构成了异常集。第二步即是将数据映射到正常和异常子空间，一旦完成了这些操作，当从上一个时间步长到当前时间步异常成分的修改超过一个阈值时，即将其视为一个事件。【83】扩展了该方法，提出了联合稀疏PCA和图引导的联合稀疏PCA来定位异常和识别对应的顶点。通过为异常集使用稀疏的成分集，可以更容易识别负责的顶点。顶点根据它们在异常子空间中对应行的值得到一个异常分数，由于异常分量是稀疏的，不异常的顶点得分为0。
图的活跃向量 为主成分，左奇异向量对应最大奇异值，奇异值和奇异向量通过对加权邻接矩阵进行SVD得到。当活跃向量大幅异于“正常活跃"向量时，即定义该时点为突变点，”正常活跃“向量由前序向量得到。
正常活跃向量 ，它是对最后W时间步中活动向量形成的矩阵进行SVD得到的左奇异向量。每个时点都定义一个得分 ,其代表了当前活跃向量与正常向量的差异。异常可以使用动态阈值方案在线发现，其中得分高于阈值的时间点被输出为变化。通过计算正常向量和活动向量之间的变化比率来找到负责的顶点，与变化最大的索引所对应的顶点被标记为异常，类似的方法也可以用于节点-节点相关矩阵的活跃向量，或基于邻居相似度的节点-节点相关矩阵。
基于距离的异常检测算法的不同点在于选择用于提取和比较距离度量，以及它们用于确定异常值和相应图的方法。
如果一些边的属性演化异于正常演化，则该边就是一个异常边。
边之间的权重使用衰减函数定义，在每个时间步长中，根据相似度得分的变化之和计算每条边的异常值得分，使用阈值或简单的 作为异常值标准。
将网络视为边的流，意味着网络没有固定的拓扑，一个边的频率和持久性可以用来作为其新颖性的指标，【48】定义了集合系统不一致性指标来度量频率和持久性，当一条边到达时，计算其差异，并与活动边集的平均不一致性值进行比较，如果边的加权不一致性大于平均不一致性的阈值水平，则声明该边为异常边，基于异常边，可以进一步识别其他异常图元素（如顶点，边，子图）。
具有许多“异常”边的子图即是异常的子图。
【52】将边的权重视为异常得分，每个时间步长上的每条边都有它自己的异常分数，给定了该边权值在所有图序列的分布，该分数表示在该特定的边上看到该特定权值的概率函数。或者，为网络中的边分配异常值分数的现有方法的输出可以用作为该方法的输入。后一种方法允许应用于任何能够为边分配异常值分数的网络，一旦完成每条边的异常打分，即可发现显著异常的区域（SARs），即一个窗口内的固定子图，其类似于HDSs。【112】提出了一种迭代算法，该算法首先固定子图发现最优时间窗口，然后固定时间窗口发现最优子图。【97】拓展了该方法，允许子图渐变，即在相邻时间步间增加或移除顶点。
定义函数 为测度图距离的函数，将其应用于连续图序列，即得到距离序列，基于该距离序列应用一些启发式算法（如基于移动平均阈值的 取值）即可得到异常事件。
称每个顶点及其egonet的特征为局部特征，整张图的特征为全局特征。每个顶点的局部特征可聚合为一个向量，基于该向量的各阶矩可构造signature向量，利用signature向量间的Canberra距离（归一化的曼哈顿距离）可构造图之间的距离函数【93】。【92】利用全局特征，定义了一种基于dK-2序列的距离测度，将高于阈值的特征视为异常点。
【96】使用了顶点亲和度（即一个顶点对另一个顶点的影响，可以用于快速信念传播）得分作为signature向量，其基于连续时间步技术顶点亲和度，基于马氏距离度量两个图的相似度，亲和度得分的变化反应并适应变化的影响水平，例如桥边的移除比正常边移除的得分更高。利用单个移动范围的质量控制，可以对相似度得分的时间序列设置一个移动阈值，如指数移动平均加权。
作为特征相似度的补充，我们也可以比较两个图的结构差异来度量突变的大小，这类方法致力于发现定义距离的函数而非发现特征向量。【88】计算了异常网络的10种距离函数，使用ARMA模型构造特征值的正常模型，然后基于正常模型计算时点的残差，残差超过给定阈值的时间即可标记为异常。10种距离函数中，基于最大共有子图的方法表现最好。【90】使用了五中得分函数（顶点/边重叠，顶点排序，向量相似度，序列相似度，signature相似度）来检测三种异常（子图缺失，顶点缺失，连通性变化），表现最好的方案是抽取每个顶点和边的特征构造signature向量，使用SimHash定义距离。
我们还可以通过计算每个图的稳健性序列来检测事件，稳健性序列是图连通性的测度，具有高稳健性的图即使在去除一些顶点或边的情况下，也能保持相同的一般结构和连通性，事件检测即发现稳健性值异常变化的时点【95】。【89】使用的是图半径的变体作为稳健性指标，图半径的定义是基于所有顶点的平均离心度，而非常用的最大离心度。
基于概率理论、分布、扫描统计学等方法可以构造“正常”样本的模型，偏离该模型的样本即视为异常，这类方法的主要区别在于构造方法、建模对象、离群值定义。
主要有两种方法：一，构造扫描统计时间序列并检测离均值若干标准差的点；二，顶点分类。
扫描统计常称为滑动窗口分析，其在数据的特征区域中发现测度统计量的局部最小或最大值。对某个特定图，扫描统计量可以是图不变特征的最大值，如边的数量。
【8】使用了一个适应测度统计量的变量，即每个节点的0-2度邻居数，然后对每个顶点的局部统计量使用近期值的均值和标准差进行标准化，图的扫描统计量即最大的标准化局部统计量。标准化可以解释每个顶点的历史信息，代表每个顶点的统计量只与自己的历史信息有关而与其他顶点无关。这保证测度的最大变化与变化的绝对量无关而与比例有关。基于扫描统计量标准化时间序列，将序列均值的五个标准差作为异常值。最负责的顶点被确定为为整个图的扫描统计值所选择的顶点。
类似于使用邻居进行扫描统计，我们还可以用Markov随机场（MRF）来发现节点的状态，并通过信念传播算法推断最大似然分配，其中，每个顶点标签取决于其邻居节点。【99】通过发现二部核来检测异常点（即犯），二部核定义为犯与从犯间的交互。利用边的插入或删除只影响局部子图这一事实，它在添加新边时逐步更新模型。在传播矩阵中，一个顶点可以处于三种状态之一：欺诈者、共犯者或诚实者。
边异常检测通常使用计数过程建模，统计上显著异于该模型的边标记为异常边。
【50】用贝叶斯离散时间计数过程来建模顶点间的通信次数（边权重），并根据新图更新模型。基于学习到的计数的分布，对新观测的边进行预测 值计算，基于 值标记异常顶点对。
首先用固定的子图，多重图，累积图来构造预期行为的模型，对模型的偏离可作为子图异常检测的依据。
【104】结合扫描统计量和隐马尔可夫模型（HMM）建模边行为，其使用的局部扫描统计量是基于两种图形状：k-path图和星型图，其将滑动窗口的扫描统计数据与其过去的值进行比较，并使用在线阈值系统识别局部异常，局部异常是所有统计上显著的子图(代表k个路径或恒星)的并集。
另一个建模动态图的方法是基于多重图，其中平行边对应于两个连续时间步顶点间的通信，初始的多重图可分解为多个针对每个时间窗口的叠套子图（TSG），TSG满足两个条件：（1）对于任何两个有共同点的边，首先开始通信的边最后完成通信；（2）存在一个根顶点r，它没有传入的边，并且有一条到TSG中每个顶点的路径。出现概率低的TSG视为异常子图。【102】
累积图即为包含直到当前时点的所有边的图，边权重依据衰减函数定义，通过识别“持久模式”来定义子图的正常行为。该持久模型识别模型如下：首先构造一种图，该图每个边根据时间来加权，然后基于该图迭代抽取最重连接成分来发现。随着累积图的发展，提取的子图将被监控，并将其当前活动与基于最近行为的预期活动进行比较来进行子图异常检测。【101】
事件检测可以基于偏离图似然模型或特征值分布的偏差来进行。
【103】提出了一种新的蓄水池抽样方法来抽取图流的结构摘要，这种在线抽样方法维持多个网络划分以构造统计上显著的摘要，当一个新图进入图流，每个边都根据不同分区的边生成模型计算出一种似然性，然后以这些似然性的几何均值作为全局图似然性。
【98】使用了类似的边生成模型，每个边 的概率都存储在矩阵 中，概率基于期望最大化估计，基于所有收发对的分布，然后为每个收发对给出潜在得分，基于所有边似然得分的均值即得到每个图的得分。
【100】计算了特征值和压缩特征等式的分布（而非计算收发对的分布），基于每个顶点都存在一个顶点局部特征时间序列的假设，可在每个时间步构造一个顶点-顶点相关矩阵，通过保留最大特征值和一组低维矩阵（每个顶点对应一个矩阵），可对相关矩阵的特征方程进行压缩，通过学习特征值和矩阵的分布，即可发现异常顶点和事件。当特征值偏离期望分布时，即认为发生了事件，当顶点的矩阵偏离矩阵分布时，可认为该顶点为异常顶点。
对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下：
在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了 层， 代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于，就认为是正类。 对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。
框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的 ，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。 如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。 这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：
RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成 块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。 为了提高效率，Fast-RCNN首先选取 个图像，再从每个图像上选择 个RoI，这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：
为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为 ，输入后会映射（用 的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用 的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：
在每一个滑动窗口（可以参考 ），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：
自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。
对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。 与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。
不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程： 第一个：从roi proposal到feature map的映射过程。 第二个：从feature map划分成7*7的bin，每个bin使用max pooling。
为此，作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别，回归框，mask的网络使用如下图结构：
整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。
paperpass比知网严格些，客观来说，你可以说这款软件没有智能识别，就是死板的检查你的抄袭，重叠即算“抄”，所以往往你检测出来很多八竿子挨不着的抄袭结果。正因如此，用它检测，不出意外的话，比知网要高10%左右。所以，我觉得你用paperpass检测，相似度能达到10%以内100%过。当然，要求放低一点的话，能在15%~18%左右也差不多，尽量不要超过20%。
博士硕士和本科论文的区别如下：
博士、硕士、本科论文的区别可以用三句话概括。
博士论文：这个房间里应该有只鸟，你想想办法，找找它在哪里，搞个原创的工具把它打下来。一般很崇拜博士的人应该不在少数，虽然知道拥有博士学历在就业各方面都有巨大的优势，但也深知普通人就算考上博士也没能力毕业，因为论文而延迟毕业的博士一大把。
硕士论文：我手指的那个方向应该有只鸟，拿好为师给你的装备把它敲下来。近年来考研的学生越来越多，国家线上涨，复试竞争激烈。
不少笔试高分的考生在复试中被刷掉，并不是这些学生不优秀而是硕士研究生导师挑选的是适合做科研的学生。虽然导师会给学生指明方向，但也需要有一定的科研能力。
本科论文：快看，你面前有只死鸟，把它捡起来给我。与硕士和博士论文相比，本科论文就太简单了，本科论文并不要求学生能写出多高水平的东西，只要学生认真用心就能通过答辩。
高中的时候学习就是学生的全部，所有事情似乎都围绕着提升学习成绩而展开，高中三年虽然很苦，但却是很多人一生当中最自律的3年。与高中相比大学简直就是天堂，很可能是人生当中最美好轻松的一个阶段，但与此同时也可能是人生当中最颓废懒散的阶段。
总的来说大学在向严进严出靠拢，未来大学生毕业要求可能越来越严格，学生必须认真对待毕业论文，同时也不要总想着“60分万岁”，学习是为自己学的，每一份付出都会有相对应的收获。
两者所采用的知网论文查重系统是截然不同的。现在几乎所有的院校都采用知网系统，因此我们就拿知网系统来进行一个比对。在知网检测系统中，本科论文查重使用的是PMLC系统，而硕士论文使用的是系统。系统的不同最终获得的结果也是完全不同的。知网本科查重系统中的数据来源主要是以往大学生毕业论文的资料库，而硕士查重系统的数据来源是硕士毕业论文的资料库。两者所依附的资料库是具有针对性的，这也就是为什么同样一篇论文通过两个系统来检测，结果会有出入的重要原因。所有的知网查重系统均限制单位内部使用，需要有单位知网账号登录才能进入知网查重系统进行查重。
本科也是哦，是毕业论文查重有哪些不同之处？很可能是对关键词的一不样吧
不同的学校对查重的要求不一样。有的学校严格一些，有的松一些，一般控制在10%-20%，本科的肯定比硕士、博士论文要松 一些。
论文查重是完成论文整个写作的必要环节，但对于第一次接触论文的学生来说，应该有很多事情缺乏理解，不知道如何处理，那么论文检测的步骤是什么呢？接下来介绍一下相关内容。 检测论文的步骤。 1.首先要做的是选择一个可靠的论文检测系统，比如paperfree、papertime值得我们信赖，但需要注意的是，学校内部查重系统不对外开放，我们使用学校系统查重一般是学校提供的检测入口；但是，Paperfree等检测系统可以随时多次检测。 2.选择论文检测网站后，可以在选定的论文检测网站上注册或直接登录账户，然后点击查重入口查重。但需要注意的是，查重入口一般有几个不同的分类，如本科论文检测、职称论文检测等。注意不要点错。 3.然后输入论文的相关信息，点击上传论文。上传论文时，要注意论文的格式是否正确。如果论文检测系统要求word文档，不要上传到PDF格式，因为这对检测结果也有很大影响。 4.论文检测时间一般为10-30分钟。检测结束后，我们可以下载论文检测报告。 5.拿到论文测试报告后，我们需要做的是根据测试报告中的内容对论文进行有针对性的修改，修改完成后再次进行检测和修改，步骤与上述内容一致。
每个学校的标准是不一样的。用的查重软件可能也是不同的。
比如浙江大学要求各院系根据学科专业特点制定重复率要求，大部分院系小于10%，也有的定在15%、20%。
一般本科院校在30%以下，硕博等一般在10%以下，当然不同的学校要求也是不同的，也可能有些本科院校要求在10%以下，所以可以在检测修改前，问问自己的老师，确定一下，做到心中有数。剩下的就是努力检测并修改。
每个学校要求使用的论文检测系统也是不同的，比如某大学使用的是知网的论文查重检测系统，而定一个大学使用的是维普的论文检测系统，那么按照这样的标准，首先是肯定不能以一个确定的结果值进行衡量的。
因为对于不同的论文检测系统来说，算法和收录文献库的情况都不一样，有时候检测的差距大也是必然的，所以同学们在检测论文的时候，最好是先确定一下学校所使用的系统，后期一直使用即可。
比如学校要求使用维普的论文检测系统，同学们就没有必要再使用Paperpass。不然造成了浪费而且也不会有准确的检测结果。
扩展资料：
人民网：毕业论文查重要求更严格
如果要问今年毕业生的毕业季关键词，“论文查重”一定是其中之一。
社交媒体上，关于论文重复率要求降低的吐槽天天都有。据媒体报道，部分学校的毕业论文重复率要求从以前的30%以内下降到20%，有的学校甚至降到了8%。如果重复率过不了关，论文就进入不了答辩环节。
前不久，中共中央办公厅、国务院办公厅印发了《关于进一步弘扬科学家精神加强作风和学风建设的意见》。
在浙江大学人文学院党委副书记楼艳看来，学术规范是学风建设的重要内容。近日，她在接受科技日报记者采访时表示，学术规范是诚信底线，学生是未来的建设者和接班人，在学生时代就应该牢牢树立底线思维，具有“红线”意识。
“查重的目的，也是在学生中建立纪律观念和规则意识，教育学生要敬畏规则，遵守制度。”楼艳说。
不过，查重只是一种技术手段。中国教育科学研究院研究员储朝晖说，查重本身，解决不了学术不规范问题。有技术，就有规避技术的方法，这就是所谓的“道高一尺，魔高一丈”。而且，并不能简单认为重复率越低，论文就一定越好。
“有些论文需要对他人文章观点进行引用，只要标明出处，引用恰当，我们就认为它符合学术规范；如果引文内容不恰当，即便只有10%的重复率，也是不应该有的。”储朝晖强调，人不能被技术框死，要用更加专业的方式来判断论文质量。
浙江大学本科生院教务处副处长刘有恃认为，查重报告可以作为一种辅助判断工具，不过，低重复率不能作为学生毕业论文的唯一检验标准。
“我校要求各院系根据学科专业特点制定重复率要求，大部分院系小于10%，也有的定在15%、20%，还有学院由导师根据论文查重数据审核判断。”
他表示，在论文质量方面，相比结果管理，更应重视科学的过程管理，建立从课程教学—学位论文开题报告—中期检查—论文评审和论文答辩—论文评优等环节的全过程质量管理观念和质量管理体系，通过全过程的质量管理有效促进和保障学生学位论文质量的不断提高。
确实，提高育人质量，重点不仅在于加强对学生毕业论文的审核，还要加强对学生日常的学业管理。学风建设，也不在于毕业突击，而在于平时的潜移默化。
“大学应该要长期常规性开展学风建设工作，建立严格的学术规范和学术评价体系。”储朝晖说。楼艳也表示，学术规范训练是常态化的，要贯穿学生培养的整个过程。
比如，在新生入学教育时，人文学院就会专门安排“坚守学术规范”的报告，对学生的学术研究提出要求；前不久，人文学院还组织了第一届“学风特优班”暨“志学奖”评选活动。
刘有恃告诉科技日报记者，相信“严出”将是高校长期存在的“新常态”。“要切实增强在校学生责任感、紧迫感和使命感，不要在大学期间虚度光阴，错失成长良机。”
参考资料来源：人民网-毕业论文查重要求更严格
如果是初稿，可以先找一款靠谱的查重系统。然后上传论文，按提示付费后点击提交论文即可。等待半小时到一小时左右就会给出检测报告。如果是定稿检测，就要用学校要求的查重系统了。
到了写论文的时候，大家最担心的问题就是写完之后文章重复度过高，因为文章是有查重的相关要求的，这不得不感谢几年前的那个不知知网事件的主角，把重复率以一己之力下降了10%，甚至是更多，但无论如何学生写了论文还是得查，重，知网和维普查重都是要花钱的。
有一些免费查重的软件，自己当时毕业的时候用的一个软件叫做paper word，这个软件每个人拥有三次的免费查重的机会，基本不限次数，但这个并不是完全实名制的，就是你换个手机号码换个社交号码，重新注册一个还可以重新用刷新次数。所以在论文写作的阶段基本定稿了，但是老师那边还没点头呢，需要给老师提交一个查重的报告，用这样一个大致测一下是可以的，自己亲测的经历就是和维普上面的差距并不大，相差绝对能控制在5%左右。
知网和维普查重都是要花钱的，1000~3块钱，这还只是普通本科论文，大部分院校的本科论文要求8000字以上，大家随随便便往后面放一放发挥一下思路，那就是1万加。就算1万字查，重一回30块钱，这30块钱干点什么不好，而且不是查一次就可以搞定的呀，查完之后还要调格式，老师看了之后可能还要改内容。基本上按照往年的经验毕业生这个文章真正到查重结束之前花钱查的次数要在2~3次能控制在三次以内，这就算是比较幸运的了。
用这些免费的查询网站，大家不要完全相信，只能是查重之后看到那个查重的报告，哪里飘红了自己去改一改改重复度的这个问题已经不需要过多的阐述了，这么多年网上经验有的是自己稍微花点心思就能把重复度降下来，较为理想的是控制在15%以内，因为到维普和知网上面可能还会略有上升。因为那两个大的网站的论文库是更全的，基本不总体不超过20%，这是没有问题的。
论文的检索报告如何得出？ 那个你可以去万方试下 不过是收费的 论文检索都是收费的没有免费的 已经发表的论文怎么要检索报告 1. 可以找高校图书馆，请他们出检索报告。2. 找查新机构，他们可以出具检索报告。 3. 上淘宝网，上面有不少的相关服务。 文献检索报告怎么写 论文资料检索分析一、分析课题，明确检索要求我的本科毕业论文题目是《金融风暴下的我国项目融资研究》，该课题是属于经济金融类，有关项目融资的研究，其研究的主要对象是我国。受美国次贷危机，美元贬值、国际石油价格和粮食价格不断攀升等主要因素的影响，2008年世界经济增长率明显下降。在经济发展全球化的形式下，我国的项目融资也遭遇了前所未有的困难，作为一国利用外资的有效形式，如何在金融风暴的环境下寻求新的出路？项目融资发展在我国还处于起步阶段，怎样尽快推进其的应用和发展呢？本人将运用所学的专业知识，结合奥运会和世博会，通过横纵向对比欧美、日本、东南亚等国的成功融资实例，分析解决这些问题。本论文采取的是文献研究、社会(市场)调查、查阅报刊与书籍和上网查询的方法，查找和分析资料，获得相关资料。因此，检索的核心内容是项目融资的概述及其组织结构；项目融资在我国的基本状况和发展；我国在政策、优惠性、合作方式等方面如何创新来吸引各方融；发达和发展中国家的项目融资给我国的借鉴等，所需的文献类型是基础理论性和实际案例的研究，一般都是侧重在期刊全文数据库、重要报纸全文数据库、万方数据资源中查找，而时间范围一般是从理论上升到实际中，为了掌握动态或解决某个问题，则根据具体情况确定检索时间范围。二、检索过程1、选择资料检索工具进行资料检索，可以从以下几个方面入手：（1）图书馆图书期刊馆藏查询，借阅相关图书和期刊；（2）电子资源查询，主要包括期刊全文数据库、重要报纸全文数据库、万方数据资源等；（3）指导老师的帮助，老师根据我们的具体情况，向我们提供相关书籍和电子资料；（4）在个别情况下，还会在百度、Google等网页查询，但获得的信息不够权威因此我不太采用这种方式。 一般情况下，我都是利用学校图书馆资源进行信息检索。在进行信息检索时，我重点采用电子资源查询，特别是在期刊全文数据库中查询。2、确定检索途径在利用数据库查找文献信息时，主要是利用检索工具的各种索引，一般来说，每种检索工具都提供几种检索途径，归纳起来可以分为：分类途径、主题途径、作者途径、题名途径、号码途径和其他途径。而我较常用的主要有分类途径和主题途径两种。在进入上海理工大学图书馆后，选择中国期刊全文数据库，根据检索导航中的分类选择“经济类”；如果有时间限制，则在检索年限中设置，而检索项一般选择主题或关键词，检索词就输入课题中的关键词，即研究的主要内容，根据我的课题，我就在检索词中分别输入“项目融资”、“融资案例”、“项目融资创新”等进行检索。这里还可以进行高级检索，在搜索结果项后面选择或“不包含”，并输入检索词进行二次检索，如在第一个检索词中输入“项目融资”，选择“并且”，输入第二个检索词“我国的项目融资”。对于所检索出来的记录可以根据时间排序，也可以根据相关度排序，一般情况下，我选择相关度，这样可以提高检索的准确性。万方数据资源的查询，与期刊数据库相类似，一般都是在这里的中国学位论文全文数据库中查询，可以先按数据库分类浏览，选择学位论文类，在分类中选择经济、科学、教育、体育，再进行检索项、检索词的输入开始检索。3、选择检索方法在多种文献检索方法中，我主要采用倒查法和追溯法，由近及远逐年查找文献，以便即使把握最新发展动态，并利用文献后面所附的参考文献查找其他的文献，这样就查找到很多相关的文献信息。4、信息的处理将所获得的检索结果加以整理，筛选出符合课题要求的相关文献信息，并下载保存。在CAJ、PDF等浏览器中选择有效信息，进行文字编辑及图形拷贝。最后将所获得的信息进行整理分类。 三、检索资料评述通过学校图书馆我一...... 论文的检索报告怎么要？ 如果我发表了一篇论文，怎么在网上找这篇论文的检索报告，跪求高手指点 10分 先搞清楚您发的期刊是什么网站收录，然后到相应的网站找到文章，然后登陆下载就可以了，如果没有账号的话， 可能需要付费，这个也不多，可以去学校图书馆试试，可以用学校账号登陆。 什么叫科技论文检索报告，从哪里可以检索呢？具体有哪些内容？ 50分 你好，就按照你的要求给你完成一份啊 论文检索报告与检测报告的区别 论文检索报告是论文不端检测系统检测出来的结果，其实叫法不一样，但意思是一样的。这两者并没有区别，论文检索报告也就是论文检测报告。 关于论文查重，早检测有知网，维普通达，万方、paperpass等，对于要检测的人来说，可以看看。 教师职称需要论文检索报告怎么出 看你的发表的论文是在那个论文数据库检索的，然后出报告就是啦。具体问问你的投稿编辑，教师职称论文这方面你可以找原上草论文发表投稿的。 求助，评职称时需提交的"期刊检索报告"和“论文检索报告”怎么生成？要求是必须为主流检索系统生成的检 5分 内容通过百度网盘分享， 如果有帮助希望能采纳。 不懂得地方请私信 “什么晕和什么晕” 中国知网怎么生成检索报告 试试别的网站吧，中国知网的这个检索就是有问题 。 什么是论文网上检索页？怎么打印？ （一）学术期刊检索页打印步骤： 1、进入我院图书馆网站——。 2 、点击图书馆网站主页上方“电子资源”栏目。 3 、进入中国期刊全文数据库或维普信息资源数据库。因镜像数据更新滞后，会出现文章已发表但库中检索不到的情况，建议使用包库(数据日更新)进行检索。 4、检索出个人期刊论文，点击论文名称后即为检索页。 5 、在网页窗口左上方，点击“文件”选项中的“打印”，打印检索页，检索页只需打印第一页。 （二）学术著作检索页打印步骤 1、进入中国新闻出版信息网——cpp/。 2 、点击网页上方“CIP中心”。 3 、进入后在网页右上方“CIP 核字号验证”检索栏中填写“CIP核字号”与“验证码”。 4 、点击“验证”后即为检索页，检索页默认为打印格式。 5 、在网页窗口左上方点击“文件”选项中的“打印”，打印检索页。 注：“CIP核字号”是图书版权页“ 图书在版编目（CIP）数据”中最后一行的两组数字；检索页打印只需第一页。 CIP核字号示例：其中最后一行中“2007047545”即为CIP核字号 图书在版编目（CIP）数据 数字参考咨询 : 中国的实践与研究 / 谢美萍著 . -- 长沙: 湖南师范大学出版社, ISBN 978-7-81081-708-0 Ⅰ. ①数… Ⅱ. ①谢…Ⅲ. ①数字技术应用－图书馆 工作－参考咨询－研究－中国Ⅳ. ① 中国版本图书馆CIP数据核字(2007)第047545号
论文检索就是作者所发表的文章被学术检索系统检索收录的意思。
如今不论是什么用途的文章，很可能都会要求文章见刊且被系统检索，才算是有效的发表，这一点在职称评审中尤为明显。
文章仅仅见刊远远不够，还要被相应的检索系统检索才行，这是比较容易出差错的环节，有的作者就容易忽略这个问题最终导致文章发表无效，耽误了最终的晋升，因此要引起注意。
论文被检索有相应的检索号，并且论文检索号在所收录的数据库是唯一的，通过论文的检索号可以很好的查阅到论文，方便学术研究等事项。而在当前来说论文的检索主要有：sci（科学引文检索）、ei（工程检索）、istp（美国科学情报研究）。
如何查询文章有没有被检索：
以知网为例，第一步打开知网，直接进入期刊检索页面，在检索词那一栏输入杂志名，点击“检索”，在杂志的封面上点击一下，就进入到了检索文章的界面。
在这里就先看看杂志是否已经更新到了你所发表的那一期，若已经更新到了，就在当前页面的检索项里面可任意选文章题目或者是作者那一项。
只要将检索项与后面的检索词相对应住就行，再点击后面的检索就可以了，找到自己的文章以及对应的作者，只需在文章题目上点击一下，就出来正规的检索页了。
1、方式不同
检索是指通过知网等网络学术平台，可以搜索到论文；收录是指论文被收录在学术专著当中，也可以是被学术平台收录；发表是指论文发表在学术期刊上。
2、载体不同
论文被检索的载体通常是网络媒体；而收录和发表的载体通常是纸媒。
3、主体不同
检索论文的主体可以包括论文的作者，也可以包括其他的阅读者，或者相同课题的研究者；收录论文的主体是论文集的编撰者，或者专著的撰写者，所以，收录的主体可以是论文的作者或者专著的编纂者或者撰写者；论文发表的主体只能是论文的作者。
所以，一篇论文被检索、收录和发表有本质的不同。例如，一篇发表在学术期刊上的论文，因为发表的时间过于久远，并不能在网络学术平台上被搜索到。
同理，一篇能够被检索到的论文，也未必发表过在学术期刊之上，也未必被收录在学术专著当中。
扩展资料：
网站收录，在搜索引擎角度来讲也叫网站索引，被很多SEO称为网站收录，搜索引擎在爬取你的网页以后，通过对网页内容进行检测，如果内容符合收录规则，就将网页加入自己的索引库，当用户查询相关内容时，这个网页就会出现在搜索结果。
公开发表论文，一般是指在具有CN,ISSN刊号的正规刊物上发表论文，论文的发表需要通过投稿、审核、出版等步骤
传统文献检索经常使用到的工具是索引卡片，即将文献资料的信息记录在索引卡片上。索引卡片上一般会记载文献的题名、作者、主题词、摘要等信息。在查找文献资料时，先要去查找索引，找到其馆藏位置，然后索取资料。
在网络时代，我们无时无刻地进行着检索。在因特网上进行检索主要有两种方式：目录浏览和使用搜索引擎。
目录浏览的方式即雅虎搜索引擎采用的方式，用户可以根据自己的需要点击目录，深入下一层子目录，从而找到自己需要的信息。这种方式便于查找某一类的信息集合，但是精确定位的能力不强。
搜索引擎是目前最为常用的一种网络检索工具。用户只需要提交自己的需求，搜索引擎就能返回大量结果。这些结果按照和检索提问的相关性进行排序。
除了搜索引擎之外，图书馆订购的各种数据库也是信息检索的重要途径。美国国会图书馆参考咨询馆员托马斯·曼就介绍了关键词检索、引文检索、相关性检索等检索方法。
参考资料来源：百度百科——收录
参考资料来源：百度百科——检索
参考资料来源：百度百科——发表
当我们完成论文后，都想提前对个人的期刊论文查重一下，防止杂志社或者学报因为重复率过高退稿耽误时间，因为杂志社期刊在录用前都会进行查重检测。1、浏览器搜索paperpaper进入论文查重界面，然后点击界面右上角的论文检测2、进入论文检测页面，可以根据论文查重中页面的内容填写相关的信息3、在论文检测中选择添加的文件方式有两种：可以粘贴文本，或直接上传添加论文文档4、论文的查重需要时间耐心等待，过后就可点击页面中的报告查询，输入手机号后就可以查看论文查重的结果总结，期刊论文查重尽量选择比较靠谱的paperpaper等自助查重，这些查重网站都是比较专业和值得信赖的网站，全程自助操作，安全、快速、准确！希望每位学者都可以找到一个靠谱的期刊论文查重处所！
毕业论文查重复率是由软件进行查询的。不同的软件查重率也是不一样的，大家可以根据自己学校的情况来查毕业论文的重复率。一般情况下，毕业论文的重复率不能超过20%，但是也要根据每个学校的具体要求来说，学生可以上淘宝网去买一些查重软件对自己的毕业论文进行查询。当然查重复率越低 是越好的。
期刊论文，是发表在杂志和刊物上的论文，需要在杂志上刊登出来，这是期刊论文的定义。期刊论文必须在杂志社通过查重处理，重复率达标后才能进行刊载。所以查重其实是他们很重要的一个步骤，⌄作者在提交报社之前是一定要自己进行查重的，因为如果原创度超的话很容易被退！个人很推荐使用知名的检测软件，例如万方检测、知网这类的，我前几次发表期刊都是用的万方检测，准确率高检测速度也快，提供的报告很详细，修改起来也很方便。
学报论文的范围相当广泛，凡在学报上发表的论文都叫做学报论文，如果你的毕业论文发表在期刊上，则要求发表学位论文，那学报还算期刊论文；期刊论文怎么查重？paperfree小编给大家讲解。 您发表的期刊论文都是由论文查重的，只有经过严格的论文查重处理，重复性达到达标后才可以刊登。杂志出版的原创性要求很高，所以在我们写完文章后，首先要做的是查重，不然就直接退稿。 与其它刊物相比，核心期刊对重复性要求更高，有些期刊核心期刊对重复性要求更高，大多数核心期刊的检重率要求不超过10％，有些则不超过5％，与普通普刊大多数要求不超过25％或30％，有些作者在投稿前自行查询重复率，这当然没问题，一般企业来说，作者通过自己进行认真撰写的论文，重复性不超过5％，重复性超过10％只能使用说明引述他人的东西没有太多，想着自己总结的东西太少了，不妨先自己来检测一下，有了这个参考依据，论文怎么修改，怎样降低体重才有指导和依据。