发布时间：
方法如下：1.打开Word文件,发现参考文献有条横线。2.点击视图的大纲视图。3.点击引用的显示备注。4.选择脚注分隔符。5.选中横线，按Delete键，就删除了该横线。
1、如下所示，当我们插入尾注时，下面将出现一条水平线。
2、首先单击菜单栏中的视图，然后选择视图下方的轮廓视图。
3、然后单击菜单栏中的“引用”选项，然后单击脚注中的“显示注释”选项。
4、拖放菜单框将出现在微珠下方，并且尾注分隔符将在拖动框中被选择。
5、此时，您可以看到一条水平线出现并手动删除了该水平线。
6、然后继续单击菜单栏中的视图，然后选择视图下方的页面视图。
7、此时，您可以看到原来的水平线已经消失，因此将其删除。
步骤如下： 1、视图——普通视图2、引用——脚注——显示备注 3、在下方的备注尾注下拉菜单中选择“尾注分隔符”，这时那条短横线出现了，选中它，删除。再在下拉菜单中选择“尾注延续分隔符”，这是那条长横线出现了，选中它，删除。 4、切换回到页面视图
那就选定参考文献这部分文字，进行拼写和语法检查，出现提示的点“全部忽略”，直到选定文字检查完毕，会出现“word已检查完所选内容，是否检查文档的其余部分”时点“否”。
工具——选项——拼写和语法，自己调一下
论文链接： 目录 设计思想 网络架构 Smooth Network Border Network 网络结构 实验结果 结论 参考文献 在大量的计算机视觉应用中，语义分割是一项不可或缺的底层技术。旷视科技Face++近期发表的一篇 CVPR 2018 收录论文《Learning a Discriminative Feature Network for Semantic Segmentation 》提出判别特征网络 DFN，有效解决了语义分割的两个基本问题，显著提高了其精度，可以帮助机器之眼更好地理解复杂的图像和场景，解析静态或动态人体及其他物体，有助于从根本上推动自动驾驶、手机影像、医疗影像、无人零售、物流安防等 AI 驱动型产业的普及与发展。 设计思想 本文提出的判别特征网络（Discriminative Feature Network/DFN）包含两个子网络 Smooth Network 和 Border Network，它有效解决了绝大多数现有语义分割方法面临的类内不一致（intra-class inconsistency）与类间无差别（inter-class indistinction）问题。 具体而言，为应对类内不一致问题，作者专门设计带有通道注意力模块（Channel Attention Block/CAB）和全局平均池化的 Smooth Network 以选择更具判别力的特征；而 Border Network 则借助多层语义边界监督区分边界两边的特征。 伴随着以全卷积网络（Fully Convolutional Network/FCN）为代表的卷积神经网络的新近发展，很多工作成效显著。但是，上述网络学习的特征经常存在判别性不强，难以区分的问题，表现为：1) 标签相同但外观不同的图像块，称之为类内不一致，如图 1 第一行所示；2) 两个相邻的图像块，标签不同但外观相似，称之为类间无差别，如图 1 第二行所示。 图 1：棘手的语义分割实例。第二列是 FCN 模型的输出；第三列是本文方法的输出。第一行中，图中牛的左下角被识别为马，这属于类内不一致问题。第二行中，电脑主机上的蓝光及黑色机壳与显示器相似，因此难以区分，这属于类间无差别问题。 为解决上述两个挑战，本文从一个更加宏观的角度重新思考语义分割，将其看作一项把一致的语义标签分配给一类物体而不是每个单一像素的任务。这就需要把每个类别的像素看作一个整体，进而同时兼顾类内一致（intra-class consistency）与类间差别（inter-class variation）。这意味任务需要判别特征，所以本文提出一个全新的判别特征网络(DFN) 以学习特征表征。 DFN 有两个组件：Smooth Network 和 Border Network。Smooth Network 用来解决类内不一致问题，从而需要学习一个鲁棒特征表征，为此本文主要考虑两个关键因素。一方面，需要多尺度和全局语境特征编码局部和全局信息。比如，由于缺乏足够的语境信息，图 1(a) 中的白色小图像块经常无法预测正确的类别；另一方面，随着引入多尺度语境，对于一定尺度的物体来说，特征具有不同程度的判别力，其中一些可能预测假标签。因此，有必要选择高效的判别特征。正是出于上述两方面的考虑，Smooth Network 展现为 U 形结构，以抓取不同尺度的语境信息，并通过全局平均池化抓取全局语境。此外，本文还提出通道注意力模块(CAB)，利用高层特征逐阶段地指导低层特征的选择。 Border Network 负责区分外观相似但标签不同的相邻图像块。大多数现有方法把语义分割看作一种密集识别问题，无法明确建模类间关系。以图 1(d) 为例，如果越来越多的全局语境整合进分类过程，相邻于显示器的电脑主机由于外观相似很容易被误认是显示器。因此，明确地使用语义边界指导特征的学习非常重要，这可以增强特征两边的变化。训练时，作者把语义边界损失整合进 Border Network 以学习判别特征，增大类间差别。 网络架构 有关DFN的网络架构，首先详述它的两个组件 Smooth Network 和 Border Network；接着，具体解释两者如何实现类内一致和类间差别；最后描述 DFN 完整的编码器-解码器网络架构。 图 2：判别特征网络概览。（a）网络架构。（b）优化残差模块（Refinement Residual Block/RRB）的组件。（c）通道注意力模块（CAB）的组件。红线、蓝线分别表征上采样和下采样算子。绿线仅是信息传递路径，不改变特征图的大小。 Smooth Network 绝大多数现有方法无法保证正确预测每个图像块的类别，尤其当图像块属于较大区域和复杂场景之时；这种类内不一致问题的主要原因在于语境的缺失，为此作者提出带有全局平均池化的全局语境。但是，全局语境只具有高语境信息，无助于复原空间信息，作者需要多尺度感受野和语境来优化空间信息，正如大多数现有方法那样。然而，由于不同尺度的感受野其判别力也各不相同，从而造成不一致的结果，从而需要选择更具判别力的特征预测某个特定类别的统一语义标签。 具体而言，本文使用 ResNet 作为基础识别模型；根据特征图大小，该模型可划分为 5 个阶段。据观察，不同阶段识别能力各不相同，一致性表现也各不相同。在低级阶段，网络编码更精细的空间信息，但是由于缺乏空间语境指导和感受野较小，其语义一致性表现欠佳；而在高级阶段，由于感受野较大，语义一致性表现较佳，但是预测的空间信息较粗糙。总体而言，低级阶段有着更精确的空间预测，而高级阶段有着更精确的语义预测。基于这一观察，本文提出 Smooth Network 以整合两者的优势，利用高级阶段的一致性指导低级阶段获得最优的预测。 图 3：通道注意力模块图示。在（a）中，黄色模块表征低级阶段的特征，红色模块表征高级阶段的特征。作者结合相邻阶段的特征以计算权重向量，从而更新低级阶段特征图的权重。较深色模块表征高权重值。（b）是第 4 阶段通道注意力模块的真实注意力值向量。蓝色越深，表征权重值越大。 当下流行的语义分割架构主要有两种 style，一种是 Backbone，如 PSPNet 和 Deeplab v3；另一种是 Encoder-Decoder，比如 RefineNet 和全局卷积网络。但上述架构并不完备，为此，本文首先嵌入一个全局平均池化层把 U 形架构扩展为 V 形架构，为网络引入最强的一致性约束作为指导；此外，本文提出通道注意力模块以优化一致性，如图 2(c) 所示。该设计结合相邻阶段的特征以计算通道注意力向量（图 3(b)）。高级阶段的特征给出一个强大的一致性指导，而低级阶段的特征给出特征的不同判别信息，从而通道注意力向量可以选择判别特征。 通道注意力模块： CAB 的设计目的是改变每一阶段的特征权重以优化一致性，如图 3 所示。在 FCN 架构中，卷积算子输出一个 score map，给出每一类别在每个像素上的概率。其实际意义在于暗示了不同通道的权重是平等的。然而，如上所述，不同阶段的特征判别力不同，造成预测的一致性各不相同。为实现类内一致预测，应该提取判别特征，并抑制非判别特征，从而可以逐阶段地获取判别特征以实现预测类内一致。 优化残差模块： 特征网络中每一阶段的特征图全都经过 RRB，如图 2(b) 所示。该模块的第 1 个组件是 1 x 1 卷积层，作者用它把通道数量统一为 512。同时，它可以整合所有通道的信息。接着是一个基本的残差模块，它可以优化特征图。此外，受 ResNet 启发，该模块还可以强化每一阶段的识别能力。 Refinement residual block 网络的每个阶段的特征都会经过Refinement residual block,如下图所示： Border Network 在语义分割任务中，预测经常混淆外观相似的不同类别，尤其当它们在空间上相近之时，因此需要加大特征的差别。出于这一考虑，本文采用语义边界指导特征学习，同时应用显式监督提取精确的语义边界，使网络学习类间差别能力强大的特征，进而提出 Border Network 加大特征的类间差别。Border Network 直接通过显式语义边界监督学习语义边界，类似于语义边界检测任务。这使得语义边界两边的特征变得可区分。 本文的工作需要语义边界具有更多的语义含义。因此 Border Network 的设计是自下而上的。它可以同时从低级阶段获取精确的边界信息和从高级阶段获取语义信息，从而消除一些缺乏语义信息的原始边界。由此，高级阶段的语义信息可以逐阶段地优化低级阶段的细节边界信息。借助传统的图像处理方法，比如 Canny，作者可以从语义分割的 groundtruth 中获得网络的监督信号。Border Network 主要关注分离边界两边的类别的语义分割。要精确地提取语义边界，需要两边的特征更加可区分，而这正是作者的目的所在。 网络结构 作者使用预训练的 ResNet 作为基础网络。Smooth Network 通过在网络顶部添加全局平均池化层以获得最强的一致性；接着利用 CAB 改变通道的权重进一步提升一致性。同时，Border Network 通过明确的语义边界监督获得精确的语义边界并使两边的特征更易区分。由此，类内特征更加一致，类间特征更易区分。 对于显式的特征优化，需要使用多层监督以获取更佳性能，同时网络也更容易训练。Smooth Network 借助 softmax loss 监督每一阶段的上采样输出（全局平均池化层除外），而本文借助 focal loss 监督 Border Network 的输出。两个子网络在一起联合训练，其 loss 通过一个参数控制两者的权重。 实验结果 本文在两个开源数据集 PASCAL VOC 2012 和 Cityscapes 上评估这一方法。数据集介绍、实现细节结果分析等从略，本文将直接给出 DFN 最终的评估结果，了解更多请参见原论文。 表 5：DFN 在 PASCAL VOC 2012 测试集上的表现。在 MS-COCO 上预训练的方法用“+”标记。 表 6：DFN 在 Cityscapes 测试集上的表现。“-”表明该方法未在发表的论文中展示结果。结论 最后总结一下，本文的贡献主要有 4 个方面： 从一个新的宏观视角重新思考语义分割，将其看作一项把一致的语义标签分配给一类物体（而不仅仅是在像素层面）的任务。 提出 DFN 同时解决类内一致和类间差别问题。DFN 分别在 PASCAL VOC 2012 和 Cityscapes 数据集上取得 和 的当前最优 mean IOU，证实了该方法的有效性。 提出 Smooth Network，通过全局语境和通道注意力模块提升类内一致性。 提出一种自下而上的 Border Network，利用多层边界监督信号增大语义边界两边的特征变化，同时优化预测的语义边界。
我们写论文时，用“插入脚注”的方法插入参考文献都会出现一个横线，想删除但又无法选中，该怎么去掉这个横线呢?今天我来讲讲这个技巧。 首先，打开存在该问题的文档，点击“视图”，切换到“普通视图”模式，如图所示。 在标题栏点击“引用”，点击下方的“显示备注”按钮，文档底部出现如图所示变化。 如图所示，鼠标把所有参考文献都选中，在“尾注”下拉菜单中选择“尾注分隔符”，点击一下。 我们发现，此时该分隔符处于可以选中，并且可以删除的状态了，直接删除即可。 点击“视图”选项，重新切换到“页面视图”模式，我们看到，横线已经被删掉了。
论文引用标注[1]在右上角步骤如下：
1、首先打开电脑，并点击打开需要设置的WPS文档，选择好要在文档里标记的文本并在开头输入字文字。
2、然后选中需要调整的文字，使用鼠标右键点击，在弹出的对话框中选项“上标”这个选项并打√就可以。
3、最后点击 "确定", 回到文档界面, 就可以看到文本已在右上角标记好，这样在wps里给文字加右上角标记的问题就解决了。
参考文献类型及文献类型，根据GB3469-83《文献类型与文献载体代码》规定，以单字母方式标识：
专著M ； 报纸N ；期刊J ；专利文献P；汇编G ；古籍O；技术标准S 。
根据《中国学术期刊（光盘版）检索与评价数据规范（试行）》和《中国高等学校社会科学学报编排规范（修订版）》的要求，很多刊物对参考文献和注释作出区分，将注释规定为“对正文中某一内容作进一步解释或补充说明的文字”，列于文末并与参考文献分列或置于当页脚地。
问题一：用word2007，论文封面,学校姓名那些的下划线怎么弄，字末空格的地方也要有下划线。 方法1：英文输入法下，按住“shift”键+“-”减号键。 方法2：输入一串空格，选中这些空格，“ctrl”+“U”。 问题二：在Word中在字体下边怎么加下划线 格式工具栏上U那个,右边可以选择下划线类型。 或者选中后按Ctrl+U 文字后面的两个方法：________________Ctrl加0后面那个键（减号） 先输入空格，再给空格加下划线 问题三：论文封面在名字下方打一条横线怎么弄？ 把要加的文字选中，然后点击菜单中的加下划线，或者点击右键，然后再字体属性中更改加上下划线， 问题四：论文封面的署名之类的下划线怎么做 没有问题, 我可以给. 问题五：word如何在目录那里添加点式下划线 选中要添加下划线的文字-点击鼠标右键选择字体 如图所示 选择相应的下划线可 问题六：word文档封面里填写相关项目，文字后面的下划线不见了，如何设置才能让下划线一样长，用空格也不行 15分 把后面的空格选定，点击格式工具栏上，那个带下划线的U符号。试试 问题七：在word里写论文时，封面有画好的横线，输入文字时文字下方的横线就不见了，怎么解决 提前把横线删掉，打上你需要的字后自己添加下划线。模板有时间很郁闷，我也搞不懂为什么 问题八：在word里写论文时，封面有画好的横线，输入文字时文字下方的横线就不见了，怎么解决 自己再加上横线。字体加粗、倾斜、下划线，那那些按钮，就是做这个的！ 问题九：word文档 封面文字下面的线怎么弄 这个看来像是空格加了下划线。选择后，点一下工具栏上的U图标就可以了。
方法如下：1.打开Word文件,发现参考文献有条横线。2.点击视图的大纲视图。3.点击引用的显示备注。4.选择脚注分隔符。5.选中横线，按Delete键，就删除了该横线。
都没有错，忽略即可
这个是word里面一个词典校对的功能显示的，可以忽略（点击文字-右键-忽略）一般没什么影响，只是word会这么显示，不会被打印出来
这个属于word自动校正无法识别的词，一般情况下，名字或者生僻的词语都会出现，没关系，打印稿件不会显示下划线的。
点击视图，选择普通，再点击视图，选择脚注，（选择查看尾注，或查看脚注，自己看情况）在正文底部就出现“尾注的下拉列表”，此时选中尾注分隔符，然后就可以直接删除横线了。
点击视图，选择普通，再点击视图，选择脚注，在正文底部就出现“尾注的下拉列表，此时选中你要去掉的尾注分隔符，再选中下面出现的横线，按删除键就ok了，但是我用的是word2003，希望能对你有帮助。
你可以参考一下：word默认情况下，在第一篇参考文献前面有一条短横线，如果参考文献跨页了，在跨页的地方还有一条长横线，这些线无法选中，也无法删除。这是尾注的标志，但一般科技论文格式中都不能有这样的线，删除办法如下。1切换到普通视图，菜单中“视图”——“脚注”，这时最下方出现了尾注的编辑栏。2在尾注右边的下拉菜单中选择“尾注分隔符”，这时那条短横线出现了，选中它，删除。3再在下拉菜单中选择“尾注延续分隔符”，这是那条长横线出现了，选中它，删除。4切换回到页面视图，横线消失了。引用：
在IE的“工具”中，进入“Internet选项”，在“高级”中有一项“浏览”，其中的“给链接加下划线”设置成“从不”，确定后关闭所有的IE窗口，再重新打开就可以了。有历史意义或研究价值的图书、期刊、典章。关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作计算机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。每篇论文一般选取3-8个词汇作为关键词，另起一行，排在"提要"的左下方。