发布时间：
一、图片输入层面 基于以上结论，采用多尺度训练过程中，要在避免那些极小的和极大的（多尺度后）带来的不好的影响时，考虑保证目标有足够的多样性。所以在进行多尺度训练过程中，将每种输入尺度下，不满足要求的proposal以及anchor忽略。论文中使用了三种尺度如图所示，比一般的多尺度训练的尺度跨度要大。 二、 Neck部分（采用金字塔结构改进方案的） 一般意义的FPN网络结构是最右边似的结构，而本文中采用的结构则是 该方法首先无疑是增加了计算量，优点就是最终输出的每一层的特征不是一个线性的变换（应该想表述的说不是从一层特征直接到另一层特征），而是使用共享的多层特征。最终相比RetinaNet提升一个点左右吧，效果一般。VisDrone2020检测的冠军团队采用了这个结构 该文章利用多个TUM模块试图更充分构建的特征金字塔的网络结构，靠前的TUM提供浅层特征，中间的TUM提供中间层特征，靠后的TUM提供深层特征，通过这种方式能够多次将深层浅层特征融合，参数量多了。和RetinaNet对比可以看到，512输入，都不采用multi-scale推理，mAP由33提升到，小目标精度也提升了一点；以参数量和计算量堆砌的精度提升，不是好方法。 文章认为不同层的重要程度应该和目标的绝对尺度分布有关系，所以在FPN自上而下融合的时候，加入了一个尺度因子用来平衡金字塔不同层的重要性。个人感觉意义不大，实际提升也不明显。 三、 Head部分的改进方案 在VisDrones上的冠军方案和若干其他方案都采用了这种“双头部”的方案。soft-NMS似乎可以提升几个点。 四、 小目标目前检测不好，主要原因不是小，应该是小且和背景接近，对比度不高。所以可以借鉴伪装物体检测的思路；
一个经典例子是存在一个测试集合，测试集合只有大雁和飞机两种图片组成，假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。然后就可以定义： 要得到Precision-Recall曲线(以下简称PR)曲线，首先要对检测模型的预测结果按照目标置信度降序排列。然后给定一个rank值，Recall和Precision仅在置信度高于该rank值的预测结果中计算，改变rank值会相应的改变Recall值和Precision值。这里选择了11个不同的rank值，也就得到了11组Precision和Recall值，然后AP值即定义为在这11个Recall下Precision值的平均值，其可以表征整个PR曲线下方的面积。即： 还有另外一种插值的计算方法，即对于某个Recall值r，Precision取所有Recall值大于r中的最大值，这样保证了PR曲线是单调递减的，避免曲线出现摇摆。另外需要注意的一点是在2010年后计算AP值时是取了所有的数据点，而不仅仅只是11个Recall值。我们在计算出AP之后，对所有类别求平均之后就是mAP值了，也是当前目标检测用的最多的评判标准。
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（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}= 。
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，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；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）。
论文查重系统的规则：
1、知网论文查重系统，是目前市面上最先进的模糊算法，如果论文的整体结构或格式被打乱，那有可能会导致同一篇文章，第一次检测到的和第二次检测标记重复的内容不一致，或者是第一次查核从检测没有被标记为红色内容的部分，在第二次查重检测的时候，被标记为重复内容。
因此，论文内容和论文的格式非常重要，如果你对论文的重复内容进行降重修改，那不要修改论文的原始大纲和结构。
2.如果是整篇论文上传查核检测，那系统会自动给将，文章目录信息自动是被。然后，系统将会对每章内容进行查重比对。每个单独部分内容都会比对，然后逐一进行检测，最终生成一篇论文查重报告，被标记为红色字体部分的内容就是严重重复的内容。
3.中国知网为检查系统的敏感性设定了一个门槛。 门槛是5％。 它在段落中衡量。 少于5％的剽窃或引用无法被发现。这种情况在大的段落中或小句情况下很常见。 例如：如果测试段落1有10,000个单词，则不会检测到对单个500字或更少的文章的引用。
实际上这里也告诉同学们一个修改的方法，就是对段落抄袭千万不要选一篇文章来引用，尽可能多地选择文章，以及剪掉几句话。这不会被检测到。
4.如何判断检测论文的抄袭？知网论文检测的条件是连续13个字相似或剽窃将标记为红色，但必须满足3个先决条件：即引用或剽窃的A文献中的词语数量 并能在每个测试部分都能实现。超过5％就被检测为红色。
5.知网检测系统会自动识别参考文献，参考文献不参与文本检测。另外，它被删除。在知网测试报告中，参考文件以灰色显示，说明未参与测试。当然，如果参考格式完全正确，这将被自动排除。否则，引用将作为文本进行测试导致参考文献全部标红。结果增高！
6.知网的论文检查整个上传，PDF或Word格式可能会影响测试结果。由于上传PDF检测，PDF将具有比Word更多的文本转换过程。这个过程可能会破坏你原来正确的目录和参考格式。特别是那些英文目录和大多数英文参考文献，英文字符数很高。如果英语被标记为红色，则总体结果将大大增加。
7.对于论文引用而言，如果你引用了他人的内容，那就要用引用符号进行相应的标注。如果引用没有进行标注，那系统会自动查重比对，这样可能会导致论文的重复率增加，所以，合理的引用他内容是非常有必要的。
运动目标的检测的其主要目的是 获取目标对象的运动参数（位置、速度、加速度等）及运动轨迹 ，通过进一步分析处理，实现对目标行为更高层级上的理解。 运动目标检测技术目的是 从序列图像中将变化区域从背景图像中提取出来 ，常用于视频监视、图像压缩、三维重构、异常检测等。
运动目标检测主流方法有帧差法、背景差法、光流法等。光流法源于 仿生学 思想，更贴近于直觉，大量昆虫的视觉机理便是基于光流法。 二十世纪五十年代心理学家Gibson在他的著作“The Perception of Visual World”中首次提出了以心理学实验为基础的光流法基本概念，而直到八十年代才由Horn、Kanade、Lucash和Schunck创造性地将灰度与二维速度场相联系，引入光流约束方程的算法，对光流计算做了奠基性的工作。
光流（optical flow）：由于目标对象或者摄像机的移动造成的图像对象在连续两帧图像中的移动。
通俗说，对于一个图片序列，把每张图像每个像素在连续帧之间的运动速度和方向（ 某像素点在连续两帧上的位移矢量 ）找出来就是光流场。
第t帧的时A点的位置是(x1, y1)，第t+1帧时A点位置是(x2,y2)，则像素点A的位移矢量：(ux, vy) = (x2, y2) - (x1,y1)
如何知道第t+1帧的时候A点的位置涉及到不同的光流计算方法，主要有四种：基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法。
光流法依赖于三个假设：
根据所形成的光流场中 二维矢量的疏密程度 ，光流法可分为稠密光流与稀疏光流。
稀疏光流只对有 明显特征的组点 （如角点）进行跟踪，计算开销小。
（1）calcOpticalFlowPyrLK 基于金字塔LK光流算法，计算某些点集的稀疏光流。 参考论文《Pyramidal Implementation of the Lucas Kanade Feature TrackerDescription of the algorithm》 （2）calcOpticalFlowFarneback 基于Gunnar Farneback 的算法计算稠密光流。 参考论文《Two-Frame Motion Estimation Based on PolynomialExpansion》 （3）CalcOpticalFlowBM 通过块匹配的方法来计算光流 （4）CalcOpticalFlowHS 基于Horn-Schunck 的算法计算稠密光流。 参考论文《Determining Optical Flow》 （5）calcOpticalFlowSF 论文《SimpleFlow: A Non-iterative, Sublinear Optical FlowAlgo》的实现
PaperFree论文查重软件通过海量数据库对提交论文进行对比分析，基于大数据指纹比对算法，相比常规比对速度提升10倍，在保证查重质量的情况下，几秒钟就可以出查重结果，准确地查到论文中的潜在抄袭和不当引用。
1、论文包含目录、摘要、正文、参考文献、附录，检测内容根据学校的要求来提交，目录和参考文献格式正确被系统识别到了的话系统是不参与检测，所以目录和参考文献的格式一定要正确；2、论文检测系统是以“连续13个字重复”做为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。3、检测查重报告解读，全文标明引文中标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。4、论文重复率要求：本科院校一般是15%-30%之间；硕博要求一般是5%-10%，所以同学们在查重前咨询下学校的要求，这样才能够有把握。 5、检测系统多少还是会有一点浮动，同学为了保险起见提交到学校之前用定稿系统检测一遍比学校要求底个5%最为保险6、知网查重价格和次数都有一定的限制，同学在初稿检测的时候可以用paperfree系统检测，这个系统有免费检测的次数，关键是方便修改。
人生是一条漫长的小径，目标像一只萤火虫照亮着我前进，尽管它离我很远很远，可是我依然能够看见它散发出来的光芒。因为，我坚信：每一个人都有自己的目标，包括一切生物。老鼠的目标是能够偷到许多好吃的；抓到更多的老鼠，得到主人的赞赏；猪的目标是饱餐一顿再光荣死去，它们也有，更何况我们这一群人类呢！我曾经在一本书上看到过这样一个故事：有一对年轻的夫妇，他们有两个孩子，一个叫莎拉，一个叫迈克尔。当莎拉六岁的时候、迈克尔六岁时，父母决定为他们小狗抱会啦以后，他们专门聘请了一位驯兽师来训练它。在第一次训练开始之间，训练师问他们：“小狗的目标是什么？”夫妻两面面相觑，颇感意外，他们一脸迷惑地嘟嚷着说：“一只小狗还有什么目标？他的目标当然就是当一只狗狗了！”因为他们实在想不出，作为一只狗，还能有什么另外的目标？驯兽师极为严肃的摇了摇头说：“每只小狗都得有一个目标，否则我们根本无法训练它。你们是想训练它守门，还是和孩子们一道玩耍，或者只是作为你们的一个宠物？我必须知道这些。这就是它的目标。”在驯兽师的精心引导下，这只小狗被成功的训练成孩子的好朋友，它可爱的举止、忠诚的品性和敏锐的洞察力，使它成为这个家庭中不可缺少的重要成员。最重要的是，通过驯兽师，这对夫妇会学会了怎样教育自己的孩子：为他们树立目标。他们的教育最终没有令人失望：小莎拉成了一家电台的主播，而迈克尔则成了纽约市第108任市长——迈克尔·布隆伯格。他们永远记住驯兽师的一句话：一只小狗也要有自己的目标——更何况是一个人呢？听了这个故事，想必大家都已经有了目标吧！没错，人生是一次航行，唯有哪些目标明确的人，他们的到达才是自己的期望。没有目标的人不过是在盲目的跟从——他们到达了，却不会有任何的收获——因为他们不知道为社么到达那里。所以，你不要把别人的期待当成自己的目标，你有你的方向，沿着你的方向出发、前进，你的终点才有意义。的一生总有许多大大小小的目标，因为有了这些目标，我们为之奋斗，为之拼搏。目标就好像是人生航船上的帆，带我们乘风踏浪。而目标再升华一个层次，就是理想。理想就像是人生航船上的方向盘，给我们指引方向，带我们一路领先。因为有了理想，我们就有了克制自己欲望的砝码；因为有了理想，我们就更坚定了自己的信念，乘风破浪，一路领先！并非说理想就有一个，然而当你功名成就的那一天你，你会发现，真正让你成功地理想只有一个。世界上的多数人并非是成功者，不是因为他们的天资愚钝或懒惰，只是因为他们没有找到一个属于自己的理想。或许有的人就是不顾一切的抄袭各个名人的理想当做自己的理想；或许有的人活了大半辈子还不知道自己为什麽而活，为什麽而奔碌；还有的人就是特别会投机取巧，特别贪婪的人，他们把所有的一切都当做自己的理想，想着，这一样不成功可以换另一样，然而就这样换来换去，他最后一样也不会成功！因为他总是把一颗心分成好多份。目标和理想本就是一个递进的关系，就像英语里的最高级一样。理想就是目标的最高级。所以理想不是想什么就是什么，它也要切合实际，先从小目标做起，然后再完成大理想，这样的理想才会实现。或许这就是理想的真谛吧！确的方向引领你走上正确的道路，而不怀好意的指路人就会将你带进凶险的泥潭，让你走上不归路。生活中，有多少人是因为他人的引诱或怂恿而走上违法犯罪的道路呢？ 路有很多种，也有许多不同的走法，做人也是一样的。一个人可以平平淡淡的度过一生，可以碌碌终生，也可以辉煌一生，不同的生活是因为当初他们的目标不同，选择的方向不同。传说，世界上原本只有一种鸟，它们共同生活了一段时间后，就各奔东西了。后来，其中一些鸟儿看见了地上金灿灿的麦粒，就兴奋的落在了地上，变成了鸡。其中一些希望有一个遮风挡雨，温暖舒适的家，就高兴的落在了树枝上，变成了麻雀。还有几只鸟儿仍然在不停的飞着，不一会儿它们就飞上了蓝天，钻进了厚厚的云层。这时，大部分鸟儿都飞倦了，它们看到这美丽的云彩就停了下来，落在了下来，成了燕子。但飞翔并没有结束，还有几只心高气傲的鸟儿仍不知疲倦的飞着，它们的方向始终是向着太阳的，它们努力的飞啊飞啊，终于成了一只只健将有力，搏击长空的雄鹰。因为目的不同，方向不同，心中的理想不同，原来相同的鸟儿今后却有着截然不同的生活。那么我们应该做哪种鸟呢？如果让我选择，那么我一定会选择做一只雄鹰，原因很简单，在追求心中的那个“太阳”时难免会遇到各种各样的困难和挫折，但只要我们勇敢的面对它们，克服它们，我们不仅能变得更坚强，更富有经验，而且还会使我们个人素质得到提高，心灵得到升华，这样就算自己失败了，未能实现梦想也没有什么关系了，因为，这些经历已经使你整个人得到升华，这对于你今后的人生来说是一笔宝贵的财富。 生活可能会面临很多选择，有时像一道选择题，有时像一道连线题，有时没有选择，而像一道填空题。选择题如果选错了，不要紧，因为它不影响下一道题；而连线题就稍微有些。（议论文） 复杂了，有时稍不留神就可能导致你满盘皆输，因此第一步的连线显得格外重要，定要慎重；至于填空题就不必说了，它需要你仔细研究，顾全大局，每一个空都要为下一个空而着想，否则就前后不一，驴唇不对马嘴。《三字经》中说道：人之初，性本善。孟子也认为“人性本善”。是呀，人天生就是善良的，可为什么现在社会中有不少坏人呢？我想，他们是没有做好人生的第一道选择题吧。 有一个关于三个商人的故事。从前，有三个商人，他们决定分别去经商，看谁赚钱最多。第一个商人首先发现了一个商机，他发现非洲人没有鞋子穿，于是他激动地订购了大批鞋子运往非洲销售。结果，他的鞋子无人问津，因为非洲太热，人们从来不穿鞋。最终他当然赔本了。第二位商人也同样发现了一个商机，原来波斯人没有吃过大蒜。于是他满载着两袋大蒜去觐见波斯国王，国王尝过他的大蒜后赞不绝口，并邀请大臣们一同品尝，甚至说这是无上的美味。国王盛情款待了他，并以一头驮着两袋金子的驴作为赏赐来表示自己的谢意，这位商人高兴地返回了。第三位商人听说后心想：葱的味道不也是很鲜美吗？不如我就带着大葱去波斯，他信心十足地来到波斯，将葱献给国王，国王对此也同样赞不绝口，甚至说葱比蒜的味道还要鲜美。他认为金子不足以表达他的谢意了，于是就和大臣们商量，以一口袋蒜作为对第三位商人的赏赐。最后，这位商人气急败坏的返回了。这三位商人同样抓住了商机，但为什么结局却迥然不同呢？原因是第一位商人没有选对方向，没有考虑到非洲的特点，所以他失败了；第二位商人他发现波斯没有蒜，他选对了方向，所以他成功了；而第三位商人虽然也看准了方向，但他没有抓住时机，如果他早去一步，那么两袋金子花落谁家就不一定了。呼应点题纵观我所说的，我只想表达一个想法：选对方向，抓住时机，走好人生的第一步，树立一个远大的目标并为之奋斗，只要做到以上几点，那么，成功舍你其谁？人生如白驹过隙，一切都不在经意间悄然消逝，我们不应该碌碌无为，应该做一番大事，要做大事，就要有人生的目标。目标对一个人的成功至关重要。它使天真的孩童看到未来的希望，它使愚昧的凡人看清前进的方向，使自己更有智慧；它使受挫的失败者找到前进的动力，使自己更坚强。因此，人生要有目标。周恩来因为有“为中华之崛起而读书”的目标，所以他从小发奋学习，刻苦读书，救百姓于水火之中，成为了一代伟人；鲁迅因为有立志改变中国现状的目标，所以他毅然地弃医从文，用自己手中的笔与恶势力作斗争，唤醒亿万麻木的中国人，成为思想的领导者；岳飞因为有“精忠报国”的目标，所以他远赴边疆，抑制匈奴，保家卫国，曾写下“待从头，收拾归山河，朝天阙”的志向，成为铁骨铮铮的一员武将。古今中外，做出一番大事的人，必定是有人生目标的人。有了人生目标，才能使他们成为伟人，有了人生目标，才能使他们被受万人尊崇；有了人生目标，才能使他们实现自己的理想与抱负。他们用自己的成功诠释着一个道理：人生要有目标。如果没有目标，吞蛹就不会作茧自缚，备受折磨，等待破壳而出，把翔飞的梦想留给明天；如果没有目标，蚌就不会忍受痛苦，历经煎熬，积累美丽，把耀眼瑰丽的珍珠留给明天；如果没有目标，种子就不会深埋地下，历经寒冬，冲破土层，将生命的绿意伸向蓝天；如果没有目标，水珠就不会流入小溪，奔向江河，汇入大海，使其永不枯竭；如果没有目标，陨石就不会冲向大气层，划破茫茫夜空，焕发璀璨迷人的光芒，化为流星，让瞬间成为永恒；如果没有目标，大雁就不会冲破阻碍，团结协作，一往无前的飞向南方。
原文： Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.
译文参考： Faster R-CNN论文翻译——中英文对照
目标检测网络依赖于Region Proposal算法假设目标位置，通过引入Region Proposal（网络RPN），与检测网络共享全图像卷积特征，使得Region Proposals的成本近乎为零。
如下图所示，图a采用的是图像金子塔（Pyramids Of Images）方法；图b采用的是滤波器金字塔（Pyramids Of Filters）方法；图c引入“锚”盒（"Anchor" Boxes）这一概念作为多尺度和长宽比的参考，其可看作回归参考金字塔（Pyramids Of Regression References）方法，该方法可避免枚举图像、多尺度滤波器和长宽比。
为了将RPN与Fast R-CNN相结合，本文提出了一种新的训练策略：在region proposal任务和目标检测任务之间交替进行微调，同时保持proposals的固定。该方案能够快速收敛，两个任务之间并共享具有卷积特征的统一网络。
Faster R-CNN由两个模块组成：
RPN以任意大小的图像作为输入，输出一组矩形的目标proposals，每个proposals都有一个目标得分。在实验中，假设两个网络（RPN和Fast R-CNN）共享一组共同的卷积层，并研究了具有5个共享卷积层的 Zeiler和Fergus模型（ZF） ，以及具有13个共享卷积层的 Simonyan和Zisserman模型（VGG-16） 。
为了生成region proposals，对最后的共享卷积层输出的卷积特征图谱使用一个小网络。该网络以卷积特征图谱的 空间窗口作为输入，且每个滑动窗口映射到一个低维特征，所有空间位置共享全连接层。
该低维特征作为两个子全连接层———边界框回归层（box-regression layer, reg）和边界框分类层（box-classification layer, cls）的输入，其卷积核均为 大小。
对于每个滑动窗口位置，可同时预测多个region proposals，最大region proposals数为 。因此，reg层具有 个输出，用于编码k个边界框的坐标；cls层具有 个得分，用于估计每个proposal是目标或不是目标的概率。
Anchors：k个proposals相对于 个参考框是参数化形式。
anchor位于滑动窗口的中心，并与尺度和长宽比相关。默认情况，使用3个尺度和3个长宽比，在每个滑动位置产生 个anchors。对于大小为 的卷积特征图谱，共产生 个anchors。
基于anchor的方法建立在anchors金字塔（pyramid of anchors）上，参考多尺度和长宽比的anchor盒来分类和回归边界框，用于解决多尺度和多长宽比问题。
为了训练RPN，为每个anchor分配一个二值标签。
正标签：
负标签：IoU值低于。
对Fast R-CNN中的多任务损失进行最小化。图像的损失函数为：
其中， 是mini-batch数据中anchor的索引， 是第i个anchor作为目标的预测概率。若anchor为正标签，真值 ；反之， 。 是表示预测边界框4个参数化坐标的向量， 是正真值框的向量。分类损失 为两个类别的对数损失；回归损失 ，其中 为在 Fast R-CNN 一文中定义的鲁棒损失函数（平滑 ）。 表示回归损失仅对正anchor激活，否则被禁用（ ）。cls和rge层的输出分别由 和 组成。该两项使用 和 进行标准化，并使用平衡参数 加权处理。等式中cls项根据mini-batch的大小进行归一化，而reg项根据anchor位置的数据进行归一化。默认情况下， 从而使得cls和reg项的权重大致相等。
对于边界框回归，采用 Rich feature hierarchies for accurate object detection and semantic segmentation 一文中的4个坐标参数化方法：
其中， 和 表示边界框的中心坐标及其宽和高。变量 和 分别表示预测边界框、anchor和真值框。
采样策略：以图像为中心。
在图像中随机采样256个anchors，用于mini-batch数据中损失函数的计算，正负样本的比例为 。
从标准差为的零均值高斯分布中提取权重来随机初始化所有的新网络层，而共享卷积层通过预训练ImageNet分类模型来初始化。同时，调整ZF网络的所有网络层，以及VGG网络的conv3_1之上的网络，用于节省内存的使用。对于60k的mini-batch数据，学习率为；对于PASCAL VOC数据集中的20k的mini-bacth数据，学习率为。随机梯度下降算法的动量设置为，重量衰减率为。
训练具有共享特征网络的三个方法：
版权印版权标识
小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点，小目标的检测精度通常只有大目标的一半。
CVPR2019论文: Augmentation for small object detection 提到了一些应对小目标检测的方法，笔者结合这篇论文以及查阅其它资料，对小目标检测相关技巧在本文进行了部分总结。
小目标的定义： 在MS COCO数据集中，面积小于 32*32 的物体被认为是小物体。
小目标难以检测的原因： 分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，也就是在提取特征的过程中，能提取到的特征非常少，这不利于我们对小目标的检测。
1、由于小目标面积太小，可以放大图片后再做检测，也就是在尺度上做文章，如FPN（Feature Pyramid Networks for Object Detection），SNIP（An Analysis of Scale Invariance in Object Detection – SNIP)。
Feature-Fused SSD: Fast Detection for Small Objects, Detecting Small Objects Using a Channel-Aware Deconvolutional Network 也是在多尺度上做文章的论文。
2、在Anchor上做文章(Faster Rcnn，SSD, FPN都有各自的anchor设计)，anchor在设置方面需要考虑三个因素：
anchor的密度： 由检测所用feature map的stride决定，这个值与前景阈值密切相关。
anchor的范围： RetinaNet中是anchor范围是32~512，这里应根据任务检测目标的范围确定，按需调整anchor范围，或目标变化范围太大如MS COCO，这时候应采用多尺度测试。
anchor的形状数量： RetinaNet每个位置预测三尺度三比例共9个形状的anchor，这样可以增加anchor的密度，但stride决定这些形状都是同样的滑窗步进，需考虑步进会不会太大，如RetinaNet框架前景阈值是时，一般anchor大小是stride的4倍左右。
该部分anchor内容参考于:
3、在ROI Pooling上做文章，文章SINet: A Scale-Insensitive Convolutional Neural Network for Fast Vehicle Detection 认为小目标在pooling之后会导致物体结构失真，于是提出了新的Context-Aware RoI Pooling方法。
4、用生成对抗网络(GAN)来做小目标检测：Perceptual Generative Adversarial Networks for Small Object Detection。
1、从COCO上的统计图可以发现，小目标的个数多，占到了，但是含有小目标的图片只有，大目标所占比例为，但是含有大目标的图像却有。这说明有一半的图像是不含小目标的，大部分的小目标都集中在一些少量的图片中。这就导致在训练的过程中，模型有一半的时间是学习不到小目标的特性的。
此外，对于小目标，平均能够匹配的anchor数量为1个，平均最大的IoU为，这说明很多情况下，有些小目标是没有对应的anchor或者对应的anchor非常少的，即使有对应的anchor，他们的IoU也比较小，平均最大的IoU也才。
如上图，左上角是一个anchor示意图，右上角是一个小目标所对应的anchor，一共有只有三个anchor能够与小目标配对，且配对的IoU也不高。左下角是一个大目标对应的anchor，可以发现有非常多的anchor能够与其匹配。匹配的anchor数量越多，则此目标被检出的概率也就越大。
实现方法： 1、Oversampling ：我们通过在训练期间对这些图像进行过采样来解决包含小对象的相对较少图像的问题（多用这类图片）。在实验中，我们改变了过采样率和研究不仅对小物体检测而且对检测中大物体的过采样效果
2、Copy-Pasting Strategies：将小物体在图片中复制多分，在保证不影响其他物体的基础上，增加小物体在图片中出现的次数（把小目标扣下来贴到原图中去），提升被anchor包含的概率。
如上图右下角，本来只有一个小目标，对应的anchor数量为3个，现在将其复制三份，则在图中就出现了四个小目标，对应的anchor数量也就变成了12个，大大增加了这个小目标被检出的概率。从而让模型在训练的过程中，也能够有机会得到更多的小目标训练样本。
具体的实现方式如下图：图中网球和飞碟都是小物体，本来图中只有一个网球，一个飞碟，通过人工复制的方式，在图像中复制多份。同时要保证复制后的小物体不能够覆盖该原来存在的目标。
网上有人说可以试一下lucid data dreaming Lucid Data Dreaming for Multiple Object Tracking ，这是一种在视频跟踪/分割里面比较有效的数据增强手段，据说对于小目标物体检测也很有效。
基于无人机拍摄图片的检测目前也是个热门研究点（难点是目标小，密度大）。 相关论文： The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking（数据集） Drone-based Object Counting by Spatially Regularized Regional Proposal Network Simultaneously Detecting and Counting Dense Vehicles from Drone Images Vision Meets Drones: A Challenge（数据集）
1: 2: 3: 4: 5: 6: 7:
关于学位论文的文献类型标识如下：
A——理论与应用研究学术论文(包括综述报告)；B——实用性技术成果报告(科技)、理论学习与社会实践总结(社科)；C——业务指导与技术管理性文章(包括领导讲话、特约评论等)；D——一般动态性信息(通讯、报道、会议活动、专访等)
E——文件、资料(包括历史资料、统计资料、机构、人物、书刊、知识介绍等)；不属于上述各类的文章以及文摘、零讯、补白、广告、启事等不加文献标识码。文献类型标志代码 （标示各种参考文献类型，标于论文后面）文献类型；标志代码；普通图书；M
会议录；C；汇编；G；报纸；N；期刊；J；学位论文；D；报告；R；标准；S；专利；P；数据库；DB；联机网络（online）
电子文献载体类型的参考文献类型标识方法为:[文献类型标识/载体类型标识]。例如:联机网上数据库[DB/OL](database on line)；磁带数据库[DB/MT](database on magnetic tape)；光盘图书[M/CD](monograph on CD ROM)
磁盘软件[CP/DK](computer progra mondisk)；网上期刊[J/OL](serial on line)；网上电子公告[EB/OL](electronic bulletin boardon line)；专著、论文集中的析出文献;
代表类型如下：
1、M——专著（含古籍中的史、志论著）。指的是针对某一专门研究题材的，是著作的别称。根据学术论文的长短，又可以分为单篇学术论文、系列学术论文和学术专著三种。一般而言，超过4—5万字的，可以称为学术专著。
2、C——论文集。论文集从字面上来解释就是把各种主题类似的论文集合在一起。比如说：法律论文集里的论文都是与法律相关的。论文集可以作为一本书或期刊的增刊正式出版，用以区别学术期刊。论文集也可以是综合多种形式的论文集结在一起，合订成的一本书。
3、J——期刊文章。是由依法设立的期刊出版单位出版图书。期刊出版单位出版期刊，必须经新闻出版总署批准，持有国内统一连续出版物号，领取《期刊出版许可证》。
1、文献标识码(Document code)是按照《中国学术期刊（光盘版）检索与评价数据规范》规定的分类码，作用在于对文章按其内容进行归类，以便于文献的统计、期刊评价、确定文献的检索范围，提高检索结果的适用性等。
2、具体如下：A--理论与应用研究学术论文（包括综述报告）；B--实用性技术成果报告（科技）、理论学习与社会实践总结（社科）；C--业务指导与技术管理性文章（包括领导讲话、特约评论等）；D--一般动态性信息（通讯、报道、会议活动、专访等）；E--文件、资料（包括历史资料、统计资料、机构、人物、书刊、知识介绍等）。
这个区别简单来说，快捷论文查重的知网系统，目前来说是最全的论文查重系统，维普相对来说是要差一点，大多数的学校都是知网的论文查重系统
维普论文检测的优势：用户自助检测操作整个检测流程上传论文、查看检测报告全部用户自己完成检测报告全文标红抄袭段落及语句方便用户修改不当引用收费合理用户论文修改过程中可以反复检测使用降低使用成本 与知网系统相比：维普官方论文检测不与之同平台完全可以避免提前检测预警，同时维普提供使用自建库功能，此功能可以帮助用户将抄袭率降到最低 ,绝对安全地通过学校的论文检测。第一步：初稿一般重复率会比较高(除非你是自己一字一句写的大神)，可以采用万方、papertest去检测，然后逐句修改。这个系统是逐句检测的，也就是说你抄的任何一句话都会被检测出来。这种检测算法比较严格，从程序的角度分析这种算法比较简单。因而网上卖的都很便宜，我测的是3万字，感觉还是物美价廉的。(注意：1 这个库不包含你上一届研究生师兄的大论文，修改一定注意. 2 个人建议如果学校是用万方检测，就不要去检测维普之类的 先把论文电子版复制一份，保存一份。看检测结果，其中一份复制的备份论文，把检测出重复的部分能删了先删了，把不能删的，15字以内改一改，最好是加减字符，不要改顺序，改顺序没太大用，参考文献删掉一部分，不能删的话，先改下，英文文献可以15个字符换一个词。把修改过的上交，重新过系统检查。保存的原论文稍做改动上交纸质版。那个系统很麻烦的，很多没看过没应用过的文献都能给你加上，可见中国人抄袭的功夫，都是互相抄，但是为了保证论文的完整性和表述的准确性，不要随意改动，上交的纸质版，一定要斟酌，一般检查完就不会再过检测系统了，所以纸质版的不用担心。第二步：经过修改后，重复率大幅下降了。这时你可以用知网查了，知网查重系统是逐段检测的，比较智能。检测后再做局部修改就基本上大功告成了，我最后在网上用知网查是4%，简单修改后，在学校查是。注意：记住，最忌讳的是为了查重，把论文语句改得语句不通、毫无逻辑，这样是逃不过老师的，哈哈，大家加油！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。知网系统计算标准详细说明：1．看了一下这个系统的介绍，有个疑问，这套系统对于文字复制鉴别还是不错的，但对于其他方面的内容呢，比如数据，图表，能检出来吗？检不出来的话不还是没什么用吗？学术不端的各种行为中，文字复制是最为普遍和严重的，目前本检测系统对文字复制的检测已经达到相当高的水平，对于图表、公式、数据的抄袭和篡改等行为的检测，目前正在研发当中，且取得了比较大的进展，欢迎各位继续关注本检测系统的进展并多提批评性及建设性意见和建议。 2．按照这个系统39%以下的都是显示黄色,那么是否意味着在可容忍的限度内呢?最近看到对上海大学某教师的国家社科基金课题被撤消的消息,原因是其发表的两篇论文有抄袭行为,分别占到25%和30%.请明示超过多少算是警戒线？百分比只是描述检测文献中重合文字所占的比例大小程度，并不是指该文献的抄袭严重程度。只能这么说，百分比越大，重合字数越多，存在抄袭的可能性越大。是否属于抄袭及抄袭的严重程度需由专家审查后决定。 3．如何防止学位论文学术不端行为检测系统成为个人报复的平台？这也是我们在认真考虑的事情，目前这套检测系统还只是在机构一级用户使用。我们制定了一套严格的管理流程。同时，在技术上，我们也采取了多种手段来最大可能的防止恶意行为，包括一系列严格的身份认证，日志记录等。 4．最小检测单位是句子，那么在每句话里改动一两个字就检测不出来了么？我们对句子也有相应的处理，有一个句子相似性的算法。并不是句子完全一样才判断为相同。句子有句子级的相似算法，段落有段落级的相似算法，计算一篇文献，一段话是否与其他文献文字相似，是在此基础上综合得出的。 5．如果是从相关书籍上摘下来的原话，但是此话已经被数据库中的相关文献也抄了进去，也就是说前面的文章也从相关书籍上摘了相同的话，但是我的论文中标注的这段话来自相关的书籍，这个算不算学术抄袭？检测系统不下结论，是不是抄袭最后还有人工审查这一关，所以，如果是您描述的这种情况，专家会有相应判断。我们的系统只是提供各种线索和依据，让人能够快速掌握检测文献的信息。6．知网检测系统的权威性？学术不端文献检测系统并不下结论，即检测系统并不对检测文献定性，只是将检测文献中与其他已发表文献中的雷同部分陈列出来，列出客观事实，而这篇检测文献是否属于学术不端，需专家做最后的审查确认。在网上找了一篇文章——《论文查重算法和修改攻略》，你认真看完之后，肯定有所帮助。现在高校对于硕士和博士论文采用的检测系统，是由知网开发的。但该软件的具体算法，判定标准，以前一直不清楚，本文是从知网内部工作人员哪里拿到的，揭示了知网反抄袭检测系统的算法，如何判定论文是抄袭，以及如何修改来通过的秘籍。发出来造福大家。 1、对格式的要求 知网学位论文检测为整篇上传，格式对检测结果可能会造成影响，需要将最终交稿格式提交检测，将影响降到最小，此影响为几十字的小段可能检测不出。都不会影响通过。系统的算法比较复杂，每次修改论文后再测可能会有第一次没测出的小段抄袭（经2 年实践经验证明，该小段不会超过200 字，并且二次修 改后论文一般会大大降低抄袭率） 2、对比库 对比库为：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,个人比对库,其他比对库, 部分书籍不在知网库，检测不出抄袭。知网库是国家指定的论文检测对比库，国家指定高校论文检测系统为知网学位论文检测系统，该系统是目前效果最好、范围最广的官方检测系统，所有高校都是知网的检测系统，这是教育部出于全国学术不端公平性考虑而实施的。 3、关于分段和分章出结果 上传论文后，系统会自动检测该论文的章节信息，如果你学校的目录设置符合知网系统内置的分章判断条件，系统就会按章检测，分章出结果，否则会分段出结果。关于分段或分章主要涉及4 中的阀值。诚信论文提醒，不论是分章还是分段，保持和学校一致即可。 4、引用的能检测出来吗？ 有的同学问：“我明明引用了别人的段落或句子，为什么没有检测出来？”也有的同学问：“我的引用标注了出处，为什么还算抄袭？”首先，引用算不算抄袭，与标注出处没有任何关系，引用能不能检测出来，与系统准不准确也没有关系。所有这些都靠系统的阀值来决定。中国知网对该套检测系统的灵敏度设置了一个阀值，该阀值为3%，以段落（或章节）的字数来计算，单篇文献低于3%的抄袭或引用是检测不出来的，这种情况常见于大段文字中的小句或者小概念。举个例子：假如检测段落1（第一章）有10000 字，那么引用A 文献300字（10000 乘以3%=300）以内，是不会被检测出来的。若引用B文献超过300字，那么B文献分布于第一章中的抄袭都会被红字标注，不管位于第一章何处，即使打断成句子，只要超过20字就会被标注。①实际上这里也告诉同学们一个修改的方法，就是对段落抄袭千万不要选一篇文章来引用，尽可能多的选择多篇文献，一篇截取几句，这样是不会被检测出来的。②关于一些同学问引用的为什么也算抄袭，这里主要是因为知网的阀值问题，高于3%的统一算抄袭，也就是说引用于抄袭的临界就在3%之间。一旦你超标，即使你标注了引用也无济于事。所以请同学们注意。我们举例说明：某篇论文第一章有5000 字，那么第一章中，我们就只能引用A文献150 字以下，否则会被系统认为是抄袭。第二章4000 字，那么我们只能引用A 文献120字以下，否则会被系统认为是抄袭。第三章8000 字，第四章7000 字，分别为240 字以下和210 字以下，以此类推。综上所述，引用超标的计算方式是按章计算，这与抄袭的计算方式是一样的。 5、系统对一句话怎么才算抄袭？ 一篇论文的抄袭怎么才会被检测出来？知网论文检测的条件是20字单位以上的相似或抄袭都会被红字标注，但是必须满足4里面的前提条件：即你所引用或抄袭的A 文献文字总和在你的各个检测段落（各章）中要达到3%。 6、抄袭的修改方式针对标红文字的修改方式除了3中提到的外，还有改词、换句、改变描述方式（变原句为倒装句、被动句、主动句等）、打乱段落顺序、删除关键词汇、关键句等。经过实践证明，使用以上方法结合，可有效降低复制比，保证顺利通过。总体来说，我们需要在保证修改后句子通顺的前提下，尽量和原句在字面上保持不同。 例1：例如下句：过热故障中的过热与变压器正常运行下的发热是有区别的，正常运行时的其发热源来自于绕组和铁芯，即铜损和铁损，而变压器过热故障是由于受到有效热应力而造成的绝缘加速劣化，它具有中等水平的能量密度。几乎被标红，说明与相似文献存在重合和高度相似，经过以上方式结合，本句可改为： 过热故障中出现的过热容易与变压器正常运行下的发热相混淆，后者是因为其绕组和铁芯会出现铜损和铁损的现象，这是正常运行过程中的发热，而变压器过热故障是受到有效热应力造成的绝缘加速劣化。① 这里所指的300 字是一个大概值，并非临界值。引用的数量越低，就越不容易被检测出来。② 更新以后的CNKI 学术不端检测系统将这一阀值调整到了3%，以前是5%，意味着检测系统对引用的要求更加严格，但运用我们后面提到的方法也不是很难。具有中等水平的能力密度。这样修改几乎可以降低抄袭率一半。 例2：在看下面一个例句： 在透明水杯的清水中放入少量纤维进行搅动，便可以直观地发现纤维呈立体悬浮状乱向分散，且长时间放置都不会有太大变化，说明合成纤维的质量较好；质量差的纤维经搅动后可能分散，但时隔不久便会上浮为一絮状层。质量差的纤维在混凝土的实际配制过程中多不易均匀分散。本段完全被标红，修改方式只有一种，就是打乱顺序，重新组织。 将少量纤维放入盛装清水的透明容器中，边搅动边观察纤维变化情况，如果合成纤维质量较好，那么就可以直观地看到纤维呈立体悬浮状分散，随着时间的推移，位置也不会发生明显的变化；若合成纤维质量较差，那么搅动的过程中，纤维可能分散，并且容易上浮形成絮状层。质量差的纤维在混凝土的实际配制过程中多不易均匀分散。 例3：下句：对施工单位或业主提出的设计变更要求要进行统筹考虑，确定其必要性，同时将设计变更对施工工期和费用的影响进行全面分析，非改不可的要调整施工计划，以尽可能减少对工程的不利影响。修改为：施工单位或业主一旦提出设计变更要求，要进行统筹考虑，考察变更的必要性，同时，将设计变更对施工工期、费用等方面可能造成的影响进行全面而科学的分析，遇到非改不可的变更要调整施工计划，尽可能将其对工程的不利影响降到最小。
看你检测要求的高低要求，低点的万方，高点的知网，但是都要钱，要求不高的话，万方便宜，淘宝买个账号，我就是这样下面是从网上摘抄的，希望你满意!现在提供论文检测的机构主要来源于三大中文期刊数据库，即中国知网论文检测系统，万方论文相似性检测系统，维普通达检测系统。现在应用较多的是中国知网和万方的检测系统，但是两者都不是免费的，只有维普通达注册后可以免费检测三次。介于此考虑，我在网上收集了一下，提供免费检测论文的几个网站。虽然与权威检测机构的检测结果不一定完全一致，但肯定对论文的修改是有一定帮助的。1 维普通达检测系统 第一次成功充值之后即赠送第一次充值额度10%的积分，截止到4月1日，先注册先得哦。维普通达检测系统是继中国知网和万方后，又一个拥有海量期刊文献系统支持的论文防抄袭检测系统，他的检测结果较其它网站，更为权威。个人建议使用该系统。维普通达检测系统是继中国知网和万方后，又一个拥有海量期刊文献系统支持的论文防抄袭检测系统，他的检测结果较其它网站，更为权威。个人建议使用该系统。该系统是国内除知网外，唯一支持英文论文检测的。2PaperPass Org 论文通行证系统推出免费试用功能，通过您的手机号码即可申请。申请成功后，您将免费获得3000字的检测量（每个手机限申请一次）。注：由于服务器服务能力有限，网站每天（从零点计算）提供1000个用户申请免费试用，申请完为止。据反馈，该系统比较严格，如果能通过该系统检测，一定会通过学校知网检测。网站诞生于2007年，是全球首个中文文献相似度比对系统，运营三年来，已经发展成为最权威、最可信赖的中文原创性检查和预防剽窃的在线网站。目前在用检测版本是汲取了大量的用户意见后开发的，更新了比对算法，比对的效率和准确率大大提高，另外还增加了上传文件、下载报告、引用率统计等实用功能。我们将继续贴近用户需求，升级比对算法，为用户提供更为专业的论文原创性检测服务。3 知识产权卫士-拷克网拷克网成立于2009年，是专业的内容抄袭智能检测平台服务商，成立以来一直执行 “技术领先战略”，开创了具有国际领先水平的核心、高端、基础技术---互联网在线中文智能抄袭检测技术，作为一家拥有领先技术的服务商，我们致力于通过对技术的创新和应用，来满知识版权组织和个人的需要。公司的技术核心是内容抄袭智能检测技术研究，以分词技术为基础，以结构智能方法论为指导，开发出文本语义结构化引擎、版式语义结构化引擎、行为语义分析引擎，由此构建了互联网内容抄袭智能检测服务平台。该服务平台主要提供：网站监控、数据萃取、信息标引、情报发现与分析、知识网络、行为语义分析等在线服务。4 论文检测大师只支持 doc 类型文件上传！提交您的有效论文，请不要上传无用文档，每个IP仅有2次检测机会，您的检测结果将以word文档的方式发送到您的邮箱里。5 中国搜文章照妖镜文章照妖镜不但可用来分析文章抄袭的程度，而且可用来检测自己的博客文章被别人复制、被别人疯狂传播的程度，帮你保护你博客的版权。
维普论文检测系统是中国三大论文检测数据库提供方之一。90%以上用的是知网的为准，维普用的高校比较少。相对而言维普的没有知网数据库全。他们的对比数据库不同，检测原理也有差别，因此他们的检测结果也没有可比性。主要还是看你学校以哪个为准，知网你可以到图书馆查重，也可以到一些知网自助查重网站：PaperEasy，学术不端网，蚂蚁查重网等。全程自己操作，也安全快速！