发布时间：
如何降低论文查重率呢?下面PaperPP查重系统为大家分享一些小技巧。
降低重复率首先是改变词语，其次是改变描述方式。
1、添加
所谓添加就是将在不改变句子整体意思的情况下，添加句子成份，例如“XXX认为考取研究生非常必要。”假如“考取研究生”这个词是重复的，那么这个句子的重复率就非常高，但我可以通过添加句子，如:“XXX认为考取研究生非常必要，这已经成为我们的共识。”，通过增加新的内容，句子的重复率就可以降低。
2、调整
所谓调整就是把词语、语序调整一下，主动句和被动句互换等，在保持句意不变的前提下进行句子变换的方法。例如：“XXX是个学霸。”可以修改为:“学霸是无处不在的，如我们身边的XXX，正是这样一个人。”假如新添加的内容或者新的表达方式没有和其他文章重合，那就成功地把重复率降下来了。
3、词语修改
“共识”改成“众所周知”;“众所周知”改成“我们大家都知道的是……”;“我们大家都知道的是……”改成“对于这样一个事实，我想大家都不会否认…”;“对于这样一个事实，我想大家都不会否认……”改成“在当前的中国社会/xx界/xx环境下/xx条件下，有一个已经广受采纳的观点，即……”。当然，论文核心词不要改，也无法修改，尽可能在无关紧要的语句上改动。
查重可以用PaperPP，知网虽然好，但是不对个人开放，某宝上的基本上都是假的，希望大家注意。
论文查重标准重复率在10%-30%之间，不同学校查重率要求有一定差异，我们可以根据学校要求查重率来进行针对性江红，降重方法主要有以下几种。 1.文章的段落和格式变化。 论文检测基本上都是上传整篇文章，上传之后，先将论文检测软件分割成一部分，最后提交的稿件格式会严重影响抄袭率。对各段进行划分可能会导致无法检测到几十个单词的小段落。 2.数据库。 论文多半是针对已经可以发表的毕业设计论文，期刊论文，还有工作会议论文的独臂，有些数据库中还含有网络上的部分文章。下面就为大家介绍一下，很多图书都没有包含在数据库中。一个以前的朋友从一本书中摘录了大量的文字，但是还没有得到证实。可见，这种教学方法仍然是一个有效的。 3.章节转换。 许多人都会将论文章节顺序更改，或抽取不同章节来拼写，这对抄袭检测的效果几乎没有影响。多篇文章进行组合，可能可以让文章重复率降低。 4.参考文献标注。 在检测软件中，引用他人的文章和抄袭他人的文章我们需要进行标注。实际上也是非常简单，我们的论文中加入了一个参考相关文献的引用符号，这样查重系统就可以识别不计算全文查重率。 5.字数匹配。 论文进行抄袭检验管理制度发展相对较严格，只要我们多于12字符重复匹配，即视为抄袭。我们在写论文的时候，要规避与别人论文连续重复。
建议使用论文查重报告针对性进行修改降重，如果学生在论文查重后重复率太高，可以查看论文查重报告单中的信息，查重报告单中会详细标明论文中有哪些部分为重复内容，在查重中，查重报告单中会以红色字体显示重复部分，因此建议学生根据报告单中标红的部分来对论文进行修改，全部修改后即可降低论文重复率。
PaperPP查重系统总结了以下几种方法，希望能帮到你：
如果在写论文时参考了他人的语句或者观点，那么一定不要大段的进行复制。复制虽然能够快速达成目的，但是这样的文章必定会不合格。因此，将他人的语句用自己的话来进行复述一遍，重复度就会大大降低。值得注意的是，重述并不是文字的堆砌，也不是句意的来回颠倒，而是在理解的基础上用自己的话重新组织一遍，变成专属于自己的风格和思想。一般来说，这种做法最为保险，而且重述过的语言组织已经发生了本质变化，所以在论文查重上会比较容易过关。
在任何一篇论文中，参考文献都是核心部分。如果在原文中大量的引入参考文献，但却没有将格式进行编排。在查重时，系统软件会将这些参考的部分列入到审查范围之内，那么大段飘红的情况就会经常出现。因此，在写论文的时候，一定要按照学校固定的模板来进行撰写。如果有些参考资料仍然出现无法识别的情况，那么完全可以将其转化成图片或者表格的形式，这样就不会出现重复率过高的情况。
实际上，无论是纯原创的还是东拼西凑的论文，都是无法保证重复率合格的。因此，最好的降重方法就是将自己的论文先进行一遍检测，根据结果来进行修改。这样的做法非常具有针对性，而且能够保证修改的效率。只要是重复度过高的句子和段落，只要将其复述或者换一种方式来表述，那么这些文字的重复率将会得到有效的降低。
以上三种方法是如今论文降重中比较常用的。虽然这些方式看起来比较简单，但是在真正的修改过程中必定会非常辛苦。只要这个过程能够坚持下来，那么论文重复度过高的问题就能够迎刃而解。
提示：如果不知道如何进行修改降重，可以用PaperPP的智能降重试试，查重有免费字数可以用。
第一，检查论文格式，避免论文查重率变高。一篇论文包括很多内容，但是查重系统并不会每一部分内容都检测。同学们所要注意的是论文参考文献、目录等部分内容的格式，很多人论文检测时这些部分内容被标红，还不知道原由。
第二，选择合适的查重系统。市面上的论文查重系统很多，不要盲目从众的选择查重系统，适合别人的不一定适合你。要依据自身的需求选择查重系统，例如，论文类型比较偏冷门的，建议选择知网，知网收录的数据比较全。论文是期刊类的，建议选择维普检测系统；论文是医学方面的，建议选择万方论文检测系统。想要论文检测结果最准确，建议选择学校指定查重系统。
第三，了解学校查重规定。每个学校对于论文查重的规定都是不一样的，切不可想当然的将别人学校的查重标准认作自己学校查重标准。
第四，查重时间。论文查重是一个很繁琐的过程，建议尽早查重，避免因为论文查重率不合格而延误毕业时间。
每年毕业季，每个应届毕业生都需要准备论文写作的相关事宜。除了完成论文写作，还需要在导师的指导下对论文进行多次查重和修改。论文查重多少过关？接下来介绍一下。 一、论文查重多少过关？ 1.不同学校对毕业论文的要求不同，这也要求我们仔细核对学校的通知。但通常本科毕业论文的查重率只要控制在30％就符合标准。 2.研究生毕业论文大多要求查重率控制在15％以内。对于要求宽松的大学，要求研究生毕业论文的查重率保持在20％以内。 3.至于博士生毕业论文，其要求无疑是最严格的，论文查重率不得超过10％。如果是要求更严格的大学，要求查重率不得超过5％，这也对博士生提出了相当高的要求。 二、论文查重要提交哪些内容？ 1.论文涵盖了很多方面，其中正文，即绪论。这个结论和结论必须查重。至于其他内容，如目录、附录、参考文献、摘要等。是否需要查重是根据学校的要求确定的。查重前要仔细看学校的通知。 2.论文的段落、格式、章节等。也是论文查重系统在测试时的识别和比较。查重系统的规则大多是在查重时将整篇论文分为不同的段落和句型，然后对比计算查重率，最后综合计算整篇论文的查重率，得论文的查重报告。
1、注意论文的格式毕业论文查重是需要特别看重论文格式的，因为系统检测是机器检测的，所以也会提前设置好格式，那么在论文查重前是需要我们弄清楚格式是否正确，符合要求。只要按照学校的要求提交，并且保证论文格式没有问题，那么检测结果也是比较准确的。2、注意论文检测的结果毕业论文查重是需要多次检测的，因为在不同时间检测的结果也是有所区别的鱿鱼系统数据库和算法都是完全不同的，而且有的系统数据库每天都在更新，所以事隔几天再检测同一篇文章，可能得到的结果也是不同的3、注意重复率的范围毕业论文查重需要我们重点关注重复的内容，许多高校都会设置重复率标准，所以我们在写论文时需要去查阅文献作为证据。有时候需要我们去引用一些文献资料，学校也会按照实际情况来判断重复率的问题，这也就要求我们在检测前需要弄清楚学校要求的重复率，范围是多少？如果高于这个范围，那么就是不达标的。不同学校对于重复率的要求都是不同的，有的要求比较宽松，有的就显得比较严格了。1.写论文时，不要把重点放在检测上。写作时，不要让你的论文查重限制自己的想法。单词方面最好要比论文要求的字数高。2.论文查重时，一定要注意自己的信息安全。3.不要一味地照搬教科书上的内容，尤其是一些经典理论已被大量使用。4.不要用一个软件进行翻译，注意论文的语句一定要简洁易懂。5.在知网举行论文查重时，尽管只查正文部份，有些时候表格也可以进行识别，所以最好是将表格截图后放在论文里面。6.引用参考文献时也要计算重复率，因此，在引用他人文学作品时，可以用自己的话进行重写。7.外文文献，在已知网的数据库中存储很少。应多阅读外国文献，多学习国外先进的科学知识、工程技术，并在翻译中运用到你的论文中去。
首先在对论文进行查重前，就要选择一款最适合自己的查重系统，然后按照流程将论文上传再提交进行检测。我们要清楚的是，论文是以文档上传进行查重的话图片与部分数据公式是不会被识别检测的，所以我们去复印和粘贴的时候，只需要把毕业论文里面的文字全部粘贴到检测区就可以了。还有一点就是整篇文章毕业论文的分量不是全部的，有一定的专业术语。专业术语的出现是不可避免的，那么必然会有反复，并不存在回避的情况。
其次大部分人会问问怎么做，这种重复应该如何应对？实际上我们无需过度担心，一篇论文查重率完全没有的概率是很低的。还有就是在大量引证数据库查询时，总有一项是毕业论文查重内容必须查重率，也就是只有不超过学校规定的查重率才能查到。语句中重复数字的字符，会显示内容是重复的。所以，大家一起来放心专业名词的运用。除了这些，还需要了解再次查重毕业论文并非所有毕业论文的一致质疑。相对来说，论文查重系统会根据每一章进行细致的区分度，每一章都进行检测。即使是自己的章节目录，每一章的题目都会有疑问，所以不能抱侥幸心理，卷面格式一定要对。
毕业论文写作的时候应该注意:1 ，论文的格式问题2，论文的重复率3，论文的要求是否达标
本科毕业论文需要注意什么在写本科毕业论文的时候一定要论点论据要明确
1、格式严格照要求来；2、逻辑清晰，辩证完整，不要写毫无关系的内容；3、亮点突出，并做好应对答辩的准备。
毕业论文常见的问题通常都是写作的过程中出现的语法问题，还有标点符号的错误，这是最明显的错误，是需要我们严格控制的问题。
当毕业季节即将结束，对很多在校大学生而言，完成毕业设计论文是一个十分艰难的时期，由于马上就要进行实习学习，她们迫不得已需要应对学习和就业的双层压力。四处找个工作的同时还要进行你的毕业设计论文。毫无疑问，毕业设计论文是不仅仅并在短期内能完成，要花些时间搜集信息内容和撰写的。导致同学并没有发撰写论文的时间，但是又不得不必需进行下去。为了圆满大学毕业，同学们在完成论文的时候，四处找寻资源内容，因此抄袭是常常产生的。但是大学又有确立的标准，即毕业论文的查重率应当在论文答辩前开展检验，这能够说成一个关键因素。因此你必需合乎大学的规定，如果毕业论文没有通过，是不可以报名参加答辩的，这会延迟大学毕业。要是抄袭太比较严重，大学将撤销学士学位。在这里我提示大学毕业生在撰写论文时，必需保证她们合乎大学规定的检验率。是能够参照别人的毕业论文的，但同学们必需将别人的物品变为自个的物品，就是我们最常说的用自己的话说。从上边能够看得出，毕业论文进行后，论文查重是一个十分关键的流程。因而，许多人会问，论文查重的查重率的要求是多少？实际上，每一所大学是有差别的，这是有不一样的要素决策的，如大学的水准，你的文化教育水平，及其优良的导师导致的查重率规定都是更为严苛。1.本科论文。要是本科论文的查重率小于30%，你能申请办理论文答辩，要是15%以下，你能申请办理优秀论文，要是小于10%，你能有可能成为校园一级优秀论文，但要是超出20%将让你一个准备的过程，而且有个期限(不超出5天)，要是修改案不获根据，将给予增加。2.硕士论文。要是硕士论文的查重率小于20％，您能够立即申请办理答辩。要是超出50％，大学毕业将延迟大半年。3.博士论文。博士研究生论文重复率在15%下列的，能够申请办理论文答辩，30%左右的，能够立即推迟6六个月甚至是一年。最终，人们应当了解查重网站对查重率的危害，怎么正确选择论文查重软件？并且每一大学的论文查重系统软件是不一样的。
下面是整理的论文查重修改技巧，欢迎参考。
论文抄袭检测算法：
1.论文的段落与格式
论文检测基本都是整篇文章上传，上传后，论文检测软件首先进行部分划分，上交的最终稿件格式对抄袭率有很大影响。不同段落的划分可能造成几十个字的小段落检测不出来。因此，我们可以通过划分多的小段落来降低抄袭率。
2.数据库
论文检测，多半是针对已发表的毕业论文，期刊文章，还有会议论文进行匹配的，有的数据库也包含了网络的一些文章。这里给大家透露下，很多书籍是没有包含在检测数据库中的。之前朋友从一本研究性的著作中摘抄了大量文字，也没被查出来。就能看出，这个方法还是有效果的。
3.章节变换
很多同学改变了章节的顺序，或者从不同的文章中抽取不同的章节拼接而成的文章，对抄袭检测的结果影响几乎为零。所以论文抄袭检测大师建议大家不要以为抄袭了几篇文章，或者几十篇文章就能过关。
4.标注参考文献
参考别人的文章和抄袭别人的文章在检测软件中是如何界定的。其实很简单，我们的论文中加了参考文献的引用符号，但是在抄袭检测软件中。都是统一看待，软件的阀值一般设定为1%，例如一篇文章有5000字,文章的1%就是50字，如果抄袭了多于50，即使加了参考文献，也会被判定为抄袭。
5.字数匹配
论文抄袭检测系统相对比较严格，只要多于20单位的字数匹配一致，就被认定为抄袭，但是前提是满足第4点，参考文献的标注。
论文查重修改技巧大全：
方法一：外文文献翻译法
查阅研究领域外文文献，特别是高水平期刊的文献，比如Science，Nature，WaterRes等，将其中的理论讲解翻译成中文，放在自己的论文中。
优点：1、每个人语言习惯不同，翻译成的汉语必然不同。因此即使是同一段文字，不同人翻译了之后，也 不会出现抄袭的情况。2、外文文献的阅读，可以提升自身英语水平，拓展专业领域视野。
缺点：英文不好特别是专业英文不好的同学实施起来比较费劲。
方法二：变化措辞法
将别人论文里的文字，或按照意思重写，或变换句式结构，更改主被动语态，或更换关键词，或通过增减。当然如果却属于经典名句，还是按照经典的方法加以引用。
优点：1.将文字修改之后，按照知网程序和算法，只要不出现连续13个字重复，以及关键词的重复，就不会被标红。2.对论文的每字每句都了如指掌，烂熟于心，答辩时亦会如鱼得水。
缺点：逐字逐句的改，费时费力。
方法三：减头去尾，中间换语序
将别人论文里的文字，头尾换掉中间留下，留下的部分改成被动句，句式和结构就会发生改变，再自行修改下语病后，即可顺利躲过查重。
优点：方便快捷，可以一大段一大段的修改。
缺点中文没学好的，会很费劲，要想半天。
方法四：转换图片法
将别人论文里的文字，截成图片，放在自己的论文里。因为知网查重系统目前只能查文字，而不能查图片和表格，因此可以躲过查重。
优点：比改句序更加方便快捷。
缺点：用顺手了容易出现整页都是图片的情况，会影响整个论文的字数统计。
方法五：插入文档法
将某些参考引用来的文字通过word文档的形式插入到论文中。
优点：此法比方法四更甚一筹，因为该方法日后还可以在所插入的文档里进行重新我，而图片转换法以后就不便于再修改了。
缺点：还没发现。
方法六：插入空格法
将文章中所有的字间插入空格，然后将空 格 字 间距调到最小。因为查重的根据是以词为基础的，空格切断了词语，自然略过了查重系统。
优点：从查重系统的原理出发，可靠性高。
缺点：工作量极大，课可以考虑通过宏完成，但宏的编制需要研究。
方法七：自己原创法
自己动手写论文，在写作时，要么不原文复制粘贴;要么正确的加上引用。
优点：基本上绝对不会担心查重不通过，哪怕这个查重系统的阈值调的再低。
缺点：如果说优缺点的话，就是写完一篇毕业论文，可能会死掉更多的脑细胞。
论文查重修改的规律：
查重是一个匹配的过程，是以句为单位，如果一句话重复了，就很容易判定重复了，所以：
1)如果的确是经典的句子，就用上标的尾注的方式，在参考文献中表达出来。
2)如果是一般的引用，就采用罗嗦法，将原句中省略的主语、谓语、等等添加全，反正哪怕多一个字，就是胜利。
3)也可以采用横刀法，将一些句子的成分，去除，用一些代词替代。
4)或者是用洋鬼子法，将原文中的洋名，是中文的，就直接用英文，是英文的直接用中文，或是中文的全姓名，就用中文的名，如果是中文的名，就找齐了，替换成中文的姓名。
5)故意在一些缩写的英文边上，加上(注释)(画蛇添足法)，总之，将每句话都可以变化一下，哪怕增加一个字或减少一个字，都是胜利了。
6)如果是引用，在引用标号后，不要轻易使用句号，如果写了句号，句号后面的就是剽窃了(尽管自已认为是引用)，所以，引用没有结束前，尽量使用分号。有些人将引用的上标放在了句号后面，这是不对的，应该在句号之前。
7)可以将文字转换为表格、表格基本是查重不了的，文字变成图形、表格变成图形，一目了然，绝对不会检查出是重复剽窃了。
虽然大家知道毕业论文要查重，但是真正去了解过并且熟悉论文查重的同学很少？今天小毕就来科普一下，来和大家聊一下，论文查重的标准。
注册一个论文检测系统的会员，例如paperrater论文检系统，然后粘贴复制就行啦
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 ：
作为计算机视觉三大任务（图像分类、目标检测、图像分割）之一，目标检测任务在于从图像中定位并分类感兴趣的物体。传统视觉方案涉及霍夫变换、滑窗、特征提取、边界检测、模板匹配、哈尔特征、DPM、BoW、传统机器学习（如随机森林、AdaBoost）等技巧或方法。在卷积神经网络的加持下，目标检测任务在近些年里有了长足的发展。其应用十分广泛，比如在自动驾驶领域，目标检测用于无人车检测其他车辆、行人或者交通标志牌等物体。
目标检测的常用框架可以分为两类，一类是 two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是 one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表。
Two-stage的方式面世比较早，由于需要将兴趣区域检测和分类分开进行，虽然精度比较高，但实时性比较差，不适合自动驾驶无人车辆感知等应用场景。因而此次我们主要介绍一下SSD和YOLO系列框架。
SSD与2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 一文中提出。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确。
SSD的框架在一个基础CNN网络（作者使用VGG-16，但是也可以换成其他网络）之上，添加了一些额外的结构，从而使网络具有以下特性：
用多尺度特征图进行检测 作者在VGG-16后面添加了一些特征层，这些层的尺寸逐渐减小，允许我们在不同的尺度下进行预测。越是深层小的特征图，用来预测越大的物体。
用卷积网络进行预测 不同于YOLO的全连接层，对每个用于预测的 通道特征图，SSD的分类器全都使用了 卷积进行预测，其中 是每个单元放置的先验框的数量， 是预测的类别数。
设置先验框 对于每一个特征图上的单元格，我们都放置一系列先验框。随后对每一个特征图上的单元格对应的每一个先验框，我们预测先验框的 维偏移量和每一类的置信度。例如，对于一个 的特征图，若每一个特征图对应 个先验框，同时需要预测的类别有 类，那输出的大小为 。（具体体现在训练过程中） 其中，若用 表示先验框的中心位置和宽高， 表示预测框的中心位置和宽高，则实际预测的 维偏移量 是 分别是：
下图是SSD的一个框架，首先是一个VGG-16卷积前5层，随后级联了一系列卷积层，其中有6层分别通过了 卷积（或者最后一层的平均池化）用于预测，得到了一个 的输出，随后通过极大值抑制（NMS）获得最终的结果。
图中网络用于检测的特征图有 个，大小依次为 ， ， ， ， ， ；这些特征图每个单元所对应的预置先验框分别有 , , , , , 个，所以网络共预测了 个边界框，（进行极大值抑制前）输出的维度为 。
未完待续
参考： chenxp2311的CSDN博客：论文阅读：SSD: Single Shot MultiBox Detector 小小将的知乎专栏：目标检测|SSD原理与实现 littleYii的CSDN博客：目标检测论文阅读：YOLOv1-YOLOv3（一）
作者的其他相关文章： 图像分割：全卷积神经网络（FCN）详解 PointNet：基于深度学习的3D点云分类和分割模型 详解 基于视觉的机器人室内定位