参考文献查重标红避免方法有严格按照学校的格式来进行修改，注意引文数量不要太多，提前查重进行处理等。
1、严格按照学校的格式来进行修改。
引用一定的内容是没有问题的，但需要根据格式进行修改调整，不然的话也是会出现比较严重的问题，因为论文查重系统进行论文引用参考文献查重检测的时候是，是没办法识别格式的，那么肯定是会导致出现论文查重率比较高的，所以是要根据学校的要求标准进行修改调整的，引用内容是要把格式修改好的，这样才不会被标红。
2、注意引文数量不要太多。
其实论文中出现一定的引用内容是没有问题的，只是不可以大面积引用，要是真的出现了很多引用内容的话，就算论文引用参考文献的格式正确的，还是会被标红的，所以是要合理进行引用的。
3、提前查重进行处理。
论文引用参考文献查重有问题的话，提前进行修改调整即可。要是真的是因为格式不对的话，那只要进行格式方面的修改调整就可以了，但要是真的是论文引用内容太多的话，肯定是要做好基础的修改调整工作的，尽可能在不改变全文字数和段落的情况下进行这个调整，这样就会比较容易降低论文检测查重率。
写论文的时候需要参考资料，其实引用一些句子很正常。但有时被引用部分很难通过论文查重。论文查重的主要目的是防止学生在网上直接抄袭论文。那为什么查重时论文引用被标红？一、论文引用为什么被标红？1、在撰写论文的过程中，引用了很多别人的论文。写论文引用别人的句子是很常见的，但是不能引用太多。而且应该在引用后添加注释，这样论文查重系统执行重复检查时就会知道引用部分。2、如果自己写的论文和发表的论文在版面、内容、结构上有60%的相似度，就叫抄袭。如果和发表的论文在内容上有70%的相似度，也会被称为抄袭。3、有时，学生在引用文献时知道要注释，但格式增加了错误或书面参考文献有错误。被查重检测系统检查时，也会标红。4、有些文献观点可以引用，只要加注释就可以。二、引用怎么处理？如果论文引用过多，往往会在论文查重中被检测为抄袭，这样论文的重复率会变高。事实上，只有论文引用的部分是合理的，基本上不会被查抄袭，所以正确的格式和标注才是避免被标红的方法。其次，注意合理引用，不要用无关的引用来凑字数。总之，在毕业论文的引用部分，做好标注并注意，合理引用就不会有问题了。
论文引用了还被标红的原因需要排查如下问题：
1. 有明显的“参考文献”标记，参考文献4个字独占一行，下面 是各个参考文献条目；
2. 每个参考文献有明显的标号，标号可以是以下任意一种：【Num】、[Num] 、(Num)；
3. 标号可以是Word自动生成也可以手工书写；标号内不要添加标点符号，例如：不要[Num.]或(Num、)等；
4. 每个参考文献中最好有时间信息或者URL或《》书目信息；
5. 一条参考文献内及在此条参考文献没有结束时不要有手动换行或者回车符 （即顺其自然，满行后会自动换行，请勿人为！）
在写论文过程中引证文献是在正常不过的事情了，在写作之前要阅览很多的 文献，了解行业界学科发展的状况，这本身也是常识积累和学习的一个过程，因此，只要作者在写论文 的时候，用正确的引用格式，且引用的部分不是很大就不会有影响。
知网论文查重会自动识别为引用部 分，以绿色字体标注。但是一定要注意的是，引用过程中绝对不能大片的引用，因为也会被检测为抄袭 。用户进入中国知网后，在首页的检索栏中输入想要引用的参考文献，之后点 击操作下方的引用按钮，即可直接引用对应参考文献的格式，也可以点击下载导出至用户电脑中。
参考文献格式正确的话，那么会被中国知网论文查重系统识别和过滤。呈灰色字体，不参与论文查重中来。如果遇到知网查重里的参考文献标红的情况，那么原因不外乎两个：1、使用了假的中国知网论文查重如果使用了假的知网查重，那么自然无法对参考文献进行有效的识别。那么知网查重的参考文献被标红也就不足为奇了。在这里我们要学会验证真伪的方法。详情可以看知网查重宝典之前分享的文章《》。2、参考文献的格式不正确毕业论文的参考文献格式有误，造成中国知网无法甄别该一部分论文参考文献，当成文章注释内容对待，事实上，若该一部分参考文献式适当就会被知网检测甄别，从而不容易列入检测层面以内。一般来说按照学校的参考文献格式设置就没有问题。
如果学校没有给出格式要求，并且参考文献标红，那我们可以按照以下方法设置正确的文献格式：1. 有明显的“参考文献”标记，参考文献4个字独占一行，下面是各个参考文献条目；2. 每个参考文献有明显的标号，标号可以是以下任意一种：【Num】、[Num]、(Num)；3. 标号可以是Word自动生成也可以手工书写；4. 标号内不要添加标点符号，例如：不要[Num.]或(Num、)等；5. 每个参考文献中最好有时间休息或者URL或《》书目信息；6. 一条参考文献内及在此条参考文献没有结束时不要有手动换行或者回车符。
参考文献部分为什么在论文查重报告中标红？正常来说引用和参考文献部分在论文查重系统中是不会被标红的，但前提是参考文献的格式是正确的，这样才不会被参与到正文的查重检测中，这样的话也就不会被标红了。数据库正常是会把参考文献收录到里面的，所以无论是论文的题目还是内容都是会重复的，参考文献这部分是比较特殊的内容，查重系统正常是会除去论文末尾参考文献部分然后进行查重检测的，然后用灰色的字体表示没有检测。那导致论文查重报告中的参考文献部分标红的原因是什么呢？
原因一：也许是因为论文格式不正确的问题。参考文献这几个字是需要单独占一行的，而且只能显示参考文献的是不可以和其他内容混一起加进来的，然后要按照学校要求格式标准弄好，不然的话知网查重系统是无法识别出参考文献的。
原因二：论文查重系统是只有知网查重系统可以比较好的识别出参考文献部分的，其他的论文查重系统的识别度是没有知网高的，因此是无法除去参考文献的查重检测的，所以同学们不要奇怪为什么知网查重系统没有标红的部分在其他的论文查重系统就标红了。
所以导致论文查重报告中的参考文献部分标红的原因就是这两点，不过第一点是重要的，所以大家一定要按照论文的格式要求来进行论文的撰写，这样的话就可以避免论文中参考文献部分被标红了。
如果你的参考文献格式正确那么系统会自动识别并且剔除不参与正文查重。参考文献标红就说明你的格式有误。系统把你的参考文献当正文来对比查重了。希望可以帮到你，有问题随时追问我吧。
应该 是格式不正确，知网的算法会根据格式去判别是否属于参考文献的，另外参考考文献的格式尽量不要用工具生成啊
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
最主要是改红色的部分吧，因为我在paperfree查的是说红色部分的相似度是80%以上的，其次才是黄色部分的。按自己的语句去改，还是不要借鉴和抄袭别个的。因为都有可能会检测出来！
当我们在查重系统中进行查重时，查重结束后，查重系统会为我们提供详细的查重报告，这是非常有价值的。比如paperfree论文查重报告，根据这份查重报告，你可以修改论文。完成毕业论文的写作后，学生还需要查重论文，论文的重复率直接决定了你能否参加论文答辩。进行论文查重会得到详细的查重报告，论文查重报告会详细的标注哪里重复以及重复率是多少，一般分为三种颜色标注，即红色、黄色和绿色。红色部分代表重复率比较高，黄色部分代表重复率偏高，绿色部分代表正常，没有跟别人重复。 如果论文查重报告中黄色部分很多，虽然黄色部分代表的查重率不是很高，但是很多黄色部分组成起来，也会造成论文查重率较高。每个人都必须修改标记黄色的部分。可以重新排列重复的句子，加入一些自己的想法，这样可以达到降低论文重复率的效果。如果黄色部分有些实在无法修改，我们可以通过截图插入的方法，目前论文查重系统对图片识别能力比较差，可以通过这种方法进行降重。在降低论文重量的过程中，每个人肯定会有很多新的想法，可以修改论文中的不足，提高论文的质量。
1.红色代表查重检测结果重复比在50％-100％之间或者重复文字大于10000字。2.绿色代表没有检测到重复数据，这一部分可以不用修改。3.黄色代表检测到句子的重复比在0％-40％之间或者大于1000字。4.橙色代表检测到句子的重复比在40％-50％之间或者重复的文字在5000字。
首先，可以使用“同义词转换”的方法。把句子中的重复的词语用同义词或者近义词替换就行，但是在使用这个方法时，切不可盲目的去替换，要注意语句的逻辑得是合理的，做到统揽全局，使上下文的层次结构是对的。如果论文查重率过高的话，不建议使用此方法，因为效果不大。
其次，可以使用“句子转述”的方法，将重复率高的句子换一种方法表述，改变句子的表达方式和段落结构，但是前提是得保证语义是相同的，否则可能会导致论文上下不衔接，不建议大改，因为可能会涉及大篇幅的改动。
然后，可以使用删除红色部分的内容。在论文内容改动不大、不影响论文整体层次结构的前提下，可以直接删掉部分标红的句子，这是最快最有效的降重方法。
最后，也可以少用文字内容，多用图片、图表等。
论文引用了还被标红的原因需要排查如下问题：
1. 有明显的“参考文献”标记，参考文献4个字独占一行，下面 是各个参考文献条目；
2. 每个参考文献有明显的标号，标号可以是以下任意一种：【Num】、[Num] 、(Num)；
3. 标号可以是Word自动生成也可以手工书写；标号内不要添加标点符号，例如：不要[Num.]或(Num、)等；
4. 每个参考文献中最好有时间信息或者URL或《》书目信息；
5. 一条参考文献内及在此条参考文献没有结束时不要有手动换行或者回车符 （即顺其自然，满行后会自动换行，请勿人为！）
在写论文过程中引证文献是在正常不过的事情了，在写作之前要阅览很多的 文献，了解行业界学科发展的状况，这本身也是常识积累和学习的一个过程，因此，只要作者在写论文 的时候，用正确的引用格式，且引用的部分不是很大就不会有影响。
知网论文查重会自动识别为引用部 分，以绿色字体标注。但是一定要注意的是，引用过程中绝对不能大片的引用，因为也会被检测为抄袭 。用户进入中国知网后，在首页的检索栏中输入想要引用的参考文献，之后点 击操作下方的引用按钮，即可直接引用对应参考文献的格式，也可以点击下载导出至用户电脑中。
参考文献部分为什么在论文查重报告中标红？正常来说引用和参考文献部分在论文查重系统中是不会被标红的，但前提是参考文献的格式是正确的，这样才不会被参与到正文的查重检测中，这样的话也就不会被标红了。数据库正常是会把参考文献收录到里面的，所以无论是论文的题目还是内容都是会重复的，参考文献这部分是比较特殊的内容，查重系统正常是会除去论文末尾参考文献部分然后进行查重检测的，然后用灰色的字体表示没有检测。那导致论文查重报告中的参考文献部分标红的原因是什么呢？
原因一：也许是因为论文格式不正确的问题。参考文献这几个字是需要单独占一行的，而且只能显示参考文献的是不可以和其他内容混一起加进来的，然后要按照学校要求格式标准弄好，不然的话知网查重系统是无法识别出参考文献的。
原因二：论文查重系统是只有知网查重系统可以比较好的识别出参考文献部分的，其他的论文查重系统的识别度是没有知网高的，因此是无法除去参考文献的查重检测的，所以同学们不要奇怪为什么知网查重系统没有标红的部分在其他的论文查重系统就标红了。
所以导致论文查重报告中的参考文献部分标红的原因就是这两点，不过第一点是重要的，所以大家一定要按照论文的格式要求来进行论文的撰写，这样的话就可以避免论文中参考文献部分被标红了。