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）。
YOLO v1:You Only Look Once: Unified, Real-Time Object Detection YOLO v2:YOLO9000：Better，Faster，Stronger YOLO v3:YOLOv3: An Incremental Improvement
近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000、YOLO v3算法。
传统方法常采用滑动窗口法，滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了，如 DPM 就是采用这种思路。但是这个方法有致命的缺点，就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。但是这样会产生很多的子区域，并且都要经过分类器去做预测，这需要很大的计算量，所以你的分类器不能太复杂，因为要保证速度。解决思路之一就是减少要分类的子区域，这就是R-CNN的一个改进策略，其采用了 selective search 方法来找到最有可能包含目标的子区域（Region Proposal），其实可以看成采用启发式方法过滤掉很多子区域，这会提升效率。
如果你使用的是CNN分类器，那么滑动窗口是非常耗时的。但是结合卷积运算的特点，我们可以使用CNN实现更高效的滑动窗口方法。这里要介绍的是一种全卷积的方法，简单来说就是网络中用卷积层代替了全连接层，如图所示。输入图片大小是16x16，经过一系列卷积操作，提取了2x2的特征图，但是这个2x2的图上每个元素都是和原图是一一对应的，如图上蓝色的格子对应蓝色的区域，这不就是相当于在原图上做大小为14x14的窗口滑动，且步长为2，共产生4个字区域。最终输出的通道数为4，可以看成4个类别的预测概率值，这样一次CNN计算就可以实现窗口滑动的所有子区域的分类预测。这其实是overfeat算法的思路。之所可以CNN可以实现这样的效果是因为卷积操作的特性，就是图片的空间位置信息的不变性，尽管卷积过程中图片大小减少，但是位置对应关系还是保存的。这个思路也被R-CNN借鉴，从而诞生了Fast R-cNN算法。
上面尽管可以减少滑动窗口的计算量，但是只是针对一个固定大小与步长的窗口，这是远远不够的。Yolo算法很好的解决了这个问题，它不再是窗口滑动了，而是直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，基于上面的分析，可以认为特征图的每个元素也是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方格内的目标，这就是Yolo算法的朴素思想。
整体来看，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。
具体来说，Yolo的CNN网络将输入的图片分割成 网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。每个单元格会预测B个边界框（bounding box）以及边界框的 置信度 （confidence score）。所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度。前者记为 ，当该边界框是背景时（即不包含目标），此时 。而当该边界框包含目标时， 。边界框的准确度可以用预测框与实际框（ground truth）的 IOU （intersection over union，交并比）来表征，记为 IOU 。因此置信度可以定义为 。
很多人可能将Yolo的置信度看成边界框是否含有目标的概率，但是其实它是两个因子的乘积，预测框的准确度也反映在里面。边界框的大小与位置可以用4个值来表征：(x,y,h,w)，其中(x,y)是边界框的中心坐标，而w和h是边界框的宽与高。还有一点要注意，中心坐标的预测值(x,y)是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的，单元格的坐标定义如图所示。而边界框的w和h预测值是相对于整个图片的宽与高的比例，这样理论上4个元素的大小应该在[0,1]范围。这样，每个边界框的预测值实际上包含5个元素：(x,y,w,h,c)，其中前4个表征边界框的大小与位置，而最后一个值是置信度。
值得注意的是，不管一个单元格预测多少个边界框，其只预测一组类别概率值，这是Yolo算法的一个缺点，在后来的改进版本中，Yolo9000是把类别概率预测值与边界框是绑定在一起的。同时，我们可以计算出各个边界框类别置信度（class-specificconfidence scores）:
边界框类别置信度表征的是该边界框中目标属于各个类别的可能性大小以及边界框匹配目标的好坏。后面会说，一般会根据类别置信度来过滤网络的预测框。
总结一下，每个单元格需要预测 个值。如果将输入图片划分为 网格，那么最终预测值为 大小的张量。整个模型的预测值结构如下图所示。对于PASCALVOC数据，其共有20个类别，如果使用S=7,B=2,那么最终的预测结果就是 大小的张量。在下面的网络结构中我们会详细讲述每个单元格的预测值的分布位置。
Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层，如图所示。对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0)。但是最后一层却采用线性激活函数。除了上面这个结构，文章还提出了一个轻量级版本Fast Yolo，其仅使用9个卷积层，并且卷积层中使用更少的卷积核。
可以看到网络的最后输出为 大小的张量。这和前面的讨论是一致的。这个张量所代表的具体含义如图所示。对于每一个单元格，前20个元素是类别概率值，然后2个元素是边界框置信度，两者相乘可以得到类别置信度，最后8个元素是边界框的(x,y,w,h)。大家可能会感到奇怪，对于边界框为什么把置信度c和(x,y,w,h)都分开排列，而不是按照(x,y,w,h,c)这样排列，其实纯粹是为了计算方便，因为实际上这30个元素都是对应一个单元格，其排列是可以任意的。但是分离排布，可以方便地提取每一个部分。这里来解释一下，首先网络的预测值是一个二维张量P，其shape为 。
采用切片，那么 就是类别概率部分; 是置信度部分; 是边界框的预测结果。这样，提取每个部分是非常方便的，这会方面后面的训练及预测时的计算。
在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图中前20个卷积层，然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。整个网络的流程如下图所示：
损失函数计算如下：
其中第一项是边界框中心坐标的误差项， 指的是第i个单元格存在目标，且该单元格中的第j个边界框负责预测该目标。第二项是边界框的高与宽的误差项。第三项是包含目标的边界框的置信度误差项。第四项是不包含目标的边界框的置信度误差项。而最后一项是包含目标的单元格的分类误差项， 指的是第i个单元格存在目标。
在说明Yolo算法的预测过程之前，这里先介绍一下非极大值抑制算法（non maximum suppression, NMS），这个算法不单单是针对Yolo算法的，而是所有的检测算法中都会用到。NMS算法主要解决的是一个目标被多次检测的问题，如图中人脸检测，可以看到人脸被多次检测，但是其实我们希望最后仅仅输出其中一个最好的预测框，比如对于美女，只想要红色那个检测结果。那么可以采用NMS算法来实现这样的效果：首先从所有的检测框中找到置信度最大的那个框，然后挨个计算其与剩余框的IOU，如果其值大于一定阈值（重合度过高），那么就将该框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框。
下面就来分析Yolo的预测过程，这里我们不考虑batch，认为只是预测一张输入图片。根据前面的分析，最终的网络输出是 ，但是我们可以将其分割成三个部分：类别概率部分为 ，置信度部分为 ，而边界框部分为 （对于这部分不要忘记根据原始图片计算出其真实值）。然后将前两项相乘可以得到 类别置信度值为 ，这里总共预测了 边界框。
所有的准备数据已经得到了，那么先说第一种策略来得到检测框的结果。首先，对于每个预测框根据类别置信度选取置信度最大的那个类别作为其预测标签，经过这层处理我们得到各个预测框的预测类别及对应的置信度值，其大小都是[7,7,2]。一般情况下，会设置置信度阈值，就是将置信度小于该阈值的box过滤掉，所以经过这层处理，剩余的是置信度比较高的预测框。最后再对这些预测框使用NMS算法，最后留下来的就是检测结果。一个值得注意的点是NMS是对所有预测框一视同仁，还是区分每个类别，分别使用NMS。Ng在中讲应该区分每个类别分别使用NMS，但是看了很多实现，其实还是同等对待所有的框，可能是不同类别的目标出现在相同位置这种概率很低吧。
上面的预测方法应该非常简单明了，但是对于Yolo算法，其却采用了另外一个不同的处理思路（至少从C源码看是这样的），其区别就是先使用NMS，然后再确定各个box的类别。其基本过程如图所示。对于98个boxes，首先将小于置信度阈值的值归0，然后分类别地对置信度值采用NMS，这里NMS处理结果不是剔除，而是将其置信度值归为0。最后才是确定各个box的类别，当其置信度值不为0时才做出检测结果输出。这个策略不是很直接，但是貌似Yolo源码就是这样做的。Yolo论文里面说NMS算法对Yolo的性能是影响很大的，所以可能这种策略对Yolo更好。
总结一下Yolo的优缺点。首先是优点，Yolo采用一个CNN网络来实现检测，是单管道策略，其训练与预测都是end-to-end，所以Yolo算法比较简洁且速度快。第二点由于Yolo是对整张图片做卷积，所以其在检测目标有更大的视野，它不容易对背景误判。另外，Yolo的泛化能力强，在做迁移时，模型鲁棒性高。
Yolo的缺点，首先Yolo各个单元格仅仅预测两个边界框，而且属于一个类别。对于小物体，Yolo的表现会不如人意。这方面的改进可以看SSD，其采用多尺度单元格。也可以看Faster R-CNN，其采用了anchor boxes。Yolo对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然Yolo的定位不准确也是很大的问题。
参考链接 YOLO算法的原理与实现
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
引用硕士论文应按照参考文献中硕士论文的格式进行标注。 根据国家标准：GB/T 7714-2015的规定，参考文献引用时硕士论文的格式为： [序号]作者.
文档参照怎样标明。
一，文档引入的标明规定。
1.参考文献引知道网.万方检测.维普查重互联网站，不然会发生没法搜索文献资料的状况。
2.引用文献须为本引用文献，不然不可被视作引用文献。
3.引用文献务必是整句话，句点前面转述并非分号。
二，论文引用标明方式。
1.人力撰写进到word。
可去中国知网或百度学术导出来论文参考文献恰当引用格式，拷到自身的毕业论文中，一条一条依照文件格式标准打打标明。
2.运用word的初始作用。
(1)互相参考。
查验全部引入文档，序号——重新定义的序号文件格式——键入“[]”，将鼠标光标到括弧正中间，“序号款式”选1,2,3；
鼠标光标对体引入，点“引入”—交叉引用—“引用类型”选择项“序号新项目”；“引入内容”选择项“文章段落序号(详细前后文)”—挑选相对应参考文献—插进。
（2）尾注
游标卡尺到行为主体引入的地区，点“引入”——插进尾注——在尾注处拷贝论文参考文献；
查验尾注的编号-鼠标右键-注解选择项-"序号文件格式"改成1,2,3...-应用软件；
点一下Edit-搜索-高级的搜索和更换-搜索选择项下边的“独特”，在右下角挑选“尾注标识”，(这时表明为“^e”)；在“[]’鼠标光标到圆括号正中间，“独特”挑选“查找内容”(这时发生“[^e]’)-所有被更换(这时1,2，3将变为[1]，[2]，[3]…)；
一条线发生在尾注下边，除掉的办法是：查询-挑选“文稿”-引入-点一下“宣称注解”；在“尾注”这一点挑选“尾注”这一点——鼠标光标至线框除，delete删掉——主视图回到“网页页面主视图”。
导进英语单词。
登陆“中国知网”——键入参考文献题型——查验——导出来参照——Endnote--导出来(txt文件)；
endnote中--File-import--挑选""文档--导进种类挑选"Endnoteimport"--import导进后，挑选合理的style，就可以恰当表明。
文章内容引述怎样标明？文章内容中标明的合理引入也是学术论文的关键步骤之一，假如标明不合理，非常容易被查重系统误以为剽窃，危害论文查重。因此在审查毕业论文时还应重视审查规章制度的挑选，要挑选靠谱，安全性，存储普遍的查重系统。
引用硕士论文应按照参考文献中硕士论文的格式进行标注。
根据国家标准：GB/T 7714-2015的规定，参考文献引用时硕士论文的格式为：[序号]作者. 题(篇)名[C]. 出版地：出版社，出版年.
例如：
[1]张筑生. 微分半动力系统的不变集[D]. 北京：北京大学数学系数学研究所，1983.
[2]李现名.化学反应中和热的测定研究[D]. 南京：南京工业大学，2008.
扩展资料
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：
1、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 ；
2、学位论文D ；科技报告R；参考工具K ；检索工具W；档案B ；录音带A ；
3、图表Q；唱片L；产品样本X；录相带V；会议录C；中译文T；
4、乐谱I； 电影片Y；手稿H；微缩胶卷U ；幻灯片Z；微缩平片F；其他E。
参考资料来源：百度百科-参考文献
问题一：引用硕士或博士学位论文 参考文献的格式怎样写 5.学位论文 【格式】[序号]作者.篇名[D].出版地：保存者，出版年份：起始页码. 【举例】 张筑生.微分半动力系统的不变集[D].北京：北京大学数学系数学研究所, 1983：1-7. 问题二：硕士论文在参考文献里怎么表示格式 例如：作者姓名. 参考文献题目[D].南京：南京农业大学，2002：页码.（硕士、博士论文著录格式） 问题三：毕业论文参考硕士论文，那参考文献的格式应该是怎样写的。是[M][J]还是什么？ [M]和[J]分别代表专著和期刊， 其文献格式分别为： 专著 [序号]主要责任者.文献题名[文献类型标识].出版地：出版者，出版年.起止页码(可选). 〔1〕蒋挺大．亮聚糖〔M〕．北京：化学工业出版社，2001．127 〔2〕Kortun G． Reflectance Spectroscopy〔M〕． New York: Spring-Verlag,1969 期刊文章 [序号]主要责任者.文献题名[J].刊名,年,卷(期):起止页码. [5] 何龄修.读顾城《南明史》[J].中国史研究,1998,(3):167-173. [6] 金显贺,王昌长,王忠东,等.一种用于在线检测局部放电的数字滤波技术[J].清华大学学报(自然科学版),1993,33(4):62-67. 楼上那个胡说，这专著和期刊是硕士论文的主要文献来源。 问题四：参考文献是硕士论文怎么写 格式 京都名师论文中心也有很多标准的格式参考，这里简单列举一下[1] 作者姓名，作者姓名.参考文献题目[J]. 期刊或杂志等名称，年份，卷(期数)：页码.[2] 刘凡丰. 美国研究型大学本科教育改革透视[J] . 高等教育研究，2003，5(1)：18-19.没有卷的就直接写2003（1）（本条为期刊杂志著录格式）[3] 谭丙煜.怎样撰写科学论文[M].2版.沈阳：辽宁人民出版社，1982：5-6.（本条为中文图书著录格式）[4] 作者姓名. 参考文献题目[D].南京：南京农业大学，2002：页码.（本条为硕士、博士论文著录格式）[5] 作者姓名. 参考文献题目[N].人民日报，2005-06-12.（本条为报纸著录格式）[6] 作者姓名. 参考文献题目[C] 作者姓名.论文集名称.城市：出版单位（社），年代：页码.（本条为论文集著录格式）[7] 外国作者姓名. 参考文献题目[M].译者（名字），译.城市：出版单位，年代：页码.（本条为原著翻译中文的著录格式，多个译者可写为：***，***，***，等译.）文献类型标识的符号为：M，专著、C，论文集、N，报纸文章、J，期刊文章、D，学位论文D、R，报告、S，标准、P，专利。 问题五：参考文献里硕士论文用什么表示 文献类型标识的符号为：M，专著、C，论文集、N，报纸文章、J，期刊文章、D，学位论文D、R，报告、S，标准、P，专利。 问题六：参考文献中引用别人的硕士论文怎么写 作者. 题名[D]. 学位授予地址：学位授予单位，年份.就可以啦 问题七：论文参考文献标准格式如何写 50分 参考文献规范格式 一、参考文献的类型 参考文献（即引文出处）的类型以单字母方式标识，具体如下： M――专著 C――论文集 N――报纸文章 J――期刊文章 D――学位论文 R――报告 对于不属于上述的文献类型，采用字母“Z”标识。 对于英文参考文献，还应注意以下两点： ①作者姓名采用“姓在前名在后”原则，具体格式是： 姓，名字的首字母. 如： Malcolm Richard Cowley 应为：Cowley, .，如果有两位作者，第一位作者方式不变，&之后第二位作者名字的首字母放在前面，姓放在后面，如：Frank Norris 与Irving Gordon应为：Norris, F. & .； ②书名、报刊名使用斜体字，如：Mastering English Literature，English Weekly。 二、参考文献的格式及举例 1.期刊类 【格式】[序号]作者.篇名[J].刊名，出版年份，卷号（期号）：起止页码. 【举例】 [1] 王海粟.浅议会计信息披露模式[J].财政研究，2004,21(1)：56-58. [2] 夏鲁惠.高等学校毕业论文教学情况调研报告[J].高等理科教育，2004(1):46-52. [3] Heider, . The structure of color space in naming and memory of two languages [J]. Foreign Language Teaching and Research, 1999, (3): 62 �C 67. 2.专著类 【格式】[序号]作者.书名[M].出版地：出版社，出版年份：起止页码. 【举例】[4] 葛家澍，林志军.现代西方财务会计理论[M].厦门：厦门大学出版社，2001：42. [5] Gill, R. Mastering English Literature [M]. London: Macmillan, 1985: 42-45. 3.报纸类 【格式】[序号]作者.篇名[N].报纸名，出版日期（版次）. 【举例】 [6] 李大伦.经济全球化的重要性[N]. 光明日报，1998-12-27(3). [7] French, W. Between Silences: A Voice from China[N]. Atlantic Weekly, 1987-8-15(33). 4.论文集 【格式】[序号]作者.篇名[C].出版地：出版者，出版年份：起始页码. 【举例】 [8] 伍蠡甫.西方文论选[C]. 上海：上海译文出版社，1979：12-17. [9] Spivak,G. “Can the Subaltern Speak?”[A]. In & L. Gros *** erg(eds.). Victory in Limbo: Imigi *** [C]. Urbana: University of Illinois Press, 1988, . [10] Almarza, . Student foreign language teacher’s knowledge growth [A]. In and (eds.). Teac......>> 问题八：硕士毕业论文综述参考文献跟前文可以重复吗 硕士毕业论文综述参考文献我们可以的，look my name! 问题九：硕士论文对国外文献有数量要求吗？ 学校规定的是外文数量不少于总文献数量的1/3，当然了只是个规定而已，也没有人去专门查查到底占到几分之几，各个学校的规定到不一样。总之尽量多弄点英文文献吧，你懂的！ 参考文献可以在百度学术中找到。 毕业论文参考文献规范格式 一、参考文献的类型 参考文献（即引文出处）的类型以单字母方式标识，具体如下： M――专著 C――论文集 N――报纸文章 J――期刊文章 D――学位论文 R――报告 对于不属于上述的文献类型，采用字母“Z”标识。 对于英文参考文献，还应注意以下两点： ①作者姓名采用“姓在前名在后”原则，具体格式是：姓，名字的首字母. 如： Malcolm Richard Cowley 应为：Cowley, .，如果有两位作者，第一位作者方式不变，&之后第二位作者名字的首字母放在前面，姓放在后面，如：Frank Norris 与Irving Gordon应为：Norris, F. & .； ②书名、报刊名使用斜体字，如：Mastering English Literature，English Weekly。 二、参考文献的格式及举例 1.期刊类 [格式][序号]作者.篇名[J].刊名，出版年份，卷号（期号）：起止页码. [举例] [1] 王海粟.浅议会计信息披露模式[J].财政研究，2004,21(1)：56-58. [2] 夏鲁惠.高等学校毕业论文教学情况调研报告[J].高等理科教育，2004(1):46-52. [3] Heider, . The structure of color space in naming and memory of two languages [J]. Foreign Language Teaching and Research, 1999, (3): 62 �C 67. 2.专著类 [格式][序号]作者.书名[M].出版地：出版社，出版年份：起止页码. [举例][4] 葛家澍，林志军.现代西方财务会计理论[M].厦门：厦门大学出版社，2001：42. [5] Gill, R. Mastering English Literature [M]. London: Macmillan, 1985: 42-45. 3.报纸类 [格式][序号]作者.篇名[N].报纸名，出版日期（版次）. [举例] [6] 李大伦.经济全球化的重要性[N]. 光明日报，1998-12-27(3). [7] French, W. Between Silences: A Voice from China[N]. Atlantic Weekly, 1987-8-15(33). 4.论文集 [格式][序号]作者.篇名[C].出版地：出版者，出版年份：起始页码. [举例] [8] 伍蠡甫.西方文论选[C]. 上海：上海译文出版社，1979：12-17. [9] Spivak,G. “Can the Subaltern Speak?”[A]. In & L. Gros *** erg(eds.). Victory in Limbo: Imigi *** [C]. Urbana: University of Illinois Press, 1988, . [10] Almarza, . Student foreign language teacher’s knowledg......>> 问题十：硕士学位论文的参考文献一般数量是多少啊 我所了解的我们学校的硕士论文后面附的参考文献是50个左右，如果你看的硕士论文比较多的话，就会发现大多在50个以上，当然也有写的30多个的。其实这也是个面子问题，写的少了老师会觉得你读的文献少，写的论文深度不够。总之建议你的参考文献写的不少于50篇。 最后祝你好运！
一般3-5万字之间，文学一般是三万字，理科相以应的多点，所有硕士论文都是要过论文检测的，比对的是一百年内所有专业的所有论文，每十一个相拟就开始算相拟，不能超过百分之三十，否则延迟毕业。
1、一般字数是指正文字数，即第一章到最后一章，不含摘要、目录、致谢、参考文献、附录等，说的是字数而不是字符数，比如3万字毕业论文，就是3万字的汉字，不包括标点和空格。
2、硕士毕业论文不单有字数要求还有页数要求，页数在60-80页之间就可以，这也是指的正文部分，同样不包括摘要、目录、致谢、参考文献、附录等。
3、参考文献篇数一般不少于40篇，在其中外文参考文献不少于20篇，参考文献中近五年的文献数一般不少于总数的三分之一，而且还要用近两年的参考文献，参考文献在正文中要有引用标注。
硕士论文格式规范说明：
1、页面设置：
用微软word排版，A4纸型，左右边距；正文行距为固定值16磅，其它均为单倍行距。
2、论文题目：
小2号黑体居中。标题不超过20个字。段前10mm。
3、作者姓名：
多作者属不同单位时，在姓名上标上与单位序号（见下条）对应的数字上标，姓名之间用逗号隔开，之间空两格；4号宋体居中。段前8mm。
4、作者单位：
多单位时，单位名称前标上序号，之间用分号隔开。且要在对应单位的作者名上加上对应的序号上标。一个单位不用标序号。小5号宋体居中。段前单倍行距。
5、摘要：
“摘要”二字中间一个空格并加粗，加冒号，放在摘要正文段首。摘要内容为小5号宋体。段前8mm，段落左右缩进2个汉字，单倍行距。
6、关键词：
“关键词”3个字，小5号宋体加粗，加冒号。关键词之间用分号隔开。小5号宋体。段落左右缩进2个汉字。关键词与摘要之间空1行。
导师意见：包括申请人的理论水平、研究能力、外语程度、学术作风及论文的学术水平，论文是否由本人独立完成、是否同意进行论文答辩和申请学位等
1、某某同志在攻读硕士学位期间，学习态度端正，严格要求自己，学习成绩优良。同时能够良好运用所学基础理论和专业知识，把握相关研究领域的学科研究现状，运用先进的计算工具进行相关研究工作，理论水平较好，具有一定的从事采矿工程专业相关领域的研究能力。
2、该生攻读硕士学位期间公开发表了这篇论文，同时学位论文中的中英文翻译较为恰当、准确，表明刘帆同志具有良好的外语程度。
3、学位论文提出了技术并对其机理进行了分析，引文完整规范，表明作者具有较好的学术作风，研究结果具有一定的理论和应用价值，具有一定的学术水平。
4、学位论文由某某同志独立完成，同意某某进行硕士学位论文答辩，同意申请硕士学位。
5、本文研究了XXXX，对处理会计信息失真有较强的实用价值，提供了新的依据。作者思路清晰，论述过程严谨，分析合理，结果于实际应用性较强。论文写作规范，语句通顺，达到了学校对学位论文的各种要求。
是的 必须的 字数各学校和专业要求不一样 3万字吧 理工科硕士毕业论文，仅正文总要50页左右吧（不含封面、摘要、目录、致谢、附录什么的）。
得看你发表什么等级期刊了，省级期刊一般要求2000-3000字，核心期刊要求在8000字以下。看你是评中级还是高级了，老子这也运营这个，可莱看看篇幅字数。
重要。硕士学位论文，顾名思义。肯定是硕士研究生为拿到硕士学位而做的结业论文。是为了自我检测。自我对自我专业掌握的认知。不仅是一个展现自己的机会。也更是一个检测自己的机会。是基于几年的学业成果。水平，专业知识于一身。无论是写作质量的高低或好与坏。其结业论文方可见真功夫。虽是一个检测过程。倒不如说是对自己的一个价值检测。对未来的发展的良好指引。所以硕士论文毕业后重要。
优秀硕士毕业论文用处有学校给予积极奖励、硕博学生含金量高、个人加薪或职称需要等。
1、学校给予积极奖励。
学校在奖励优秀毕业生方面还是比较大方的。如果毕业论文真的质量很好，被一致评选为优秀毕业论文，可以得到学校的奖金。钱的数额可能不多，当是一份回报。而且如果选择留在学校深造或者继续当老师，无疑会为自己打开一条道路，毕竟能力很强，学习也很优秀。
2、硕博学生含金量高。
优秀的毕业论文还是很有用处的。只要能写出导师认可的优秀论文，尤其是硕士、博士阶段，这是一门学术研究的经验。如果能在研究方面写出优秀的毕业论文。如果毕业论文能在国家重要期刊上发表，获得省级优秀毕业论文，含金量很高，对以后的工作或学习深造会有帮助。
3、个人加薪或职称需要。
在事业单位工作的员工可能印象更深。当他们需要被评估职称和提升时，他们需要撰写和发表论文。如果有优秀毕业论文证书，并且论文创作和发表在这个时候，会比其他人更有竞争力。毕竟大部分机构还是比较重视这些形式的。如果能做到并比别人更好，将有很大的机会。
毕业论文作用如下：
加分。优秀的毕业论文在升职和涨工资方面是有用的，可以起到加分的作用。被评为优秀毕业论文也是不容易的，被评论文的优秀率极少数能超过百分之十五。如果被评为优秀毕业论文说明论文的内容丰富，格式也标准，有吸引力，是对作者的肯定，也是一种荣誉
奖励。不同的学校奖励不同。有的学校为鼓舞学生写优秀的论文，锻炼学生的能力，会对获得优秀论文美誉的学生进行奖励。
有利于找工作。除了本科毕业论文，本科以上的也有优秀毕业论文，比如硕士、博士，硕士大于本科，博士大于硕士，越往上层次越高，分量也就越重，越有利于未来找工作。
有利于以后升学。对于考上了研究生或者未来想考研究生、出国深造的同学来说，本科毕业论文有助于你找到心仪的导师，申请到满意的学校。
优秀毕业论文的评选标准：
按期圆满完成教学计划规定的任务。选题新颖，具有一定的现实意义和理论意义，立论正确，观点新颖，结构合理，内容充实，计算与分析论证可靠、严密，思路清晰，条理清晰，逻辑严密，重点突出，资料翔实，语言流畅，结论正确合理,格式规范。
能熟练地综合运用所学基础理论和专业知识，具有较强的独立分析问题和解决问题的能力，有较高的学术水平和一定的创新意识。外文资料翻译通顺正确，毕业论文创作全过程的信息化水平较高。答辩时概念清楚，语言表达准确，具备较好的语言表达能力。
按期圆满完成教学计划规定的任务。设计方案具有一定的创新意识，设计说明书完备，设计方案较为科学，计算、实验分析严密、正确，结论合理，数据可靠。艺术类设计版面及其它相应表现手段完整、规范，整体制作效果好。
可以更好的进行研究，可以更好的进行总结，可以让自己对自己有一定的了解，可以发表自己的看法，可以更好的提高成绩。
别抄袭了，小论文还是自己写吧，也用不了多少时间，可以借用别人的理论和观点，文字原创就可以了 。抄袭会给以后的工作生活带来隐患。这是因为：一、即使你不出名，抄袭的文章要是被“中国文字著作权协会”盯上，他们会要钱的。二、以后万一你出名了，被方舟子发现就麻烦了。现在是数字化媒体时代，一篇抄袭的文章很容易被人发现的。就像我的一篇寓言小说被一个叫“苗向东 ”的人改头换面的抄袭了，还发在《中国证券报》上了，随便搜了一下就被我发现了。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。评职称论文都是收费的，除非你是知名的学者，可能会不要钱给你发表，一般都是要钱的，很郁闷，我可以给你点经验，我回答过很多这样的问题，也希望你不要上当，可以参考一下我劝你第一考虑发表的成功率，是不是可信的，第二考虑价格问题，现在网上太多的陷阱，收钱不办事的太多了。 一再的追求价格 小心占小便宜吃大亏，我给你几点建议， 第一 检验期刊真假百度搜国家新闻出版广电总局 期刊查询，就能进行分辨查找到了。发表文章很低的价位你是需要考虑的，目前省级的文章成本价位都是在五百以上的，有钱基本能发，世态炎凉。 第二，就是时间问题，什么都答应你一定是假的，发表都是有很长的周期 至少都是一个月的 因为发表一篇文章有很多的程序要走，时间方面不可能今天办好明天给你书。第三，还是别太在意价格问题，毕竟一分钱一分货，什么东西都是有成本的，太低的都是假的，中国山寨都成为一种外人耻笑的文化了。别走到误区了。我以前发表过文章，这是我的一些经验，
不能。1、一旦你的论文发表，版权所有权都是你的，盗窃你论文的人将无法发表该论文。2、但如果别人先你一步发表，那么论文就是别人的了，从未影响毕业。3、所以硕士论文被盗用不能毕业。
承担停止侵害、消除影响、公开赔礼道歉、赔偿损失等民事责任。
依据《中华人民共和国著作权法》第四十五条规定：有下列侵权行为的，应当根据情况，承担停止侵害、消除影响、公开赔礼道歉、赔偿损失等民事责任：未经著作权人许可，发表其作品的；未经合作作者许可，将与他人合作创作的作品当作自己单独创作的作品发表的；没有参加创作，为谋取个人名利，在他人作品上署名的；歪曲、篡改他人作品的；
未经著作权人许可，以表演、播放、展览、发行、摄制电影、电视、录像或者改编、翻译、注释、编辑等方式使用作品的，本法另有规定的除外；使用他人作品，未按照规定支付报酬的；未经表演者许可，从现场直播其表演的；其他侵犯著作权以及与著作权有关的权益的行为。
扩展资料：
著作权的相关要求规定：
1、著作权属于作者，本法另有规定的除外。创作作品的公民是作者。由法人或者非法人单位主持，代表法人或者非法人单位意志创作，并由法人或者非法人单位承担责任的作品，法人或者非法人单位视为作者。如无相反证明，在作品上署名的公民、法人或者非法人单位为作者。
2、改编、翻译、注释、整理已有作品而产生的作品，其著作权由改编、翻译、注释、整理人享有，但行使著作权时，不得侵犯原作品的著作权。
3、两人以上合作创作的作品，著作权由合作作者共同享有。没有参加创作的人，不能成为合作作者。合作作品可以分割使用的，作者对各自创作的部分可以单独享有著作权，但行使著作权时不得侵犯合作作品整体的著作权。
参考资料来源：中国人大网-中华人民共和国著作权法
研究生毕业后论文还会被抽查吗介绍如下：
硕士论文毕业后可能会被抽检，但抽检是教育部防止抄袭和学术造假的手段。
教育部发布了关于本科毕业论文抽检的通知，其中这样写到：加强和改进教育督导评估监测，保证本科人才培养基本质量。对于本科大学生的毕业论文，需要每年进行一次固定比例的论文抽检，且抽检比例不得低于总数量的2%。
这样的决定充分体现出对于教育的重视，也体现出教育部“宽进严出，严进严出”的标准和规范，其目的不言而喻，加强监测力度，提升论文水平。
论文考察内容：
论文的写作就像是一本书一样，有引言有题目还有论证过程，一个论文大概有20多页。这么长的论文主要考察哪些内容，主要有一下几点选题的意义、写作安排、逻辑构建、专业能力以及学术规范等这些内容进行综合考察。
本科论文的考察和博士论文考察的方向不一样，博士论文主要考察学生的研究性和创新能力，但是本科论文考察的是学生的基本学习素养和学习能力。
抽检结果的处罚：
连续2年“存在问题毕业论文”篇数较多的高校，全省通报，减少招生计划，并进行约谈，限期整改。连续3年抽检存在问题较多的本科专业，依据有关规定暂停招生，或由省级学位委员会撤销其学士学位授权点。
对涉嫌存在抄袭、剽窃、伪造、篡改、买卖、代写等学术不端行为的毕业论文，高校应按照相关程序进行调查核实，对查实的应依法撤销已授予学位，并注销学位证书。