儿童的问题行为的评估及其对策论文
论文摘要： 儿童问题行为是国内外心理学和教育工作者共同关注的热点问题，其发生率仍在逐年上升。儿童问题行为不仅影响儿童身心的健康发展，而且影响我国素质教育的进程，在教育过程中，教育者只有对儿童的各种行为表现做出合理的评佑，才能够有针时性地实施教育计划。本文对儿童问题行为的评佑标准、注意问题和对策等方面作了初步探讨。
关键词： 儿童；问题行为；评估；对策
1儿童“问题行为”的概述
“问题行为”（ProblemBehavior）又叫做行为问题，研究者们从不同的研究角度提出了众多概念，涉及到心理、教育、社会、医学等多个学科领域。但可以概述为：是后天形成的、影响儿童身心健康发展的、给家庭。、学校、社会带来麻烦的行为。有关儿童“问题行为”的分类也众说不一，有二分法、三分法、四分法、七分法等等，但较有代表性的是左其沛先生的分类，他将问题行为分为四种类型：过失型（如迟到、拖欠作业等）；品德不良型（如撒谎、偷窃、拦路抢劫、流氓性等）；攻击型（如顶撞师长、故意扰乱课堂、发泄、迁怒等）和压抑型（如胆小、孤僻、逃避、消极、自暴自弃等），由于年龄的不同，儿童和青少年的问题行为的类型也不同。在儿童期（6岁一11岁），过失型问题行为最多（占77.5%），其他依次是品德不良型（占12.9%）、压抑型（64%）和攻击型（32%）。不同分类都有其各自的特点和在具体情况下的适用性。而且，不同角度的分类之间也存在交叉现象，因此，没有必要强求统一。此外，问题行为的表现形式是复杂多样的，有些具体的行为表现很难严格归人某一个类别中去，也就是说任何分类都难以涵盖所有具体的问题行为。因此，对问题行为的分类只具有相对意义。至于采用哪种分类更合适，还应根据具体的研究目的和研究情境而定。
2儿童“问题行为”的评估
不同研究者对“问题行为”的含义理解不同，因此对问题行为的评估标准也不同。有学者认为，儿童偶尔表现出来的、轻微的、对学习和生活影响不大的行为不属于问题行为，只有那些在儿童行为中经常出现的、比较稳定的、扰乱性较大、对学习效率影响较严重、需要作耐心和长期教育的行为，才属于问题行为。也有学者认为，由于行为本身就是在正常和不正常间发展的连续体，因此一般儿童都不同程度地存在一些问题行为。
儿童“问题行为”的评估标准虽然没有统一，但可从以下几方面综合考虑：
（1）统计学标准。在普通儿童中，其行为在统计学上显示为常态分布。在常态曲线上，居中的大多数儿童行为属于正常范围，而远离中间的两端则被视为异常。也就是说，某儿童行为与其所处年龄阶段的正常状态相比，若明显不同于同龄人的一般行为则可以看作是问题行为。显然这里的“问题行为”是相对的，它是一个连续变量，偏离平均值的程度越大，则越不正常。以统计数据为依据，确定正常与异常的界限，这种判断方法多以心理测验法为工具。例如，Achenbach儿童行为量表（cBCL>是筛选儿童“问题行为”的常用量表。
（2）发展标准。着重对儿童的个体行为发展状况进行纵向考察与分析。即与儿童自身行为发展相比，若较长时间存在行为发展上的退步现象，则可能预示着问题行为的出现。
（3）环境适应标准。在正常情况下，儿童的行为是与家庭、学校、社会的合理要求相符的，若严重偏离了行为规范则属于问题行为。
（4）运用有关的规章、制度、条例、守则、规范去进行鉴别，看行为“出轨”的程度。
3儿童“问题行为”评估时应注意的问题
3.1客观性
儿童问题行为评估的客观性主要包括三个方面：（1）实事求是的态度；（2）必须考虑到儿童生活的客观条件，即儿童周围社会生活条件、教育条件和生物条件；（3）任何结论都要以充分的事实材料为依据。
3.2发展性
儿童是有着自己身心发展规律、有巨大发展潜能的、处于发展过程中的活生生的人，因此，在评估儿童问题行为时，要用发展的眼光、变化的眼光看儿童，而不能用眼前的表现武断地给儿童下一个发展的结论。
小学阶段的儿童在感知觉方面，他们感知事物时目的性不够明确，无意性和情绪性比较明显，知觉的持续性差，不善于进行分析综合，对事物的主次特点往往分辨不清，时间和空间知觉还比较模糊。在注意力方面，主要是无意注意占优势，注意力不稳定、不持久，容易被一些新异刺激所吸引。在思维方面，以具体形象思维为主，不具备思考深层问题的能力。在情感意志力方面，小学生情绪具有冲动性和易变性，道德情感在发展当中，但仍是狭隘模糊的。所以在小学儿童身上，常出现上学迟到、课堂上不遵守纪律、为一块橡皮与同桌发生打架、偷拿别人物品等事情。
3.3注意区分“问题行为”和“问题儿童”
问题儿童和问题行为是心理学上两个不同的术语。问题儿童是指生理、心理发展异常和品德行为上有严重缺陷的儿童。这类儿童有一系列生理。、心理症状，往往不能与他人正常交往，不遵守社会公认的正常儿童的社会规范，在处理事情、学习等方面与正常儿童有显著差别。间题儿童如果得不到及时的治疗，会有两种后果：一种是成为精神病性儿童，一种是形成怪癖性格，不能与他人正常交往，社会适应不良，易做出越轨举动，走上反社会道路。
问题行为在儿童的.成长过程中是普遍存在的，在提及问题行为时，关注的是行为本身，而不是对行为发生者做出整体评价，也就是说要区分好“问题行为”和“问题儿童”的概念。比如：问题行为可以存在于差生身上，也可以存在于品学兼优的好学生身上，不能片面地认为问题行为只有在差生身上才会出现。
3.4要多方面搜集信息
问题行为产生的原因极其复杂，它与儿童自身素质和心理状态，如需要、气质、情绪和性格等有关，也受家庭、学校、社会环境的制约，如家庭状况、交友情况、社会风气，等等，都可能成为诱发问题行为的因素。因此，对问题行为的分析要从多方面人手，收集社会、家长、各科教师、同学对儿童问题行为的反映，看问题行为的征兆、环境特点、表现形态，以克服所获信息的片面性。
此外，对问题行为的评估要考虑到行为发生的经常性、表现的稳定性、对他人或自身的扰乱性等因素。对那些暂时的、偶然的、得到及时纠正行为不能列为问题行为，那些经常出现的‘稳定的、对儿童的发展影响较重的、需要一定时间的教育才能矫正的行为，才可以判定为问题行为。
总之，对“问题行为”的评估要慎重，要明确评估的目的不是给有某种问题行为的儿童贴标签，而是有针对性地实施教育计划，更好地促进儿童的健康发展，
4儿童“问题行为”的对策
4.1行为矫正法
对于儿童的问题行为，一般比较注重运用行为矫正的方法，在教育过程中最常见的矫正方法有：
4.1.1正强化法通俗地说就是奖励，在儿童表现出某一良好行为以后，加以奖励，强化所期望的行为，增加以后这种行为发生的可能性。正强化的方法是教师经常运用的方法，它可以用于解决儿童的各种行为问题，但在运用中教师应该注意：
（1）选择和分析需要强化的具体行为，确定哪些行为需要奖励，如何避免强化不适当的行为。如，儿童为了得到表扬将家里的钱交给老师；
（2）根据儿童的兴趣。、特点和教育的情境来决定，恰当地选择和运用强化物，它可以是一种儿童喜欢拥有的东西，可以是儿童喜欢做的活动，也可以是一种具有社会意义的口头称赞、注意和鼓励等；
（3）在时间上，强化应该紧跟在行为表现之后；
4）当期望的行为建立和巩固后，应该逐渐淡化和降低外部的奖励和强化，促进行为的自主性和自控性，弓}导外部他人强化向内部的自我强化转化，这往往是教师容易忽视的。
4.1.2负强化法负强化是指当个体表现出所期望的良好行为时，减少或消除他不喜欢的刺激或情境，以促进该个体以后此种良好行为的出现。例如，对于回家后不认真完成作业的儿童，家长可以先剥夺儿童观看他所喜欢的电视节目的权利，一旦儿童能够认真做作业了，就允许他观看有关电视节目。
4.1.3惩罚惩罚是当个体发生不良行为时，通过给予厌恶刺激，或者减少、消除正强化的方法来减少或终止该行为。惩罚虽然可能造成儿童不良的心理影响，受到了一些教育学家和心理学家的批评，但是在家长和教师等实际教育工作中，这仍然是一种应用比较广泛的方法。为了有效地运用惩罚，应该注意以下几点：
（1）惩罚的时间一般认为，惩罚的实施越及时越好，如果在儿童不良行为发生后较长的时间后惩罚，效果比较差，这就需要告诉儿童受罚的原因；
（2）惩罚的连贯性和一致性。如果教育者对儿童的同一种不良行为的态度不确定少有时惩罚，有时不管，甚至有时纵容；或者教育者之间（如不同科目的教师、父母）意见不统一，惩罚就难以奏效；
（3）惩罚者同儿童的关系。与儿童情感越密切的人，对儿童实施惩罚的效果越好：这样可以使儿童深刻感受到情感疏远或剥夺带来的不快，并且有恢。复亲密关系的强烈愿望，有利于及时改正问题行为；（4）惩罚和正强化的结合。
而在实际生活中，人们常常把负强化等同于惩罚，这是不对的。因此，正强化、惩罚和负强化的关系是这样的：正强化是利用奖励来促进良好的行为，惩罚是利用不良刺激制止或减少不良的行为，而负强化是通过减少或消除不良刺激促进良好的行为。
4.1.4示范法根据社会学习理论，儿童的许多行为可以不直接通过现实生活中的强化或惩罚来建立或消除，而通过观察别人的行为及其后果来学习。教师最好能够根据儿童的心理发展水平，利用电视或多媒体技术，用现场示范、参与示范或角色扮演的方法，给学生提供一个学习的榜样或参考，让学生亲眼看一下在某种情境下不同的行为方法及其不同的效果。如有些学生在交往时因为不知道如何行动而出现退缩行为，就可以用示范或角色扮演的方法来进行辅导。
4.1.5认知行为矫正法就是通过矫正间题发生者的思想。、信念、态度和认知风格等来改变个体的行为表现。随着儿童和青少年心理发展水平的逐步提高，认知活动，尤其是社会认知活动在行为中的作用越来越大，有时起着主导作用。研究表明，有品性问题的青少年可能在解释社会交往信息方面有问题，他们更容易把别人的言行看成是敌视的、拒绝性的，因此更容易引发对他人的攻击行为。例如，进人小学后，儿童对其他人的侵犯性行为的动机有了进一步的了解，当他们认为侵犯行为是故意进行的时候，更有可能用侵犯性行为加以报复。
4.1.6行为契约法是指有问题行为的儿童与家长或教师达成一个协议，承诺自己为达到某一目标所实施的基本行为策略。同时又作为矫正评估的工具，以此改变问题行为的一种心理矫治方法。具体实施步骤为：（1）目标选择；（2）目标行为的监控；（3）改变环境事件；（4）建立有效的督促指标；（5）效果巩固。
4.2树立正确的问题行为观
家长、教师除了要掌握问题行为矫正的一般方法外，还应该树立正确的问题行为观，从而科学、有效地矫正学生的问题行为。近一年来，国外学者提出。了从生态系统角度来解释学生的问题行为。这种观点认为，学生的问题行为并不是个人的缺点或不足，不少问题行为是学校和家庭中人际交互作用的结果。根据这种观点，要减少学生的问题行为，要善于应用生态系统原理来分析和处理问题。具体地说，生态系统原理主要包括以下一些技术：
（1）重拟技术。即教师和家长对孩子的问题行为做一种新的拟定，把某种往常认为是消极的。、不合情理的行为，拟定为积极的、合乎一定情理的行为。如某学生在课堂上未经老师同意就抢答或插老师和同学的话。对此，一些老师和家长不把它认为是学生在出风头或故意捣乱，而是重新拟定为学生对课程学习兴趣浓厚、积极思考的表现。如果老师将学生的抢答行为看成是一种消极的问题行为，就容易对学生产生反感、厌恶的情绪，而采取批评、指责、讽刺、挖苦等手段。反之，如果把学生的这种行为看成是积极的行为，对学生就会是另外一种态度和教育方式。
（2）积极动机内涵技术。即把学生的行为动机想象为并非受到某种不好的、甚至很坏的动机的支配，而是受正确良好的动机所支配。例如，上面所举的学生抢答的例子，教师既可以把学生的行为动机看成是出风头和故意捣乱，又可以看成学生是出于喜欢教师，想急于回答老师提出的问题等。经验证明，对于小学生的问题行为，家长和老师少从或不从消极的动机方面考虑，而是多从积极的动机方面去推测，更有利于对他们的教育。
（3）积极功能内涵技术。是指对学生的行为要从积极方面去发现，研究它所产生的结果功能。比如，学生抢答或插嘴的行为，如果从积极的方面去认识，认为学生的这种行为可以提示教师在提问方法上、讲课或组织教学上还有不够完善的地方，起到促进教师进尸步改进提问方法和教学方法的作用，教师就会以积极的态度对待学生。
4.3改变环境
国内外学者研究认为儿童的心理行为发展受到先天因素和后天环境相互作用的影响。先天因素包括遗传及母亲怀孕期间的情况，这些因素决定了儿童先天的身心发育状况，是不可控的因素。后天环境因素指儿童在生长发育过程中，所生活、学习、娱乐的家庭、学校及社会对儿童的心理行为发展的影响，是可控的因素。因此，学校、家庭和社会要形成教育网络，为儿童问题行为的矫正、良好行为的塑造，营造和谐的环境。
不管是导师还是读者，评判论文的第一感是先审核题目，选题是撰写论文的奠基工程，在一定程度上决定着论文的优劣。下面我给大家带来2021各方向硕士论文题目写作参考，希望能帮助到大家!
计算机硕士论文题目选题参考
1、基于特征提取的图像质量评价及计算机辅助诊断
2、多功能体育馆音质控制计算机仿真实例对比研究
3、中职计算机应用基础课游戏化学习软件的设计研究
4、基于图像的计算机物体识别研究
5、中职计算机生态课堂高效教学策略的实践性研究
6、基于计算机视觉的胶囊缺陷检测系统的设计与实现
7、计算机网络信息安全风险评估标准与 方法 研究
8、基于计算机视觉的表面缺陷检测及应用
9、擦窗机伸缩臂计算机辅助设计系统研究
10、基于乳腺癌计算机辅助诊断的病理图像分析
11、面向创新创业的民办高校计算机基础课程教学改革研究
12、中职学校计算机类课程作业提交与评价系统研究
13、基于物联网的计算机监控系统设计与开发
14、基于计算机视觉的皮革测配色研究
15、基于计算机视觉的杂草种子鉴别
16、基于计算机视觉的花卉分级系统研究
17、计算机辅助景观表现研究
18、基于计算机视觉的水面智能监控研究
19、计算机辅助飞机铆钉连接优化设计
20、非相似平台管理计算机的余度管理技术研究
21、基于图像形状特征量的计算机辅助肝硬化检测研究
22、乳腺肿瘤超声剪切波弹性图像的计算机辅助诊断
23、面向老龄用户的计算机界面交互模式研究
24、培养中职计算机网络专业学生综合实践能力的 措施 研究
25、基于动态部分可重构FPGA的计算机组成原理实验平台设计
26、三值光学计算机解码器中并行感光阵列的设计
27、基于中国虹计算机的文件管理系统设计与研究
28、计算机网络虚拟实验教学平台的设计与实现
29、基于计算机视觉的油菜生长过程自动识别研究
30、基于计算机视觉的火焰三维重建算法的研究
31、企业内网计算机终端软件补丁管理系统的研究与设计
32、治安监控中基于计算机视觉的异常行为检测技术研究
33、集成无线体域网穿戴式计算机设计
34、基于计算机视觉的疲劳驾驶检测技术研究
35、基于MRI的肝脏病变计算机辅助诊断
36、基于模糊认知图的计算机在线证据智能分析技术研究
37、基于录像分析的高职计算机微课设计的案例研究
38、动态可重构穿戴计算机软件平台的设计与实现
39、计算机视觉中可变特征目标检测的研究与应用
40、基于计算机视觉的单体猪喘气行为视频特征表达方法研究
41、基于计算机视觉的指针式电表校验的关键技术研究
42、基于计算机视觉的车牌识别系统的算法研究
43、乐山计算机学校学生管理系统设计与实现
44、基于计算机视觉微测量技术研究
45、基于计算机视觉的枸杞分级方法研究
46、基于计算机视觉的外膜厚度测量方法的研究
47、基于计算机视觉的车道偏离预警算法研究
48、节能监管计算机联网多参数计量控制系统
49、点状开发建设项目水土保持方案计算机辅助编制系统研发
50、大学计算机课程实验教学平台的设计与实现
51、肠癌计算机辅助识别算法的研究
52、计算机联锁安全关键软件可靠性设计
53、计算机视觉在织物疵点自动检测中的应用研究
54、数字水印技术在计算机辅助评卷系统中的应用研究
教育 硕士论文题目
1、帮助学生掌握数学解题策略的实验与研究
2、中学数学合情推理教学现状调查和分析
3、中小学数学估算的教与学
4、培养中专生数学应用能力的研究
5、中美高中课程标准下数学探究的比较研究
6、 高中数困生良好数学思维品质培养研究
7、高一学生数学概括能力培养的实验 研究
8、网络环境下高中数学教学模式研究
9、新课标下促进学生数学学习正迁移的研究
10、基于新课程的初中数学自主学习课堂教学的实践与研究
11、中学生对数学公式的记忆特点研究
12、TI-92技术在高中数学新课程算法教学中的应用
13、数学史在中学数学教育中的教学价值
14、在数学教学中，指导学生掌握数学学习策略的实践研究
15、全国高考试题与高中数学竞赛试题相关性研究
16、新课程下初中数学学习过程评价的实验与研究
17、职高《数学》课程探究性学习的实践研究
18、培养数学学习迁移能力的课堂教学策略
19、在高中数学学习中自我监控能力培养策略的研究
20、中专班《数学实验》选修课的研究与实践
21、初中生数学思维过程的研究及数学思维能力的培养
22、培养高中生数学直觉思维能力的途径
23、论现行初中数学课堂练习及单元测验的改革
24、网络环境下“中学数学实验课”教学设计与评价的实践研究
25、高一学生函数概念学习障碍及教学对策
26、师范生数学语言表达能力的实验研究
27、职业中学数学教学中融入数学史教学的实践研究
28、高中数学教学中小组合作学习的实践与研究
29、高中数学新课程《球面上的几何》的教学实验与研究
30、数学发现法教学的课堂实施研究
31、开展初中“ 反思 性数学学习”的研究与实践
32、初中数学新课程下小组合作学习的研究与实验
33、以“教学反思”为载体的小学数学教师培训的研究
34、技校兴趣缺乏型数困生的现状及教学研究
35、中学数学课堂探究式教学模式的理论和实践研究
36、数学交流探究
37、论数学课程的情感与态度目标
38、数学课堂探究性教学的理论与实践研究
39、中学数学教师评价研究
40、五年一贯制师范数学课程设置研究
41、 高二数学 优秀生与学困生的解题策略比较研究
42、建构主义及其观点下的《全日制义务教育数学课程标准》(初中部分)解析
43、新课程标准下弗赖登塔尔数学教学原则在我国小学及初中低年级数学教学中的应用构想
44、在高中数学教学中运用《几何画板》进行数学实验的探索与实践
45、数学历史名题作为研究性学习的开发与实验研究
46、普通高中几何课程体系实施研究
47、中学数学中非语言表征的应用研究
软件工程专业硕士论文题目
1、 城轨线网数据标准与数据库设计研究
2、 基于秘密共享协议的移动数据库研究
3、 云环境下数据库同步服务的研究与实现
4、 列数据库SQL语言编译器的研究与实现
5、 面向复杂负载特征和性能需求的云数据库弹性动态平衡问题研究
6、 数据资源规划中主题数据库划分研究
7、 某某后方仓库综合数据库管理系统设计与实现
8、 SYBASE数据库的索引压缩的设计与实现
9、 分布式数据库中间件DBScale的设计与实现
10、 PostgreSQL数据库中SSD缓存模块的设计与实现
11、 数据库工具DBTool的设计与实现
12、 基于大型数据库的智能搜索与摘要提取技术研究
13、 基于用户行为分析与识别的数据库入侵检测系统的研究
14、 面向内存数据库的快照机制和持久性支持研究
15、 面向海量高并发数据库中间件的研究与应用
16、 CUBRID数据库自动化测试框架的设计与实现
17、 KingbaseES数据库列存储测试的设计与实现
18、 网络数据库服务质量监测系统的设计与实现
19、 外包数据库完整性验证的研究
20、 云南省宗教基础数据库系统的研究与分析
21、 基于SQL Server数据库的银行 保险 数据管理系统的设计和实现
22、 邮政金融电子稽查系统的数据库设计与实现
23、 文档型数据库的存储模型设计和研究
24、 多数据库环境电子商务信息安全技术研究
25、 多数据库环境数据集成与转换技术研究
26、 应用于网络监控系统的数据库设计与实现研究
27、 车辆特征数据库管理系统设计与实现
28、 数据库共享容灾技术应用研究
29、 非关系数据库加密模型的研究
30、 “数据库原理课程”在线评卷系统的设计与实现
31、 基于日志挖掘的数据库入侵检测方法研究
32、 内存数据库在城市垃圾监控系统中的研究与应用
33、 基于B/S结构的数据库加密技术的研究与应用
34、 省级基础水文数据库的设计与实现
35、 多数据库系统数据仓库集成技术应用研究
36、 多数据库环境下数据迁移技术的研究与应用
37、 基于J2EE数据库业务系统代码生成工具的设计与实现
38、 基于智能设备的嵌入式数据库安全性研究
39、 基于药用动物图像数据库的设计与实现
40、 地震预警地质构造条件数据库管理系统的设计与实现
各方向硕士论文题目写作参考相关 文章 ：
★ 文学硕士论文的写作技巧
★ 心理学类论文大全及写作指导
★ 教育方向专业毕业论文题目有哪些
★ 论文写作格式
★ 硕士论文写作格式要求
★ 大学生论文题目参考2021
★ 经济学毕业论文题目参考2021
★ 大学学科论文范文及写作指导
★ 毕业论文写作心得5篇
★ 硕士论文写作指导方法及要求
方法一：多查阅期刊文献，如：计算机科学与应用 期刊方法二：咨询导师或者师哥师姐方法三：自己写，慢慢思考
我倒是有个现成的，今年职称评定时候写的。准备出多少子儿？
审题是个老掉牙的话题，但是我们在这里依然强调出来，是因为很多同学还是不厌其烦地犯着不切题意的毛病，关键在于我们同学缺乏审题能力和正确的审题方法。
这可能是因为你的论文中存在一些图片或是插入其他插件维普识别不出来，很简单，你把文章复制粘贴到里面进行检测就可以了，如果你对检测论文有什么不懂的，可以随时联系我，TAO宝上搜索我的百度账号就可以了.
用office另存为一下，，，
具体原因如下学信网查重检测解析失败是因为查重文件处于在编辑状态、文档没有上传标准格式、上传文档过大、个人信息错填漏填以及查重用户过多导致的，在上传前应严格参照知网检测标准，再上传检测文件。学信网查重解析失败怎么回事一、查重文件处于在编辑状态。如果在提交论文时，论文文档在后台处于在编辑状态，知网查重将无法检测出文档内容，会被查重系统视为空白文档，查重系统检测不到内容，就会显示检测解析失败二、文档没有上传标准格式。知网查重系统-般只接受Word和PDF格式的文档，其他格式的文档查重系统将无法识别，这会导致检测解析失败。三、上传文档过大知网查重系统在检测15MI以上大小的文档时会显示检测失败，可以将论文中比较大的数据图片暂时删去,检测成功后再添加回来。四、必要信息错填漏填。知网查重系统在检测论文时，需要作者正确填写自己的姓名，论文题目和摘要等信息，如果信息错填漏填都会导致检测解析失败。五、查重用户过多如果在同一时间有较多查重用户提交论文，则会导致系统缓慢而检测解析失败，只需要耐心等待或错峰查重，最慢两到三个小时就能出检测结果。
有可能你上传的文档是空的。
一般连续重复13字算重复，要是一句话 一个片段有一半以上字数相同不连续也会相似度较高的，标红建议修改，只需修改标红的部分，其他没标红的尽量不要修改，重复部分要完全用个人语言去重新组织表达，只是替换同义词和打乱顺序是不佳的。
系统检测重复和你是否标注了引用是没有关系，不管标没有标注参考文献引用都是要检测的，检测系统不区分您是不是标注为引用，统统列出来。如果标注为引用就排除，那检测就没任何意义，大家随便抄，想抄多少就抄多少，只要标注引用就可以，用率不能等同于抄袭率，不能作为判断是否抄袭的依据，仅反映引用部分占整个论文的比重，但引用率过高将可能是引用过度，该行为亦是学术不端的一种。具体标准得参考学校或单位的要求。
维普查重注意事项
需要注意维普查重系统这检测中对文档格式做了说明，官网说这样写的，支持文档格式：WORD文件（.doc .docx）、文本文件（.txt）、PDF文件（.pdf）。虽然系统给出了可以上传pdf，但多种论文查重系统对该格式解析过程多少会有差异，影响检测结果准确性。
除了直接上传文档外，维普查重系统也可以复制粘帖，把word中的全部内容粘帖到检测框，和前一种方式比较，粘帖后文中的图片会不显示，表格也去除了格式，只显示表中的文本，维普查重系统已经支持图片和表格检测，并这检测结果中完整显示，方便修改和降重。
以上内容参考 维普查重-维普论文检测官网
“维普论文”是一个包含学术论文、期刊、会议论文等资源的在线数据库。正常情况下，这些论文应该是经过专业审核和筛选的，符合学术规范和道德标准的。至于“异常库”的说法，我并不确定它指的是什么。如果是指维普论文数据库中收录的不规范、低质量或存在学术不端的论文，可以通过相应的机制进行检测和处理，例如学术界的评审和撤稿机制、学术期刊的责任编辑制度等。这些机制旨在保障学术研究的公正性、严谨性和可靠性。需要注意的是，维普论文数据库仅提供相关学术文献的检索和浏览服务，并不对其中的内容进行评价、推荐或保证。因此，在使用维普论文数据库时，需要谨慎判断和筛选论文，并遵守学术规范和道德标准。
目标检测（object detection）是计算机视觉中非常重要的一个领域。在卷积神经网络出现之前，都利用一些传统方法手动提取图像特征进行目标检测及定位，这些方法不仅耗时而且性能较低。而在卷积神经网络出现之后，目标检测领域发生了翻天覆地的变化。最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。 目标检测分为两步：第一步是对图像进行分类，即图像中的内容是什么；第二步则是对图像进行定位，找出图像中物体的具体位置。简单来说就是图像里面有什么，位置在哪。 然而，由于不同图片中物体出现的大小可能不同（多尺度），位置也可能不同，而且摆放角度，姿态等都可以不同，同时一张图片中还可以出现多个类别。这使得目标检测任务异常艰难。上面任务用专业的说法就是：图像识别+定位两个不同的分支分别完成不同的功能，分类和定位。回归（regression）分支与分类分支（classification）共享网络卷积部分的参数值。 还是刚才的分类识别+回归定位思路。只是现在我们提前先取好不同位置的框，然后将这个框输入到网络中而不是像思路一将原始图像直接输入到网络中。然后计算出这个框的得分，取得分最高的框。 如上，对于同一个图像中猫的识别定位。分别取了四个角四个框进行分类和回归。其得分分别为0.5,0.75,0.6,0.8，因此右下角得分最高，选择右下角的黑框作为目标位置的预测（这里即完成了定位任务）。 这里还有一个问题——检测位置时的框要怎么取，取多大？在上面我们是在257x257的图像中取了221x221的4个角。以不同大小的窗口从左上角到右下角依次扫描的话，数据量会非常大。而且，如果考虑多尺度问题的话，还需要在将图像放缩到不同水平的大小来进行计算，这样又大大增加了计算量。如何取框这个问题可以说是目标检测的核心问题之一了，RCNN，fast RCNN以及faster RCNN对于这个问题的解决办法不断地进行优化，这个到了后面再讲。 总结一下思路： 对于一张图片，用各种大小的框将图片截取出来，输入到CNN，然后CNN会输出这个框的类别以及其位置得分。 对于检测框的选取，一般是采用某种方法先找出可能含有物体的框（也就是候选框，比如1000个候选框），这些框是可以互相重叠互相包含的，这样我们就可以避免暴力枚举所有框了。讲完了思路，我们下面具体仔细来看看RCNN系列的实现，本篇先介绍RCNN的方法。 R-CNN相比于之前的各种目标检测算法，不仅在准确率上有了很大的提升，在运行效率上同样提升很大。R-CNN的过程分为4个阶段： 在前面我们已经简单介绍了selective search方法，通过这个方法我们筛选出了2k左右的候选框。然而搜索出的矩形框大小是不同的。而在AlexNet中由于最后全连接层的存在，对于图像尺寸有固定的要求，因此在将候选框输入之前，作者对这些候选框的大小进行了统一处理——放缩到了统一大小。文章中作者使用的处理方法有两种： （1）各向异性缩放因为图片扭曲可能会对后续CNN模型训练产生影响，于是作者也测试了各向同性缩放的方法。有两种方法： 此外，作者对于bounding box还尝试了padding处理，上面的示意图中第1、3行就是结合了padding=0，第2、4行结果采用padding=16的结果。经过最后的试验，作者发现采用各向异性缩放、padding=16的精度最高。 卷积神经网络训练分为两步：（1）预训练；（2）fine-tune。 先在一个大的数据集上面训练模型（R-CNN中的卷机模型使用的是AlexNet），然后利用这个训练好的模型进行fine-tune（或称为迁移学习），即使用这个预训练好的模型参数初始化模型参数，然后在目标数据集上面进行训练。 此外，在训练时，作者还尝试采用不同层数的全连接层，发现一个全连接层比两个全连接层效果要好，这可能是因为使用两个全连接层后过拟合导致的。 另一个比较有意思的地方是：对于CNN模型，卷积层学到的特征其实就是基础的共享特征提取层，类似于传统的图像特征提取算法。而最后的全连接层学到的则是针对特定任务的特征。譬如对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对性别分类的特征了。 最后，利用训练好的模型对候选框提取特征。 关于正负样本的问题：由于选取的bounding box不可能与人工label的完全相同，因此在CNN训练阶段需要设置IOU阈值来为bounding box打标签。在文章中作者将阈值设置为0.5，即如果候选框bounding box与人工label的区域重叠面积大于0.5，则将其标注为物体类别（正样本），否则我们就把他当做背景类别（负样本）。 作者针对每一个类别都训练了一个二分类的SVM。这里定义正负样本的方法与上面卷积网络训练的定义方法又不相同。作者在文章中尝试了多种IoU阈值（0.1~0.5）。最后通过训练发现，IoU阈值为0.3的时候效果最好（选择为0精度下降了4个百分点，选择0.5精度下降了5个百分点）。即当IoU小于0.3的时候我们将其视为负样本，否则为正样本。 目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。在实现边界回归的过程中发现了两个微妙的问题。第一是正则化是重要的：我们基于验证集，设置λ=1000。第二个问题是，选择使用哪些训练对(P,G)时必须小心。直观地说，如果P远离所有的检测框真值，那么将P转换为检测框真值G的任务就没有意义。使用像P这样的例子会导致一个无望的学习问题。因此，只有当提案P至少在一个检测框真值附近时，我们才执行学习任务。“附近”即，将P分配给具有最大IoU的检测框真值G（在重叠多于一个的情况下），并且仅当重叠大于阈值（基于验证集，我们使用的阈值为0.6）。所有未分配的提案都被丢弃。我们为每个目标类别执行一次，以便学习一组特定于类别的检测框回归器。 在测试时，我们对每个提案进行评分，并预测其新的检测框一次。原则上，我们可以迭代这个过程（即重新评估新预测的检测框，然后从它预测一个新的检测框，等等）。但是，我们发现迭代不会改进结果。 使用selective search的方法在测试图片上提取2000个region propasals ，将每个region proposals归一化到227x227，然后再CNN中正向传播，将最后一层得到的特征提取出来。然后对于每一个类别，使用为这一类训练的SVM分类器对提取的特征向量进行打分，得到测试图片中对于所有region proposals的对于这一类的分数，再使用贪心的非极大值抑制（NMS）去除相交的多余的框。再对这些框进行canny边缘检测，就可以得到bounding-box(then B-BoxRegression)。 参考： Rich feature hierarchies for accurate object detection and semantic segmentation. RCNN-将CNN引入目标检测的开山之作-晓雷的文章 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN R-CNN 论文翻译
翻译：Inspection of moving taregt
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0.3。
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0.01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0.001；对于PASCAL VOC数据集中的20k的mini-bacth数据，学习率为0.0001。随机梯度下降算法的动量设置为0.9，重量衰减率为0.0005。
训练具有共享特征网络的三个方法：
版权印版权标识