文本分类好发论文。因为文本是历史悠久、应用广泛、使用灵活、认可度最高的信息载体。所以文本分类好发论文。论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。
两篇都好发。opencv主要以实践和应用为主，同时需要研究成果可以指导应用。NLP是算法中最有挑战性的，因为在CV中，视频可以分割为一帧一帧的图像，像素点是有限的，这很适合计算机去解析。
大部分毕业生的论文已经成稿，经过无止境地修改润色后终于定稿了，如果内容方面没有需要大改的，接下来需要进行论文查重，如果重复率在学校规定的范围内就会上交到学校进行检测。重复率在学校规定范围内才算过，否则，论文将被打回重写，无法答辩、延期毕业，更有甚者取消学位。重复率多少就算过呢？对于论文的重复率要求，很多学校也是不一样的。
有的比较宽松，在20%-30%左右，超过的需要导师签字；有的则要求论文的重复率控制在5%-10%以内。具体不同的学历或者不同的学校对论文重复率的要求都是不同的：本科论文重复率<30%可申请答辩；<15%可申请院优秀论文；<10%可申请校级优秀论文；>25%有一次不超过5天的修改机会，修改后检测不通过延期答辩.硕士研究生论文重复率<20%可直接申请答辩;<40%有一次不超过2天的修改机会，修改后检测不通过延期答辩;>40%直接延期半年。博士研究生论文重复率<10%可申请答辩;>20%直接延期半年至一年答辩。需要注意的是，学校采用的论文查重系统不同，得到的重复率结果也是有区别的。这是因为每个系统查找范围不同，也就是说他们的数据库收录的资源是有区别的，如果你采用的查重系统刚好收录了你参考的文献，那么你的重复率结果查出来自然就比没被收录的系统要高。
然而，资源库只是一方面，查出来的重复率结果高不一定就证明该检测系统更准确，因为这其中还有一个算法的问题。你以为你改几句话，加几个字，句子重新排列组合下，系统就检测不出来了么？以papertime论文查重系统来说，是因为其采用语义识别技术进行比对，只要两个句子的相似度达到50%，就算作相似。相似片段处为橙色字体说明此片段为轻度抄袭，可根据需要酌情进行修改；相似片段处为红色字体说明此片段为重度抄袭，则需要全面进行修改。不管学校采用的什么查重系统，答辩前自己进行论文自查是十分有必要的。papertime论文查重系统提供的检测服务是有免费字数体验的，并且检测完成后将提供检测报告。如想得到更精准结果也可利用“自建库”功能，直接上传参考过的文献，系统优先对你上传的文献进行比对，还怕结果不够精准么？
论文查重时怎样算是抄袭？ 很多有过毕业论文查重和论文检测经验的人都知道，如果连续相似的字数和片段过多，重复率高于学校的要求，那么就会被判定为论文抄袭，其实论文抄袭也有等级之分，但是，只要存在相关行为就与学术研究的要求相违背，为了规避这一点，大家在论文查重前有必要对论文抄袭的界定进行分析。 第一种情况就是完全或者是基本抄袭其他的文章，只是进行了简单的修改和删减，但是重复相似的片段以及字数仍然很多，因此后台会直接根据检测算法来标红，在后期论文降重的时候就要根据标红的字数来修改，修改的篇幅较多，工作量很大。 第二种情况是在论文检测和论文查重的时候，尽管相似度并不是很高，内容并非完全一致，但是相似的片段仍然超出了最大阈值，因此整体的重复率高于学校的要求，这一情况的严重度略低于第一种，在后期检测查重的时候工作量仍然比较大，需要降重的部分较多。 第三种情况是没有按照论文查重检测系统后台的要求注明引用标签，大部分的后台是机器算法检测，因此无法对这些人工失误进行判定，会直接将这些引用的部分标红，还有一种情况是即使打上了引用标签，如果引用的篇幅和次数超过了论文检测系统的阈值，也会被直接标红。 第四种情况是多篇文章东拼西凑，只简单润色就提交论文查重检测，这种情况是非常常见的，这样写出来的文章实质上只能算作是作品汇编，基本上没有自己的学术研究和创作，大部分的论文检测系统能够直接识别出来，所以建议大家不要走捷径，即使能通过机器系统的检测，在导师那里审核时也会被一眼识别出来。
生态批评视角下的论文如下：
范文一：
二十世纪后半期以来，人类面临着空前的生态危机和生存危机。如果危机得不到有效的遏制，在不远的将来人类作为一个生物种群将有可能从地球上消失。正是在这种情况下，一种全新的文学批评理论：生态批评应运而生。生态批评的主要诉求是重审人类文化，揭示生态危机的思想文化根源。
生态思想家沃斯特明确指出：“我们今天所面临的全球性生态危机，起因不在生态系统本身，而在于我们的文化系统。要度过这一危机，必须尽可能清楚地理解我们的文化对自然的影响。”生态批评以当代生态整体主义哲学为思想基础，从跨学科、跨文化的视角探讨文学、文化与自然之间的相互关系，雄辩地揭示了生态危机本质上是人类文化的危机。
范文二：
多年来，生态文学批评一直就文学与自然环境的关系不断提出问题并试图予以回答。生态文学批评家经常提出的问题，除了诸如作者是怎样描述大自然、作品的主题是否反映生态环境意识、人应该如何对待大自然、人在自然中处于什么位置等之外。
还包括这样一些根本问题：怎样确定自然与文化的关系？当代生态文学批评研究的方向和思路是什么？生态批评是不是一门“终极的科学”？怎样把生态文学研究与其他学科结合起来以便达到一个互补互利的结果？等等。
范文三：
生态批评不仅要研究所有生态文学作家和作品、所有作品具有生态意义的部分，而且还必须对己有的反生态的作家和作品进行生态思想角度的重新审读和重新评价。这有利于唤醒人们的生态保护意识，重新铸就一种生态文明时代的生态人文精神。
人类征服和统治自然的思想根源是人类中心主义。柏拉图的《泰阿泰德篇》记载了普罗塔戈拉的一句话：“人是万物的尺度：是存在物存在的尺度，也是不存在物不存在的尺度。”古希腊文学鼓励人们以统治者的态度对待自然，是人类中心主义最深远的思想根源。拉伯雷是文艺复兴时期著名的人文主义作家。
1、总文字复制比在30%以下的论文视为通过检测，由导师根据具体情况负责审核认定，不存在学术不端行为的可正常送审或答辩。
2、总文字复制比在30%-50%之间的论文视为未通过检测，研究生在导师指导下对论文进行修改，时间不得超过十天，经导师签字确认复检合格后方可进行论文送审或答辩;须延期答辩的，研究生在导师指导下对论文进行修改，一年内重新申请答辩。
3、总文字复制比在50%以上者，一般不能进行本次论文答辩，研究生在导师指导下对论文进行重大修改，一年内重新申请答辩，若再次申请答辩的论文总文字复制比仍超过50%，则取消其学位申请资格。
扩展资料:
职称论文重复率检测不能超过10%。合格核心期刊相比较其他刊物，对重复率的要求更为严格一些，大部分核心期刊的查重率要求不高于10%，也有一些是不高于5%，而一般的普刊大部分要求不高于25%或是30%。
在不确定自己的论文是否达标的情况下，可以选择提前查重，比如查重帮论文查重平台，通过专业的职称论文检测平台，对于论文的写作修改都有很大的帮助。
参考资料：中国知网论文查重检测系统入口-论文查重率多少算合格啊?
前期初稿可以使用，PaperTime论文查重软件通过海量数据库对提交论文进行对比分析，准确地查到论文中的潜在抄袭和不当引用，实现了对学术不端行为的检测服务。
paperbye论文查重软件-论文检测、智能降重。
准不准是相对的，得看学校的要求而定，如果高校或单位要求用PaperFree，那么PaperFree查重结果就最准的，每个单位要求的查重系统不一样，各个查重系统收录数据和算法都有差别，没有绝对的准，PaperFree数据涵盖了大多数期刊、学位论文数据、互联网数据等，引用的相似内容多数情况下都可以检测出来，对于前期修改论文参考性价比高。
都差不多的哦 提交学校查重前 自己先用和学校一样的查重软件查一遍，毕业是大事情，不要大意
介于当前出现了不少打着免费旗号人论文的假软件，于是我总结了下，将几个可用的免费论文检测系统找出来。以方便大家，虽然这些网站检测结果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，ROST反剽窃检测系统 为什么把这个放在第一位呢，因为这个免费论文检测软件是没有任何限制，可长期使用的，该软件是由武大教授开发，现已免费开放给大家使用。目前很多童鞋电脑里都有这个免费论文检测系统。 2，维普通达检测系统个人注册后，可以免费检测三次。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抄袭检测系统。 3， PaperPass 论文通行证网 PaperPass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服务。是个不错的免费论文检测系统，不过1000个用户限制有点郁闷。 4，知识产权卫士-拷克网，多戈论文检测网 网站成立于2010年，主要致力于帮助大家顺利通过论文写作，网站主要提供各种反反抄袭检测技巧，免费论文检测系统的收集，介绍等。 6，中国搜文章照妖镜文章照妖镜不但可用来分析论文抄袭的程度，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。是一款完全的免费论文检测系统，但是功能稍差了点。 本文转自[多戈论文检测网]：
更好用的查重软件paperbye，自动降重，自动给出修改建议，可以在报告里直接编辑并修改文章，实现边查边改。
本科毕业论文查重一般要求是30以内，好一点得学校要求是20以内，建议论文重复最好在20以内，确保通过率。硕士论文查重一般要求是15左右。论文检测没有最好得，最有最合适得，查重软件要选择和学校一样得。比如学校是知网，那就选择知网查如果学校是维普，那就选择维普查 这样最准学校是知网 你用维普查重，那结果肯定不会准目前常见系统有，知网 paperpass 维普和万方 知网检测地址：维普检测地址：检测地址：
论文查重软件排行榜以下三个好。
1、知网论文查重软件数据库比较强大，并且可以分类对论文进行检测，有本科论文查重入口，硕博论文查重入口，职称论文查重入口，初稿论文查重入口等。
是目前高校使用最多的软件。对于本科毕业论文检测拥有独特的大学生联合对比数据库。检测结果基本上跟学校一致。
2、万方、维普是这几年兴起的论文查重软件，数据库没有知网齐全。版本也没有知网多，如果学校要求使用这两个查重，大家就可以去选择，如果没有要求选择这两个系统，大家就不要存在侥幸心理。
3、paperfree论文查重软件，是比较长久的论文查重软件，仅次于知网论文查重，在市场上得到了很多学校和毕业生的认可，也是很多学校要求使用的论文查重系统，查重速度快，查重结果准确，费用非常的低。
能不能给我发一份呢？
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 ：
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）。