我们论文检测的时候，都要去对比一个资源库，知网有知网的资源库，万方有万方的资源库，维普有维普的资源库，你的论文检测的时候就是和这些库里收录的论文做比较，看你抄人家的没有。“自建库”顾名思义就是你自己可以建一个这样的资源库来自己使用。
自建库是自己创建的对比源，由于每个检测系统数据库有差异，所以自主建立对比库是非常有必要的。建立成功后，提交检测的论文会跟你的自建库，系统的本地库，以及网络库进行对比检测。填的时候根据提示填入比对文章的标题、作者、论文类型、年份，导入比对内容就可以了。
提交论文检测时勾选自建库，系统将论文与自建库和本地库，以及网络库同时进行对比检测。
自建库是自己创建的对比源，由于每个检测系统数据库有差异，所以自主建立对比库是非常有必要的。建立成功后，提交检测的论文会跟你的自建库，系统的本地库，以及网络库进行对比检测。填的时候根据提示填入比对文章的标题、作者、论文类型、年份，导入比对内容就可以了。
对于我们很多企业缺乏社会经验的人一般来说，论文的写作和查重可能是通过一个头疼的问题，很多疑惑也会随之发展产生，比如论文的格式是什么？论文查重查什么？自建库论文查重是什么意思接下来，我们来谈谈自建库论文查重。 一、自建库论文查重是什么这个意思？ 1.自建库论文查重是指上传自己的文献资源。建议对比库进行查重。许多学校会建立自己的论文查重库，以便查重和检测论文。 2.您还可以将写作过程中参考的所有文献资源上传到自建图书馆，然后通过检查自建图书馆进行准确的比较。建立自建库有利于有效解决类似比或复制比过高的问题，方便用户及时比较和修改。 3.灵活使用自建数据库，根据论文检测结果修改重复率高的部分，控制论文总相似度。 2、 自建数据库论文查重系统与掐论文查重系统的比较。 1.与其他论文查重系统的数据库不同，自建库输入的数据和文献存在一定的差异。数据库的差异使得论文查重结果存在一定的差异。 2.自建库论文查重虽然方便大家修改比较论文，但由于数据库中自建库和paperfree等论文查重系统的差异，也会直接影响论文的查重率。因此，建议您在向学校提交论文前，使用论文查重系统至少进行一次检测，以确保论文查重率可控制在合理范围内。
万方检测是查重报告检测最快的了，本身万方数据库的数据量收录也是非常大，所以相对来说也很准，论文修改过后降重效果也比较直接，目前很多学校都是使用万方查重的。
如何是毕业论文，则选择本科版或者硕博版，专科可以选择通用版，期刊杂志社发表论文，则选择职称版。第三步、填写论文基本信息、把文章复制到“内容区”。
选择好论文查重网站后，在网站首页找到论文查重的入口，点进去然后提交检测就可以了，一般参考文献是不会被检测到的，目录也是不会被检测到的，可以不放进去检测。
论文查重是借助论文查重系统进行的，论文作者只需要把论文上传到查重系统，系统会根据论文目录进行分段查重。查重系统会根据连续出现13个字符的重复来计算论文的整体查重率。由于不同系统的数据库包含不同的文献和算法，查重结果会有所不同。
数据库管理系统：
数据库管理系统是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、XML；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话。
或依据所用查询语言来作分类，例如SQL、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。
万方检测系统全称是万方相似性检测服务（Paper Similarity Detection Service），是由北京万方数据股份有限公司开发的一套专门用于在海量数据文献资源中对学术成果进行相似性检测的系统，并提供客观详实的检测报告。一般万方的检测系统提供学术出版、科研、学位论文等提供检测支持。并与国内多所高校进行合作，所以很多我们的高校检测论文的时候都是使用的万方的检测系统，那么万方到底好不好呢？有的同学检测论文的时候发现自己的论文检测结果为0，对此感到非常的惊讶，不敢相信，在这里我说这是可能的，并且是正常的。为什么呢？下面就来看看吧！首先我们要了解的是万方的检测文献库有些什么，这个相当于检测系统的灵魂，一个系统是否强大，文献库的广泛与否是非常重要的。万方检测系统共有四个库：中国学术期刊数据库中国学位论文全文数据库中国学术会议论文数据库中国学术网页数据库单单从4个库来说，对比知网的10多个文献库来说，是比较少的，那是不是因为是这些库不够所以才造成自己检测的论文经常为0呢？情况不是不可能，但是不是主要的原因，细心的同学们通过对比可以发现，有一个非常特殊的文献库，那就是互联网资源，对互联网稍微了解的同学都知道，这个是个非常庞大的检测范围，无论是你是抄袭的还是撰写的时候和别人类似了，这些的可能性将变的更大，万方检测系统没有互联网的库，只有自己的收录过的文章的文献库，从这两个方面来说，这个检测抄袭的可能性就大大降低了，所以说出现0的情况是可能的，因为万方没有检测网络资源，这个是关键。对于万方系统来说，自己收录过的文章才算是真正别人的文章，你是不允许抄袭的，如果只是在网上发布了，而万方的文献库没有收录，它是检测不出来的，所以很多同学说为什么我抄袭了些内容，万方系统没有检测出来，这就是原因。什么时候该使用万方的系统？1、如果同学们的学校指定了使用万方检测系统，那么恭喜，论文写完后，直接使用万方检测系统检测一下，然后认真修改，再进行检测，通过了学校的标准就万事大吉了，如果出现了0也不用担心，拿到学校检测也一样是0。2、如果学校指定的是知网或者是其他的论文检测系统，那么对于万方的这么少的数据库而言就不够了，这时候万方论文检测系统只适合在论文写作完成初期的时候进行第一次检测，进行稍微的修改，然后再继续进行写作，直到文章写作完毕，最后定稿的时候就使用知网的系统，这才是正确的选择，但是一定不要拿万方和知网的系统进行比较，毕竟不同的检测系统有不同的算法和文献库，你怎么比较也比较不出什么。所以将精力放在论文写作上
1.打开papersame检测网站,选中万方论文检测查重系统,然后点击立即检测按钮进入检测页面!2.粘贴论文标题作者以及论文原文,看看系统提示拍多少件,然后点击下一步!去淘宝购买检测号,检测号就是淘宝订单编号!如下图所示:3.购买完检测号后,回到检测页面粘贴淘宝订单编号然后提交检测,等待检测结果就可以了,最后下载检测报告!保存好就是永久的!检测完可以删除检测网址中的检测报告,这样更加安全!
1、选择一个可靠的论文检测系统；2、在选定的论文检测网站上注册或直接登录账户，然后点击查重入口查重；3、输入论文的相关信息，点击上传论文；4、论文检测时间一般为10-30分钟；5、拿到论文检测报告后，根据测试报告中的内容对论文进行有针对性的修改，修改完成后再次进行检测和修改，步骤与上述内容一样。
首先，找到一个靠谱的论文查重系统，之后按照系统的提示一步步提交操作，把论文内容提交到框中，然后点击检测，等待检测结束后生成报告。最后按照检测报告中的重复部分进行修改，达到学校的标准为止。
1、首先要做的是选择一个可靠的论文检测系统，比如知网，paperfree，这些都是值得我们信赖的。但需要注意的是，知网不对个人开放，我们使用知网查重一般是学校提供的入口；但paperfree等查重系统可以随时多次进行查重。2、选择论文检测网站后，可以在选择的检测网站注册或者直接登录账号，然后就可以点击查重入口查重了。不过需要注意的是，如果选择的查重系统中有查重版本的区别，那么应该选择自己所需要的查重版本。3、之后输入论文的相关信息，点击上传论文。上传论文时，注意论文文档的格式是否正确。比如论文检测系统要求word文档，就不要上传成PDF格式，因为对查重结果也有很大影响。4、论文检测的时间一般是10到30分钟，查重结束后，我们可以下载论文检测报告。
首先用浏览器打开知网论文查重官网入口，选择适合自己的知网查重系统，本科阶段一般采用pmlc检测系统，硕士博士一般采用vip检测系统。然后点击“立即检测”按钮，就可以进入知网查重提交的页面，输入自己论文的标题和自己的姓名，上传自己的论文文档就可以提交检测了。提交查重之前需要支付一定的费用，如果是高校发放的账号，则不需要。付款之后等待2-3个小时就可以下载知网查重报告了。
1.首先，百度进入天天论文查重网2.填写【论文标题】，【论文作者】，把需要检测的论文内容复制到【论文内容】里面的文本框里面，然后点击下一步；3.输入订单号，订单号查找的办法是：我的淘宝——已买到的宝贝；4.检测报告下载，一般是10分钟左右即可下载报告，高峰期会有所廷迟；
论文检测的方法有很多种，最主要的就是论文查重，现在很多人都会在网上买一种查重软件，然后对自己的论文进行查重，如果发现有重复的部分，就对那些部分进行改正，这是一个比较方便的软件
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 ：
1、首先要做的是选择一个可靠的论文检测系统，比如知网，paperfree，这些都是值得我们信赖的。但需要注意的是，知网不对个人开放，我们使用知网查重一般是学校提供的入口；但paperfree等查重系统可以随时多次进行查重。2、选择论文检测网站后，可以在选择的检测网站注册或者直接登录账号，然后就可以点击查重入口查重了。不过需要注意的是，如果选择的查重系统中有查重版本的区别，那么应该选择自己所需要的查重版本。3、之后输入论文的相关信息，点击上传论文。上传论文时，注意论文文档的格式是否正确。比如论文检测系统要求word文档，就不要上传成PDF格式，因为对查重结果也有很大影响。4、论文检测的时间一般是10到30分钟，查重结束后，我们可以下载论文检测报告。