对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下：
在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了 层， 代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于0.5，就认为是正类。 对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。
框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的 ，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。 如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。 这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：
RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成 块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。 为了提高效率，Fast-RCNN首先选取 个图像，再从每个图像上选择 个RoI，这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：
为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为 ，输入后会映射（用 的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用 的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：
在每一个滑动窗口（可以参考 ），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：
自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。
对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。 与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。
不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程： 第一个：从roi proposal到feature map的映射过程。 第二个：从feature map划分成7*7的bin，每个bin使用max pooling。
为此，作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别，回归框，mask的网络使用如下图结构：
整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。
1、可能是因为格式不正确
就整个引文的书写方式而言，除了要注明具体的引文外，还要注明引文的出处。实际上，引用部分是为了更好的论证论点的背景，在具体的理解过程中当然也需要看一下论文引用内容查重的出现飘红是什么原因。很大一部分原因就是一个内容的书写不正确，这种情况应及时修改格式，按规范的格式书写。
2、可能是查重率太高
写论文时如果过度引用了别人的内容，超出了引用范围，系统就会自动计算为重复率。文章引述内容查重必须看一下为什么会飘红，因为对于重复性较高的内容，除了需要及时修改外，还要看一下有哪些方法可以降低重复性，减少重复率是很重要的，至少要在学校规定的范围内。即使只有一小部分标红，也会影响论文的查重率。
3、可能有错误的引用
许多人之所以在引用过程中出现引用错误，是因为很多人认为把内容标注为引用就能降低查重率。没想到根本没有出处，且与其他论文内容重复，自然会出现“飘红”的情况。写作时千万不要随意捏造参考资料，否则，还会导致整个文章质量很差，影响教师的指导方向。
帮你躲避反抄袭论文检测的6个秘诀今年很多高校相继引入了“学术不端检测”系统，通过该软件系统检测，一旦认定论文的结果为抄袭，就直接影响授予毕业生学位。毕业论文即将完成，尚未送达教授前，首先面临着知网（CNKI）学位论文学术不端的检测，如何躲避论文抄袭检测系统，从而顺利毕业呢？秘诀1：正确的引用引用的句子如果的确是经典的句子，就用上标的尾注的方式，在参考文献中表达出来。在引用标号后，不要轻易使用句号，如果写了句号，句号后面的就是剽窃了（尽管自已认为是引用），所以，引用没有结束前，尽量使用分号，可以将文字转换为表格、表格基本是查重不了的，文字变成图形、表格变成图形，一目了然，绝对不会检查出是重复剽窃了。这都是真实的，我可是帮多人修改过硕士学位论文。秘诀2：提前检测可以在提交学校前，先到paper119进行论文检测，paper119是国内第一家提供各种检测系统的检测服务的网站，会提供详尽的检测报告单，并用红色字体将涉嫌抄袭的标出，根据paper119老师的修改建议改正，可顺利通过学校论文检测。经过砸银子试验，这家paper119网站检测出的结果确认跟学校检测结果一样。秘诀3：增删改写paper119老师告诉我说，东拼西凑其实并没有过时，关键在于要仔细，不能露出马脚。首先在不同的资料当中找到我需要的东西，然后把每句话变变句式，换换说法，加一些解释性的扩充，略作增删，最后把这些部分组织到一起，论文就大功告成了。虽然繁琐一点，但是最后出炉的论文，嘿嘿，绝对就像去韩国做了整容手术一样，焕然一新！论文检测系统见到这论文，也只有叹气的份儿。多加参考书目，把脚注一通乱加，那就是双重保险了！” 秘诀4：英译中拼凑要抄，就不能留下任何痕迹。她的方法更加繁琐，但也更加保险，那就是翻译。跨语言的论文测谎系统还没有研发出来。广泛查阅外文资料，挑出可以为我所用的部分，按照一定框架合在一起，一篇拼凑的英文论文就诞生啦！再把它翻译成中文，毕业论文不就有着落了吗？说抄袭，检测软件查得出来吗？这种方法对英语水平有很高要求，不过，英语一般的同学也有自己的“门道”。有些同学付钱给学校里英语专业的研究生，请他们对自己的“双语论文”全程把关。“很多学校的墙上贴着这种小广告，英语专业的学生为人操刀论文，价格也不菲，少则几百元多则上千元。秘诀5：修改代码和图表改写也好，翻译也罢，都是力气活儿。几万字的论文，如果字字改写，句句翻译，恐怕论文没写完，已经是人比黄花瘦，华发上鬓头了。理工科学生是天下最幸福的人，因为“理工科的论文，变变数据图表啊，变变操作环节啊，就可以变成自己的东西了，反抄袭软件根本查不出来”。理工科的个人成果要好出一些，数据不一样，画图不一样，结果就不一样。paper119自己写个软件，下载一个源代码，然后根据需要加以修改，就能把代码变成自己的啦！最后用自己的框架搭建起来，毕业设计就完成了。秘诀6：GOOGLE翻译大法如果说以上所有同学的“反反抄袭”密招都还在大家的理解范围之内的话，那么这种“反反抄袭”法，则让人瞠目结舌，以为自己遇到了火星人。这种方法，命名为“Google法”。“所谓‘Google法’，就是找一篇现成的论文，把论文的每一段都用Google在线翻译成英文，然后将翻译好的英文用Google在线翻译全部转回中文。猛地看上去，跟原文差不多；可是仔细一看，其实每句话都不一样！只要自己再把少量的语病改一改，就大功告成了。”提交论文之前，上paper119论文检测，通过检测可以查看自己的论文有哪些破绽，再把露出马脚的部分精心修改。这样一来，把毕业论文交上去，就不会有什么风险了。有很多同学都准备这样做，顺利毕业哦！
本科一般不能高于30%，超过就不能答辩，不能答辩就意味着不能毕业。不能参考学长论文，尽量多看看书上的，因为本科论文学校用的是pmlc，可以检查到本科学长，一般的查重系统检测不到学长的，可以直接到图书馆查重，也可以到一些自助查重网站：PaperEasy、学术不端网、蚂蚁查重网等，全程自助安全。↓
在首页下方选择合适的论文查重系统。步骤：1、用户进入维普查重首页后，在首页下方选择合适的论文查重系统，注意查看自己的论文是否符合查重系统的标准。2、在查重界面输入论文题目和论文作者，并将待检测论文上传至查重系统中，点击提交检测按钮。3、等待30分钟，60分钟左右的查重时间，查重完成后，用户在查重界面点击下载检测报告按钮，输入查重订单编号，点击查询结果，最后下载论文查重报告单至用户电脑中。
维普查重和知网查重差别大。
维普和知网查重出来的结果差别是比较大的，由于维普与知网使用的查重系统和收录的文献期刊数据库不同，而且两者的文献库存在差异，知网文献库收录的论文数量要多于维普文献库，因此很多学生在经过维普和知网查重后，都会出现知网查重率会比维普查重率高的情况。
建议学生在查重前需要仔细查看学校的查重规则，若明确要求使用知网进行检测，学生在提前查重时建议也使用知网查重系统检测论文。知网的查重方式采用的是最先进的模糊计算，对于整篇文章的查重是会分段并且打乱其结构的。
从每段中找到重复的语句，并且会设定5%的阀值，在段落中以最短句子为单位搜索重复部分，连续13个字符判定为抄袭。
知网：
中国知网是中国学术期刊电子杂志社编辑出版的以《中国学术期刊 ( 光盘版 ) 》全文数据库为核心的数据库。收录资源包括期刊、博硕士论文、会议论文、报纸等学术与专业资料；覆盖理工、社会科学、电子信息技术、农业、医学等广泛学科范围，数据每日更新，支持跨库检索。
知网，是国家知识基础设施的概念，由世界银行于1998年提出。CNKI工程是以实现全社会知识资源传播共享与增值利用为目标的信息化建设项目。由清华大学、清华同方发起，始建于1999年6月。2019年5月，“科研诚信与学术规范”在线学习平台在中国知网正式上线发布。
维普和知网查重差一些，维普的搜索更加智能好用。
读者需要明确，维普和知网查重二者之间是两个完全不同的检测系统，维普论文检测系统采用的是语义指纹识别技术，而知网则是采用的是字符数切分送检方式，计算规则的不同，使得二者的检测结果上肯定是存在差异性的。
对于知网查重而言，维普检测报告究竟有什么作用呢？学术不端网认为，维普检测报告的作用在于为学生提供论文的修改建议。维普检测报告是当前市面上对于学术期刊收入最广泛的检测软件之一，其检测结果对于作者而言具有借鉴意义。
此外，维普还拥有自建数据库的功能，作者可以根据自己撰写的论文主要借鉴和抄袭的部分，自建数据库，以此可以有效克服维普检测软件数据库的覆盖面不够广泛的问题，为初稿的修改提供指引。
使得市场中逐渐出现了以维普为首的其他论文检测系统，这些论文检测系统检测价格相对低廉，甚至是免费论文查重软件的出现，而且对于知网查重的查重率修改而言也具有一定的参考性，深受广大学生所推崇。
维普和知网查重差总结如下：
由于知网查重的价格相对较高，虽然实践当中有超过95%以上的高校本科生或者硕士研究生使用CNKI中国知网检测系统对大学生提交的毕业论文进行查重，之前在学术不端网已经总结过《知网查重和维普检测的区别》，但是其相对较高的价格以及其不针对个人客户开放。
毕业论文查重用过很多系统，相对来说，维普论文查重还是很不错的，学校一般用的是知网，建议大家完成后先用其他系统自查一下，维普查重就很方便，登录网站→输入题目、作者→上传论文→付费，十来分钟就出报告了，速度还是蛮快的。推荐paperbye免费论文查重网站（每日不限篇数和字数），采用阿里云认证的高防服务器，充分保护用户隐私。检测报告默认只保留7天，支持自行删除及报告加密、解除用户论文泄露之忧。
维普论文查重好多代理，价格都不完全一样的，具体查重方法如下：
第一步，打开网站（）;
第二步，选择“个人用户检测”进入，选择需要的版本提交论文；
第三步，输入单号下载报告
注意：维普查重有几个版本，提交论文之前注意选择自己需要的版本，不要选择错了。
进入维普，输入账号和密码，选择自己的用户类型，然后上传待查重的文章，点击下一步，选择支付方式，点击提交订单，检测完毕后，就可以对查重报告进行下载和查看。维普论文检测网站是目前权威的论文查重平台，维普查重提供维普大学生版、维普研究生版、维普职称认定版、维普编辑部版四个版本，分别适合不同的场景使用。
维普查重两种方式，第一是学校提供免费查重机会，其次是第三方付费查重收费标准3元/千字，前期初稿或中稿都可以使用paperbye免费查重软件，每日不限篇数和字数，同时数据库包括：学术期刊，学位论文，会议论文，互联网，英文数据库（涵盖期刊，硕博，会议的英文数据）。
维普查重方法：
1、输入维普论文网址（）
3、点击“大学生版”，免费注册。
6、付费后，等待查重结果，查重结果公布后，会附带一份查重报告，查重报告里边就会明确标注出查重率以及重复的论文内容，学员可以对重复的论文内容进行修改，这样查重率才能降下来。一定要对标注的所有重复部分都经过修改后，再进行二次查重。直到查重率低于20%。
进入维普，输入账号和密码，选择自己的用户类型，然后上传待查重的文章，点击下一步，选择支付方式，点击提交订单，检测完毕后，就可以对查重报告进行下载和查看。维普论文检测网站是目前权威的论文查重平台，维普查重提供维普大学生版、维普研究生版、维普职称认定版、维普编辑部版四个版本，分别适合不同的场景使用。
维普查重两种方式，第一是学校提供免费查重机会，其次是第三方付费查重收费标准3元/千字，前期初稿或中稿都可以使用paperbye免费查重软件，每日不限篇数和字数，同时数据库包括：学术期刊，学位论文，会议论文，互联网，英文数据库（涵盖期刊，硕博，会议的英文数据）。
维普论文查重方法如下：
第一步，打开网站（）;
第二步，选择“个人用户检测”进入，选择需要的版本提交论文；
第三步，输入单号下载报告
注意：维普查重有几个版本，提交论文之前注意选择自己需要的版本，不要选择错了。
维普论文查重好多代理，价格都不完全一样的，具体查重方法如下：
第一步，打开网站（）;
第二步，选择“个人用户检测”进入，选择需要的版本提交论文；
第三步，输入单号下载报告
注意：维普查重有几个版本，提交论文之前注意选择自己需要的版本，不要选择错了。