重叠社区检测论文

重叠社区检测论文

paperpass比知网严格些，客观来说，你可以说这款软件没有智能识别，就是死板的检查你的抄袭，重叠即算“抄”，所以往往你检测出来很多八竿子挨不着的抄袭结果。正因如此，用它检测，不出意外的话，比知网要高10%左右。所以，我觉得你用paperpass检测，相似度能达到10%以内100%过。当然，要求放低一点的话，能在15%~18%左右也差不多，尽量不要超过20%。

检测论文综述（一） : 从RCNN到Mask-RCNN

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。

paperpass论文查重率太高怎么办

一般学校要求论文的重复率低于20%，paperpass查重太高了就是降低重复率。先了解一下paperpass判定重复率的方式。

1、知网是按段落检测，检测到13个相同的字，就认为是雷同，所以连续相同的，不要超过13个字，段落里面提示相似度是多少，然后综合起来；paperpass是在此基础上有一个比对作用，看看这句话里面与别的论文里面长度相似或相近的话中相似的字数，体现出相似的程度。

2、尽量用同义词替代，比如： 损坏=破坏；渠道=途径；原理=基本思路；不可见=隐藏；优点尤其突出=优势尽显无疑，大多数=大部分，等等，提前检测出来的报告里面，标红的地方是重点修改区域，拿文库163网来说，有三种颜色，绿色的不用修改，黄色的部分，如果不是大面积的话，如就一两句话，可以不修改，红色的是必须修改的。

3、改变句子的主动被动语态，比如：数字水印为多媒体数据文件在认证、防伪、防篡改、保障数据安全和完整性等方面提供了有效的技术手段。在多媒体制品的认证、防伪、防修改和传送安全以及完整性保障方面，可以采用数字水印的检测作为有力的检测手段。

4、同一句话里面有顿号，或者同一层次多个方面的内容，可以调整一些顺序。

5、图片是检测不出来的，有一些内容可以替换成表格或者图片，亦或者把一些表格或者图片转化成文字，这样也是可以降低重复率的。

扩展资料：

关于查重的小建议：

1、学校查重是全文提交查重（封面+著作权+原创性+摘要+目录+正文+参考文献+科研成果+致谢），本人封面和致谢有部分内容被标红，因此在网店查重不要去删减所谓的不检测部分；

2、把docx改成doc格式，学校查重是doc格式的文件查重，目的是把文中的矢量图变成位图，防止图中数据被读入检测系统强制拉低复制比，所以就不要抱侥幸心理了；（知网的bug，部分人品好的童鞋可能会碰上，不过不用去理会就是了）。

参考资料：

Paperpass官网

研究生毕业论文查重的修改误区有哪些？

1. 红色字体表示论文查重率过高，绿色字体表示文章被引用的部分，黑色字体表示文章没有重叠率的部分。论文修改主要是修改论文查重报告中红色部分和黄色部分字体。

2.在修改论文的过程中，一些学生为了机会主义，选择网上推荐的翻译软件进行降重，这样可以节省学生的修改时间和精力，但由于语言之间的显著差异，如果盲目使用这种方法修改论文会导致论文句子不通顺，最终导致论文整体学术水平下降。

3.在论文修改过程中，不仅可以改变单词的顺序，根据重复检查系统的计算规则，重复超过13过13个单词即使部分重复，一些学生认为只有通过简单的单词顺序交换才能完成修改，这个想法和做法是错误的，网络重复不仅是传统的机械重复检查，随着科技的发展，论文查重越来越智能，简单的交换顺序和替换单词不能保证通过论文查重检测。

ree小编告诉大家，论文查重后，不要贪图便宜。将修改后的论文提交其他平台进行论文重复检测，选择不同的重复检查系统，其数据库。计算方法与其他论文重复检查平台有显著差异。因此，使用任何检测系统，不要交换。