网站有爱学术、汉斯出版社等。
1、爱学术是一家专业的学术文献分享平台，覆盖各个行业期刊论文，学位论文，会议论文，标准，专利等各类学术资源，是国内最大的学术文献交流中心和论文资源免费下载网站，旨在构建一个专业的学术文献交流分享平台。
2、汉斯出版社聚焦于国际开源(OpenAccess)中文期刊的出版发行，是秉承着传播文化和促进交流的理念，积极探索中文学术期刊国际化道路，并且积极推进中国学术思想走向世界。
用户还可以选择维普、万方、paperpass、论文狗、知网等查重网站进行毕业论文查重。
而如果学校通知统一查重会使用知网进行检测，那么建议学生也使用正规的知网查重网站进行检测，保证两者查重后的数据一致。
因此建议学生在提前查重前查看学校的查重通知，若学校通知学生使用对应类型的查重系统，学生在提前查重时建议也使用对应的查重系统进行检测。
知网查重包括包括论文正文、原创说明、摘要、图标及公式说明、参考文献、附录、实验研究成果、结语、引言、专利、文献、注释，以及各种表格。
大多数高校在每年毕业季时，都会统一发通知说明学校的毕业论文规范和查重说明，学校会统一下发论文样式等内容，一般会详细说明查重的范围。要是学校有具体的要求，那提交到学校的时候必须按照学校所要求的来。
知网查重是按照连续出现13个字符类似就会判为重复的标准计算论文重复率。如果学生抄袭了他人论文中的句子或者段落，知网查重系统在对其进行查重时，就会识别出重复部分，并计算到论文的总重复率之中。
因此建议学生在写作论文时不可出现抄袭等学术不端行为，防止因为出现过多重复部分从而使论文总重复率上升很多。
其他也可参见科塔学术导航网站
如果只是摘抄了别人的一点点的话，影响不大，但是如果你付现别人的很多的话，就会被认定为抄袭
给出一个输出3-12V的可调开关电源原理图，如下：
此电路仅给出直流输入以后的震荡、取样、比较、调整等完整电路，由于交流降压、整流电路相对简单，请自行准备。
电路工作原理：
R1、R2、C1和555时基电路组成无稳态多谐振荡器。振荡频率由R1、R2、C1值决定选择适当的元件值使震荡频率达到15KHz。R3是IC1的负载电阻，IC1输出脉冲触发信号波形如图（b）所示。
R4、C2和IC2组成单稳态触发器，IC1输出的脉冲触发信号直接进入IC2的低电平触发端第2脚。当触发电平为高电平时，单稳态触发器处于稳态，输出低电平，开关调整管V1处于截止状态。图（a）中的二极管VD1是电平移位管，以保证V1在触发器输出低电平时的可靠截止。触发端低电平到来时单稳态触发器翻转，输出高电平（暂稳态），V1饱和导通，同时电源通过R4对电容C2充电。当C2上的电位高于IC2第5脚的电位时，单稳触发器又回到稳态，输出为低电平，V1截止，电容C2通过IC2内部的放电管很快放电。如此往复循环，使V1工作在开关状态。图（a）中L为储能电感，VD2是续流二极管。单稳触发器的输出波形与触发端的触发信号和压控端IC2第5脚的电位Vco2关系如图（b）所示。
自动稳压过程：输出电压Vo经采样电路检测和基准电压进行比较，检出的误差信号由误差放大电路放大，自动调整IC2压控端第5脚电位Vco2的高低，使触发器输出信号脉冲宽度tpo相应变化。调整管V1的导通时间，从而达到自动稳压目的。输出电压的大小是由电位器RP进行调节的。
元件选择和制作：
储能电感L，可用高频磁环，用漆包线串扰40匝；
续流二极管VD2，用肖特基或快速恢复二极管，如2CN系列。
本电路制作关键是要保证触发信号的周期T大于单稳触发器暂稳态的脉宽tpo，否则电路不能工作。
调试时先把IC25脚断开，把示波器连到IC2的输出端，调节定时元件R1或R4，使示波器上触发器输出波形的暂稳态的脉宽tpo尽量和T接近。但要保证T>tpo即可。
其一是单片机输出一个电压(经DA芯片或PWM方式),用作电源的基准电压.这种方式仅仅是用单片机代替了原来的基准电压,可以用按键输入电源的输出电压值,单片机并没有加入电源的反馈环,电源电路并没有什么改动.这种方式最简单. 其二是单片机扩展AD,不断检测电源的输出电压,根据电源输出电压与设定值之差,调整DA的输出,控制PWM芯片,间接控制电源的工作.这种方式单片机已加入到电源的反馈环中,代替原来的比较放大环节,单片机的程序要采用比较复杂的PID算法. 其三是单片机扩展AD,不断检测电源的输出电压,根据电源输出电压与设定值之差,输出PWM波,直接控制电源的工作.这种方式单片机介入电源工作最多.
引言众所周知，任何闭环系统在增益为单位增益l，且内部随频率变化的相移为360°时，该闭环控制系统都会存在不稳定的可能性。因此几乎所有的开关电源都有一个闭环反馈控制系统，从而能获得较好的性能。在负反馈系统中，控制放大器的连接方式有意地引入了180°相移，如果反馈的相位保持在180°以内，那么控制环路将总是稳定的。当然，在现实中这种情况是不会存在的，由于各种各样的开关延时和电抗引入了额外的相移，如果不采用适合的环路补偿，这类相移同样会导致开关电源的不稳定。1 稳定性指标衡量开关电源稳定性的指标是相位裕度和增益裕度。相位裕度是指：增益降到0dB时所对应的相位。增益裕度是指：相位为零时所对应的增益大小(实际是衰减)。在实际设计开关电源时，只在设计反激变换器时才考虑增益裕度，设计其它变换器时，一般不使用增益裕度。在开关电源设计中，相位裕度有两个相互独立作用：一是可以阻尼变换器在负载阶跃变化时出现的动态过程；另一个作用是当元器件参数发生变化时，仍然可以保证系统稳定。相位裕度只能用来保证“小信号稳定”。在负载阶跃变化时，电源不可避免要进入“大信号稳定”范围。工程中我们认为在室温和标准输入、正常负载条件下，环路的相位裕度要求大于45°。在各种参数变化和误差情况下，这个相位裕度足以确保系统稳定。如果负载变化或者输入电压范围变化非常大，考虑在所有负载和输入电压下环路和相位裕度应大于30°。如图l所示为开关电源控制方框示意图，开关电源控制环路由以下3部分构成。<<<<<这里有图>>>>(1)功率变换器部分，主要包含方波驱动功率开关、主功率变压器和输出滤波器；(2)脉冲宽度调节部分，主要包含PWM脉宽比较器、图腾柱功率放大；(3)采样、控制比较放大部分，主要包含输出电压采样、比较、放大(如TL431)、误差放大传输(如光电耦合器)和PWM集成电路内部集成的电压比较器(这些放大器的补偿设计最大程度的决定着开关电源系统稳定性，是设计的重点和难点)。2 稳定性分析如图1所示，假如在节点A处引入干扰波。此方波所包含的能量分配成无限列奇次谐波分量。如果检测到真实系统对不断增大的谐波有响应，则可以看出增益和相移也随着频率的增加而改变。如果在某一频率下增益等于l且总的额外相移为180°(此相移加上原先设定的180°相移，总相移量为360°)，那么将会有足够的能量返回到系统的输入端，且相位与原相位相同，那么干扰将维持下去，系统在此频率下振荡。如图2所示，通常情况下，控制放大器都会采用反馈补偿元器件Z2减少更高频率下的增益，使得开关电源在所有频率下都保持稳定。<<<<,这里有图>>>>波特图对应于小信号(理论上的小信号是无限小的)扰动时系统的响应；但是如果扰动很大，系统的响应可能不是由反馈的线性部分决定的，而可能是由非线性部分决定的，如运放的压摆率、增益带宽或者电路中可能达到的最小、最大占空比等。当这些因素影响系统响应时，原来的系统就会表现为非线性，而且传递函数的方法就不能继续使用了。因此，虽然小信号稳定是必须满足的，但还不足以保证电源的稳定工作。因此，在设计电源环路补偿时，不但要考虑信号电源系统的响应特性，还要处理好电源系统的大信号响应特性。电源系统对大信号响应特性的优劣可以通过负载跃变响应特性和输入电压跃变响应特性来判断，负载跃变响应特性和输入电压跃变响应特性存在很强的连带关系，负载跃变响应特性好，则输入电压跃变响应特性一定好。对开关电源环路稳定性判据的理论分析是很复杂的，这是因为传递函数随着负载条件的改变而改变。各种不同线绕功率元器件的有效电感值通常会随着负载电流而改变。此外，在考虑大信号瞬态的情况下，控制电路工作方式转变为非线性工作方式，此时仅用线性分析将无法得到完整的状态描述。下面详细介绍通过对负载跃变瞬态响应波形分析来判断开关电源环路稳定性。3 稳定性测试测试条件：(1)无感电阻；(2)负载变化幅度为10％~100％；(3)负载开关频率可调(在获得同样理想响应波形的条件下，开关频率越高越好)；(4)限定负载开关电流变化率为5A／μs或者2A/μs，没有声明负载电流大小和变化率的瞬态响应曲线图形无任何意义。图3(a)为瞬变负载波形。图3(b)为阻尼响应，控制环在瞬变边缘之后带有振荡。说明拥有这种响应电源的增益裕度和相位裕度都很小，且只能在某些特定条件下才能稳定。因此，要尽量避免这种类型的响应，补偿网络也应该调整在稍低的频率下滑离。<<<<<这里有图>>>>图3(c)为过阻尼响应，虽然比较稳定，但是瞬态恢复性能并非最好。滑离频率应该增大。图3(d)为理想响应波形，接近最优情况，在绝大多数应用中，瞬态响应稳定且性能优良，增益裕度和相位裕度充足。对于正向和负向尖峰，对称的波形是同样需要的，因此从它可以看出控制部分和电源部分在控制内有中心线，且在负载的增大和减少的情况下它们的摆动速率是相同的。上面介绍了开关电源控制环路的两个稳定性判据，就是通过波特图判定小信号下开关电源控制环路的相位裕度和通过负载跃变瞬态响应波形判定大信号下开关电源控制环路的稳定性。下面介绍四种控制环路稳定性的设计方法。4．1 分析法根据闭环系统的理论、数学及电路模型进行分析(计算机仿真)。实际上进行总体分析时，要求所有的参数要精确地等于规定值是不大可能的，尤其是电感值，在整个电流变化范围内，电感值不可能保持常数。同样，能改变系统线性工作的较大瞬态响应也是很难预料到的。4．2 试探法首先测量好脉宽调整器和功率变换器部分的传递特性，然后用“差分技术”来确定补偿控制放大器所必须具有的特性。要想使实际的放大器完全满足最优特性是不大可能的，主要的目标是实现尽可能地接近。具体步骤如下：(1)找到开环曲线中极点过零处所对应的频率，在补偿网络中相应的频率周围处引入零点，那么在直到等于穿越频率的范围内相移小于315°(相位裕度至少为45°)；(2)找到开环曲线中EsR零点对应的频率，在补偿网络中相应的频率周围处引入极点(否则这些零点将使增益特性变平，且不能按照期望下降)；(3)如果低频增益太低，无法得到期望的直流校正那么可以引入一对零极点以提高低频下的增益。大多数情况下，需要进行“微调”，最好的办法是采用瞬态负载测量法。4. 3 经验法采用这种方法，是控制环路采用具有低频主导极点的过补偿控制放大器组成闭环来获得初始稳定性。然后采用瞬时脉冲负载方法来补偿网络进行动态优化，这种方法快而有效。其缺点是无法确定性能的最优。4．4 计算和测量结合方法综合以上三点，主要取决于设计人员的技能和经验。对于用上述方法设计完成的电源可以用下列方法测量闭环开关电源系统的波特图，测量步骤如下。如图4所示为测量闭环电源系统波特图的增益和相位时采用的一个常用方法，此方法的特点是无需改动原线路。<<<<<这里有图>>>>如图4所示，振荡器通过变压器T1引入一个很小的串联型电压V3至环路。流入控制放大器的有效交流电压由电压表V1测量，输出端的交流电压则由电压表V2测量(电容器C1和C2起隔直流电流的作用)。V2/V1(以分贝形式)为系统的电压增益。相位差就是整个环路的相移(在考虑到固定的180°负反馈反相位之后)。输入信号电平必须足够小，以使全部控制环路都在其正常的线性范围内工作。4．5 测量设备波特图的测量设备如下：(1)一个可调频率的振荡器V3，频率范围从10Hz(或更低)到50kHz(或更高)；(2)两个窄带且可选择显示峰值或有效值的电压表V1和V2，其适用频率与振荡器频率范围相同；(3)专业的增益及相位测量仪表。测试点的选择：理论上讲，可以在环路的任意点上进行伯特图测量，但是，为了获得好的测量度，信号注入节点的选择时必须兼顾两点：电源阻抗较低且下一级的输入阻抗较高。而且，必须有一个单一的信号通道。实践中，一般可把测量变压器接入到图4或图5控制环路中接入测量变压器的位置。图4中T1的位置满足了上述的标准。电源阻抗(在信号注入的方向上)是电源部分的低输出阻抗，而下一级的输入阻抗是控制放大器A1的高输入阻抗。图5中信号注入的第二个位置也同样满足这一标准，它位于图5中低输出的放大器A1和高输入阻抗的脉宽调制器之间。<<<<<这里有图>>>>5 最佳拓扑结构无论是国外还是国内DC／DC电源线路的设计，就隔离方式来讲都可归结为两种最基本的形式：前置启动+前置PWM控制和后置隔离启动+后置PWM控制。具体结构框图如图6和图7所示。<<<<这里有图>>>>国内外DC／DC电源设计大多采用前置启动+前置PWM控制方式，后级以开关形式将采样比较的误差信号通过光电耦合器件隔离传输到前级PWM电路进行脉冲宽度的调节，进而实现整体DC／DC电源稳压控制。如图6所示，前置启动+前置PWM控制方式框图所示，输出电压的稳定过程是：输出误差采样→比较→放大→光隔离传输→PWM电路误差比较→PWM调宽→输出稳压。Interpoint公司的MHF+系列、SMHF系列、MSA系列、MHV系列等等产品都属于此种控制方式。此类拓扑结构电源产品就环路稳定性补偿设计主要集中在如下各部分：(1)以集成电路U2为核心的采样、比较电路的环路补偿设计；(2)以前置PWM集成电路内部电压比较器为核心的环路补偿设计；(3)输出滤波器设计主要考虑输出电压／电流特性，在隔离式电源环路稳定性补偿设计时仅供参考；(4)其它部分如功率管驱动,主功率变压器等，在隔离式电源环路稳定性补偿设计时可以不必考虑。而如图7所示，后置隔离启动+后置PWM控制方式框图，输出电压的稳定过程是：输出误差采样→PWM电路误差比较→PWM调宽→隔离驱动→输出稳压。此类拓扑结构电源产品就环路稳定性补偿设计主要集中在如下各部分：(1)以后置PWM集成电路内部电压比较器为核心的环路补偿设计；(2)输出滤波器设计主要考虑输出电压／电流特性，在隔离式电源环路稳定性补偿设计时仅供参考。(3)其它部分如隔离启动、主功率变压器等，在隔离式电源环路稳定性补偿设计时可以不必考虑。比较图6和图7控制方式和环路稳定性补偿设计可知，图7后置隔离启动+后置PWM控制方式的优点如下：(1)减少了后级采样、比较、放大和光电耦合，控制环路简捷；(2)只需对后置PWM集成电路内部电压比较器进行环路补偿设计，控制环路的响应频率较宽；(3)相位裕度大；(4)负载瞬态特性好；(5)输入瞬态特性好；(6)抗辐照能力强。实验证明光电耦合器件即使进行了抗辐照加固其抗辐照总剂量也不会大于2x104Rad(Si)，不适合航天电源高可靠、长寿命的应用要求。6 结语开关电源设计重点有两点：一是磁路设计，重点解决的是从输入到输出的电压及功率变换问题。二是稳定性设计，重点解决的是输出电压的品质问题。开关电源稳定性设计的好坏直接决定着开关电源启动特性、输入电压跃变响应特性、负载跃变响应特性、高低温稳定性、生产和调试难易度。将上述开关电源稳定性设计方法和结论应用到开关电源的研发工作中去，定能事半功倍。百度只能上传一张图,所以我就不上图了.图你可以去下面的参考资料那里看,不过你记得加分哦,加分了还有你想要的更多的开关电源调研的资料.在下面链接留言说你想要什么样的资料就可以了
这个网站非常多，
龙源期刊网查自己的论文的方法如下：
1、第一种方法是在龙源期刊网站选择文章选项，在检索栏输入文章题目，再点击查找按钮（放大镜图标）、然后在检索结果中，就可以看到论文摘要，论文出处。
2、第二种方法是在龙源期刊网的龙源文库中查找论文。选择龙源期刊网导航栏中的龙源文库输入论文题目，检索结果出来后，选择文章即可。
3、第三种方法是从龙源期刊网期刊目录中查找论文。也就是在龙源期刊网查询，自己所投稿的期刊，第几期中的论文。选择杂志选项，在检索栏里输入期刊名称，点击查找按钮。然后选择右侧的查看所有期刊号，最后选择哪一年的第几期就可以查看那期文章了。
龙源期刊网简介
龙源期刊网创建于1998年，是中国领先的人文大众期刊数字发行平台。全文在线的综合性人文大众类期刊品种达到4200多种，优质版权文章数量超过2500万篇，内容涵盖时政、党建、管理、财经、文学、艺术、哲学、历史、社会、科普、军事、教育、家庭、体育、休闲、健康、时尚、职场等全领域。
1、第一种方法是在龙源期刊网站选择文章选项，在检索栏输入文章题目，再点击查找按钮（放大镜图标）、然后在检索结果中，就可以看到论文摘要，论文出处。
2、第二种方法是在龙源期刊网的龙源文库中查找论文。选择龙源期刊网导航栏中的龙源文库输入论文题目，检索结果出来后，选择文章即可。
3、第三种方法是从龙源期刊网期刊目录中查找论文。也就是在龙源期刊网查询，自己所投稿的期刊，第几期中的论文。选择杂志选项，在检索栏里输入期刊名称，点击查找按钮。然后选择右侧的查看所有期刊号，最后选择哪一年的第几期就可以查看那期文章了。
收费，在龙源期刊网上进行论文的查重，需要将自己论文上传到龙源期刊网上的论文查重页面的入口处。
姓名：牛晓银；学号：20181213993；学院：计算机科学与技术 转自： 【嵌牛导读】：目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。 【嵌牛鼻子】：目标检测、检测模型、计算机视觉 【嵌牛提问】：你知道或者用过哪些目标检测算法？ 【嵌牛正文】： （一）目标检测经典工作回顾 本文结构 两阶段模型因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，我们选取R-CNN系列工作作为这一类型的代表。 R-CNN: R-CNN系列的开山之作 论文链接： Rich feature hierarchies for accurate object detection and semantic segmentation 本文的两大贡献：1）CNN可用于基于区域的定位和分割物体；2）监督训练样本数紧缺时，在额外的数据上预训练的模型经过fine-tuning可以取得很好的效果。第一个贡献影响了之后几乎所有2-stage方法，而第二个贡献中用分类任务（Imagenet）中训练好的模型作为基网络，在检测问题上fine-tuning的做法也在之后的工作中一直沿用。 传统的计算机视觉方法常用精心设计的手工特征(如SIFT, HOG)描述图像，而深度学习的方法则倡导习得特征，从图像分类任务的经验来看，CNN网络自动习得的特征取得的效果已经超出了手工设计的特征。本篇在局部区域应用卷积网络，以发挥卷积网络学习高质量特征的能力。 R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络（AlexNet），得到每个区域内物体的类别。 另外，文章中的两个做法值得注意。 一是数据的准备。输入CNN前，我们需要根据Ground Truth对提出的Region Proposal进行标记，这里使用的指标是IoU（Intersection over Union，交并比）。IoU计算了两个区域之交的面积跟它们之并的比，描述了两个区域的重合程度。 文章中特别提到，IoU阈值的选择对结果影响显著，这里要谈两个threshold，一个用来识别正样本（如跟ground truth的IoU大于），另一个用来标记负样本（即背景类，如IoU小于），而介于两者之间的则为难例（Hard Negatives），若标为正类，则包含了过多的背景信息，反之又包含了要检测物体的特征，因而这些Proposal便被忽略掉。 另一点是位置坐标的回归（Bounding-Box Regression），这一过程是Region Proposal向Ground Truth调整，实现时加入了log/exp变换来使损失保持在合理的量级上，可以看做一种标准化（Normalization)操作。 小结 R-CNN的想法直接明了，即将检测任务转化为区域上的分类任务，是深度学习方法在检测任务上的试水。模型本身存在的问题也很多，如需要训练三个不同的模型（proposal, classification, regression）、重复计算过多导致的性能问题等。尽管如此，这篇论文的很多做法仍然广泛地影响着检测任务上的深度模型革命，后续的很多工作也都是针对改进这一工作而展开，此篇可以称得上"The First Paper"。 Fast R-CNN: 共享卷积运算 论文链接： Fast R-CNN 文章指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。 上图是Fast R-CNN的架构。图片经过feature extractor得到feature map, 同时在原图上运行Selective Search算法并将RoI（Region of Interset，实为坐标组，可与Region Proposal混用）映射到到feature map上，再对每个RoI进行RoI Pooling操作便得到等长的feature vector，将这些得到的feature vector进行正负样本的整理（保持一定的正负样本比例），分batch传入并行的R-CNN子网络，同时进行分类和回归，并将两者的损失统一起来。 RoI Pooling 是对输入R-CNN子网络的数据进行准备的关键操作。我们得到的区域常常有不同的大小，在映射到feature map上之后，会得到不同大小的特征张量。RoI Pooling先将RoI等分成目标个数的网格，再在每个网格上进行max pooling，就得到等长的RoI feature vector。 文章最后的讨论也有一定的借鉴意义： multi-loss traing相比单独训练classification确有提升 multi-scale相比single-scale精度略有提升，但带来的时间开销更大。一定程度上说明CNN结构可以内在地学习尺度不变性 在更多的数据(VOC)上训练后，精度是有进一步提升的 Softmax分类器比"one vs rest"型的SVM表现略好，引入了类间的竞争 更多的Proposal并不一定带来精度的提升 小结 Fast R-CNN的这一结构正是检测任务主流2-stage方法所采用的元结构的雏形。文章将Proposal, Feature Extractor, Object Classification&Localization统一在一个整体的结构中，并通过共享卷积计算提高特征利用效率，是最有贡献的地方。 Faster R-CNN: 两阶段模型的深度化 论文链接： Faster R-CNN: Towards Real Time Object Detection with Region Proposal Networks Faster R-CNN是2-stage方法的奠基性工作，提出的RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。粗略的讲，Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU上以5fps的速度运行，而在精度方面达到SOTA（State of the Art，当前最佳）。 本文的主要贡献是提出Regional Proposal Networks，替代之前的SS算法。RPN网络将Proposal这一任务建模为二分类（是否为物体）的问题。 第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box（如上图右边部分），取定IoU的阈值，按Ground Truth标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。 由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。 小结 Faster R-CNN的成功之处在于用RPN网络完成了检测任务的"深度化"。使用滑动窗口生成anchor box的思想也在后来的工作中越来越多地被采用（YOLO v2等）。这项工作奠定了"RPN+RCNN"的两阶段方法元结构，影响了大部分后续工作。 单阶段（1-stage）检测模型 单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。 YOLO 论文链接： You Only Look Once: Unified, Real-Time Object Detection YOLO是单阶段方法的开山之作。它将检测任务表述成一个统一的、端到端的回归问题，并且以只处理一次图片同时得到位置和分类而得名。 YOLO的主要优点： 快。 全局处理使得背景错误相对少，相比基于局部（区域）的方法， 如Fast RCNN。 泛化性能好，在艺术作品上做检测时，YOLO表现比Fast R-CNN好。 YOLO的工作流程如下： 1.准备数据：将图片缩放，划分为等分的网格，每个网格按跟Ground Truth的IoU分配到所要预测的样本。 2.卷积网络：由GoogLeNet更改而来，每个网格对每个类别预测一个条件概率值，并在网格基础上生成B个box，每个box预测五个回归值，四个表征位置，第五个表征这个box含有物体（注意不是某一类物体）的概率和位置的准确程度（由IoU表示）。测试时，分数如下计算： 等式左边第一项由网格预测，后两项由每个box预测，以条件概率的方式得到每个box含有不同类别物体的分数。 因而，卷积网络共输出的预测值个数为S×S×(B×5+C)，其中S为网格数，B为每个网格生成box个数，C为类别数。 3.后处理：使用NMS（Non-Maximum Suppression，非极大抑制）过滤得到最后的预测框 损失函数的设计 损失函数被分为三部分：坐标误差、物体误差、类别误差。为了平衡类别不均衡和大小物体等带来的影响，损失函数中添加了权重并将长宽取根号。 小结 YOLO提出了单阶段的新思路，相比两阶段方法，其速度优势明显，实时的特性令人印象深刻。但YOLO本身也存在一些问题，如划分网格较为粗糙，每个网格生成的box个数等限制了对小尺度物体和相近物体的检测。 SSD: Single Shot Multibox Detector 论文链接： SSD: Single Shot Multibox Detector SSD相比YOLO有以下突出的特点： 多尺度的feature map：基于VGG的不同卷积段，输出feature map到回归器中。这一点试图提升小物体的检测精度。 更多的anchor box，每个网格点生成不同大小和长宽比例的box，并将类别预测概率基于box预测（YOLO是在网格上），得到的输出值个数为(C+4)×k×m×n，其中C为类别数，k为box个数，m×n为feature map的大小。 小结 SSD是单阶段模型早期的集大成者，达到跟接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速度。后续的单阶段模型工作大多基于SSD改进展开。 检测模型基本特点 最后，我们对检测模型的基本特征做一个简单的归纳。 检测模型整体上由基础网络（Backbone Network）和检测头部（Detection Head）构成。前者作为特征提取器，给出图像不同大小、不同抽象层次的表示；后者则依据这些表示和监督信息学习类别和位置关联。检测头部负责的类别预测和位置回归两个任务常常是并行进行的，构成多任务的损失进行联合训练。 相比单阶段，两阶段检测模型通常含有一个串行的头部结构，即完成前背景分类和回归后，把中间结果作为RCNN头部的输入再进行一次多分类和位置回归。这种设计带来了一些优点： 对检测任务的解构，先进行前背景的分类，再进行物体的分类，这种解构使得监督信息在不同阶段对网络参数的学习进行指导 RPN网络为RCNN网络提供良好的先验，并有机会整理样本的比例，减轻RCNN网络的学习负担 这种设计的缺点也很明显：中间结果常常带来空间开销，而串行的方式也使得推断速度无法跟单阶段相比；级联的位置回归则会导致RCNN部分的重复计算（如两个RoI有重叠）。 另一方面，单阶段模型只有一次类别预测和位置回归，卷积运算的共享程度更高，拥有更快的速度和更小的内存占用。读者将会在接下来的文章中看到，两种类型的模型也在互相吸收彼此的优点，这也使得两者的界限更为模糊。
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 ：
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，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。
随着打击学术不端行为的加大。随着各种论文查重系统的不断升级，论文的查重检测越来越严格。很多人可能会问:论文中的代码查重吗？下面介绍一下这个内容。1、 论文中的代码是否再次检测？1.代码实际上属于论文查重的范畴之一，但如果是word版本，使用WPS公式编辑器，则不会被查重；如果提交PDF版本，代码部分将被查重。2.另外，有些学科的代码是一样的，也会被查重。毕竟代码属于论文的正文部分，查重是必须的。重复次数超过控制范围后，也会被标记为红色，影响论文的查重率。3.知网近年来更新非常快。在最新版本的知网查重系统中，新增了源代码库，内容非常完整，可以支持等源代码的检测和比较。论文中代码如何降重？1.对于论文中查重率较高的部分代码，建议大家将其转换成图片，简单的操作就是将原始内容截图，重新插入论文。2.除了转换成图片，还可以适当删除查重率高的代码，或者以其他形式表达，但要注意代码的书写是否正确。3.如果引用的代码查重率偏高，很可能是引用部分设置的格式错误造成的，需要调整格式。4.代码的原创性也很重要，所以要尽量独立编写代码；对于一些重复率高的代码，应该尽量少用。
应该会。毕竟我当年毕设论文用PP查重的时候，化学药品名称、出厂公司都算是重复的。修改后终稿PP查重大概还是在5%，上交的时候学校用知网查重后是。
毕业设计源代码部分需要查重，查重部分为论文正文部分所有内容，包括源码及其引例。
论文查重标准与原则：
1、论文查重的标准在30%，只有论文的检测查重率在30%标准以下才能进行毕业答辩，如果论文的查重率在50%以上很有可能要被延迟毕业。
2、论文的查重率在30%-50%之间一般学校会再给一次查重机会。这个查重标准是一般的普遍标准，学校具体的查重率是多少还是要根据学校的相关文件要求或者咨询指导老师。
3、查重系统在查重前会设置一个阈值，如果阈值为5%，那么此段落对同一片文章的引用低于5%是检测不到的，但是超过5%就会认定为抄袭。
4、对超过阈值的段落再次进行检测，出现连续13个重复字符认定为抄袭句，然后把所有的全部重复率进行再次计算得出总的重复率。
扩展资料：
虽然不同学校或者不同专业对于毕业论文的查重率的合格标准是不尽相同的，但一般情况下，绝大部分高校规定的论文查重率合格标准是不可以超过30%的。当然，有一些重点院校或者专业规定的毕业论文查重率的合格标准会更严格，要求论文查重率要在20%甚至10%以下。
实际上，对于应届大学毕业生来讲，如果学历越高，那么对于毕业论文的查重率合格要求往往就会更为严格。其实这也是很正常的。
例如：本科的毕业论文查重率一般正常的合格标准是要在30%或者20%之内，而硕士的毕业论文查重率的正常合格标准则需要在15%甚至10%之内。当然，博士的毕业论文查重率的合格标准显然会更加严苛，通常是需要在10%或5%之内。
总之，如果是针对本科的毕业生论文，通常合格的重复率标准基本是在30%以下的，或者更为严格的要求是在20%之内。
事实上，以本科毕业论文来说，论文查重率只要小于30%基本上能够参加论文答辩了。如果毕业论文查重率达到小于15%的情况，那还能去申请评定院级优秀论文，小于10%的话能去申请评定校级优秀论文的资格了。
在之前的知网系统里面没有这个库，以往知网系统把声明、目录、参考文献自动排除，不算作正文查重，并根据目录和参考文献，判断文章的分段及引用情况。致谢作为正文，参与检测。支持文字、公式、表格、图片格式的内容的检测。
在最新版本的知网查重系统版本的报告单中，新增加了“源代码库”，支持进行cpp、java、py等源码的检测比对。源代码库是在2019年10月末最新的版本中加入的新比对库，增加“源代码库”后，论文中代码也需要查重。可以说升级后的知网系统，查重范围更广了。