如今，越来越多的人写论文了，为防止抄袭、代写、抄袭、买卖论文等学术不端现象，所有要发表的论文和学生毕业论文都需要进行查重检测，并得到论文检测报告，以避免抄袭、代写、抄袭、买卖论文等学术不端现象。论文检测报告怎么看？ 一、如何下载论文检测报告？ 论文检测报告由论文检测系统提供，论文作者只需上传到选定的检测系统，该系统可以自动地将论文中的内容与数据库中的文献进行检测，计算出重复率，最终呈现为论文的检测报告。这一过程一般需要三十分钟左右，检测完毕，直接点击查看报告即可查看报告，按下下载报告，检测报告就会以PDF格式存入本地。目前市场上有各种各样的论文检测系统，建议大家在选择检测系统时必须综合考虑安全性和准确性，Paperfree论文查重系统是一个很好的选择。 二、论文检测报告如何看？ 各种论文检测系统的论文检测报告会有不同，但差别不大，以Paperfree论文检测系统为例。第一页为论文检测结果的基本信息，包括对比结果、报告编号、论文主题、论文作者、语句相似性分布图和本地库相似资源清单等，报表中用红色标记出的内容属于严重相似内容，相似性在70％以上建议完全修改，用橙色表示的内容是轻微相似内容，相似度高于40％低于70％，经适当修改，不得以任何颜色标记的文本为合格部分。
论文查重报告是指通过论文查重系统检测出的论文，论文查重报告主要包括了论文查重率、论文对比、对比来源、作者姓名等基本信息。通常，相似度在80%~100%会用红色字体显示出来，相似度50%~80%的用黄色字体显示，而绿色字体表示没有找到相似的语句，一般红色部分建议修改，黄色部分酌情修改。
其次，毕业论文查重报告是在提交了论文，并且检测完成之后论文查重报告才会有。在paperfree、papertime提交检测论文，检测完成就会生成报告，点击导航栏“查看报告”，然后找到刚刚查重的论文后面的查看报告就可以了。
在查重报告的开头，可以看到作者、提交检测时间、论文标题等信息，下面一点可以看见论文的总体相似度、详细报告、综合评估、查看原文、使用帮助、打印pdf等，在往下是正文部分，用对应的颜色标注了，可以一目了然的看到，哪些部分相似度极高，哪些地方相似度适中，哪些地方没有找到相似语句，同时paperfree、papertime还提供了“在线改重”功能，实现了一边修改论文，一边论文查重，改哪里检测那里，可以提高论文降重的效率，节省修改论文时间。
北的中心城市。那（你们）的男篮很厉害啊，我看你就有点像郭艾伦。”真会说话，大侄子郭艾伦可是辽篮的金牌。马二自感受用，肚子里的火便熄了大半。“在下便是这个店的老板，多有得罪，还望客官海涵，海涵！”老板说着，把服务员又唤了过来：“快煮二斤刚从青岛空运来的大虾，再开一瓶七十年的陈酿，吾要和这位客官畅饮几杯。”酒拿上来了，包装盒上还真有七十年的字样，且用醒目的黑体字标着：“非转基因高粱米酿造”。马二不由联想起所谓元青花瓷器的底部印有“微波炉专用”字样的段子，心中暗笑。虾端上来了。难道这就是传说中的青岛大虾？就是吓得黄晓明和Baby 不敢在当地举办婚礼的青岛大虾？观其形态，就是普通的基围虾嘛！马二吃了一只，觉得味道还不如大连的嘎巴虾。两人边喝边聊，开始聊的不过是美酒大虾的话题，后来火锅店老板就有意无意地探问了马二的婚姻情况。酒过三巡，两人都有点醉意。马二也不自觉进入了穿越的角色，见火锅店老板年纪比自己略小，便以兄长自居，问道：“愚兄有一事不明，不知贤弟为啥待我这般客气？”老板叹了一口气，说道：“兄台有所不知，这和愚弟的家事有关。”“啥？家事？此话怎讲？”“说来话长，吾有一个妹子，已过婚嫁年龄，可一直未有心仪之人。眼瞅着就要滑入剩女之列，家父家母焦急万分，我也为此寝食不安。”“原来如此。”马二想了想，试探地问道，“看贤弟是位帅锅，想来，令妹也是位美女吧！”
知网查重结果解读方式
一、 中国知网查重报告单以网页形式mht(或PDF，PDF还是mht，系统随机)呈现
mht文件可以运用浏览器打开，知网查重报告通常有四份，如下所示：
1、全文对照报告单：全文的重复内容和相似来源出处对照;
2、全文对照和全文引文：就是平常用来修改论文重复率时候运用的，全文标明引文即全文重复内容会标红，并且有引用文献列表，可以看到查重的全文内容;
3、去除本人发表文献：自己发表投稿过的论文被系统收录了，此时如果再引用之前的论文内容，就可以根据自己的名字(作者)排除这些重复的内容;
4、简洁报告：一般用来做打印。
二、中国知网查重报告单上面有很多数据，一般就是查看总文字复制比，也就是论文重复率。
①总文字复制比就是重复率，抄袭率，相似度;
②去除引用文献复制比就是去除引用文献后的结果;
③去除本人已发表文献复制比就是去除和本人重复后的结果(值得说明的是如果没有发表过论文，那这个数值和总文字复制比是一致的!);
④单篇最大文字复制比就是和本论文相似度最高的文章和本论文的重复率及文章名称。
知网查重报告怎么看如下：
1、不论是通过什么论文查重系统来进行检测，还是在论文查重后来查看检测报告，并显示下载报告的相关项目或者按钮，直接点击检测报告查看内容，点击下载报告的项目，点击检测报告PDF本地可以保存。
2、以知网查重的论文检测报告来举例，检测报告的第一页将作为检测结果的概况，在这一概况中，会显示整体的复制率和章节的重复率，一眼就能看出，心里是否应该首先修改自己的论文全部一般大学对整体的重复率有要求。
如果检测结果的全文重复率高于学校的重复率要求，那么是必须要进行修改的，并且一些大学还要求章节重复率，更加严格。3、然后可以看到详细的论文检测报告，这份报告第一个有编号，这可以用知网独有的检测报告编号进行验证，看报告是否在正规的知网查重系统中有。主要现在市场上有很多假的知网查重系统，打着知网查重系统的牌，通过论文来进行检测，以此来取检测费用。
这个编号有利于避免伪造，检测使用的对比库的范围和具体的显示文字重复的情况。红色表示的是被判定为抄袭的文字，黄色表示的是被判定为引用文的文字，也可以看到比较页面。论文中剽窃的红字部分可以与库中被抄袭的原文进行比较。
一般左边是论文部分，右边是库的原文部分，抄袭部分都用红色表示。论文查重这些细节问题需要特别注意！
论文查重报告是指通过论文查重系统检测出的论文，论文查重报告主要包括了论文查重率、论文对比、对比来源、作者姓名等基本信息。通常，相似度在80%~100%会用红色字体显示出来，相似度50%~80%的用黄色字体显示，而绿色字体表示没有找到相似的语句，一般红色部分建议修改，黄色部分酌情修改。
其次，毕业论文查重报告是在提交了论文，并且检测完成之后论文查重报告才会有。在paperfree、papertime提交检测论文，检测完成就会生成报告，点击导航栏“查看报告”，然后找到刚刚查重的论文后面的查看报告就可以了。
在查重报告的开头，可以看到作者、提交检测时间、论文标题等信息，下面一点可以看见论文的总体相似度、详细报告、综合评估、查看原文、使用帮助、打印pdf等，在往下是正文部分，用对应的颜色标注了，可以一目了然的看到，哪些部分相似度极高，哪些地方相似度适中，哪些地方没有找到相似语句，同时paperfree、papertime还提供了“在线改重”功能，实现了一边修改论文，一边论文查重，改哪里检测那里，可以提高论文降重的效率，节省修改论文时间。
学位论文一般文献篇幅较大，字数多，硕士论文一般为3~5万字，博士论文则多达十多万字。因此，为了让用户对整个学位论文有一个快速的概况了解，知网查重系统特制定了以下指标体系：1）总重合字数（CCA）2）总文字复制比（TTR）3）总文字数（TCA）4）疑似章节数（QCA）5）总章节数（TCA）6）首部重合文字数（HCCA）7）尾部重合文字数（ECCA）上述指标从整体情况描述了论文的检测情况，便于用户快速了解该论文总的检测概况。
北的中心城市。那（你们）的男篮很厉害啊，我看你就有点像郭艾伦。”真会说话，大侄子郭艾伦可是辽篮的金牌。马二自感受用，肚子里的火便熄了大半。“在下便是这个店的老板，多有得罪，还望客官海涵，海涵！”老板说着，把服务员又唤了过来：“快煮二斤刚从青岛空运来的大虾，再开一瓶七十年的陈酿，吾要和这位客官畅饮几杯。”酒拿上来了，包装盒上还真有七十年的字样，且用醒目的黑体字标着：“非转基因高粱米酿造”。马二不由联想起所谓元青花瓷器的底部印有“微波炉专用”字样的段子，心中暗笑。虾端上来了。难道这就是传说中的青岛大虾？就是吓得黄晓明和Baby 不敢在当地举办婚礼的青岛大虾？观其形态，就是普通的基围虾嘛！马二吃了一只，觉得味道还不如大连的嘎巴虾。两人边喝边聊，开始聊的不过是美酒大虾的话题，后来火锅店老板就有意无意地探问了马二的婚姻情况。酒过三巡，两人都有点醉意。马二也不自觉进入了穿越的角色，见火锅店老板年纪比自己略小，便以兄长自居，问道：“愚兄有一事不明，不知贤弟为啥待我这般客气？”老板叹了一口气，说道：“兄台有所不知，这和愚弟的家事有关。”“啥？家事？此话怎讲？”“说来话长，吾有一个妹子，已过婚嫁年龄，可一直未有心仪之人。眼瞅着就要滑入剩女之列，家父家母焦急万分，我也为此寝食不安。”“原来如此。”马二想了想，试探地问道，“看贤弟是位帅锅，想来，令妹也是位美女吧！”
以一份真实的知网检测报告为例，
在知网检测报告里，首先可以看到中国知网的logo和文字
有报告的唯一编码，可用于验证报告的真伪，有检测时间和检测范围。
对于查重者最关键的信息是总文字复制比，去除本人已发表文献复制比，学校认定文章是否合格就是看着两个指标的。
在提前查重中，重复字数，总字数等指标可以帮助进行论文修改，因为检测报告里都是有全文标明引文这个报告单，这个报告单把论文的每一处重复文字都详细的标识出来，这需要对照重复文字进行修改，就可以有效降低重复率的。更详细说明请参阅
一：怎样看论文检测报告？1、不论是通过什么论文查重系统来进行检测，还是在论文查重后来查看检测报告，并显示下载报告的相关项目或者按钮，直接点击检测报告查看内容，点击下载报告的项目，点击检测报告PDF本地可以保存。2、以知网查重的论文检测报告来举例，检测报告的第一页将作为检测结果的概况，在这一概况中，会显示整体的复制率和章节的重复率，一眼就能看出，心里是否应该首先修改自己的论文全部一般大学对整体的重复率有要求。如果检测结果的全文重复率高于学校的重复率要求，那么是必须要进行修改的，并且一些大学还要求章节重复率，更加严格。3、然后可以看到详细的论文检测报告，这份报告第一个有编号，这可以用知网独有的检测报告编号进行验证，看报告是否在正规的知网查重系统中有。主要现在市场上有很多假的知网查重系统，打着知网查重系统的牌，通过论文来进行检测，以此来取检测费用。这个编号有利于避免伪造，检测使用的对比库的范围和具体的显示文字重复的情况。红色表示的是被判定为抄袭的文字，黄色表示的是被判定为引用文的文字，也可以看到比较页面。论文中剽窃的红字部分可以与库中被抄袭的原文进行比较。一般左边是论文部分，右边是库的原文部分，抄袭部分都用红色表示。论文查重这些细节问题需要特别注意！二：怎样根据论文检测报告来修改论文？对重复的文字，重复的意思是，文字本身不是文字的意思，而是因为汉语的博大精深的含义，可以使用不同的文字来表达，因此对于重复的文字，可以用完全不同的表达方式进行修改。并且，可以用可使用的修改手段改变句型，或者改变单词，或者添加句子之间的关联词。
1）全文对照报告单：全文的重复内容和相似来源出处对照；2）全文对照和全文引文就是平常我们用来修改论文重复率时候使用的。全文标明引文即全文重复会标红，并且有引用文献列表，可以看到我们检测的全文内容；3）去除本人发表文献：是你之前在发表投稿过论文，被系统收录了，这时候如果再引用之前的论文内容，就可以根据你的名字（作者）排除这些重复的内容；你也可以简单搜索“教你如何看懂中国知网检测报告单”
毕业论文相信这是应届毕业生谈论最多的事情。马上就要迎来毕业季了，对于很多的应届毕业生来讲，他们要么就是在做毕业设计准备自己的毕业论文，而对于一些成绩优异，准备比较提前的学生来讲的话，毕业论文可能早就准备好了，下一阶段的工作就是考研了。而无论是已经准备好的学生还是没有准备好论文的学生。在这个阶段需要了解的事情就是毕业论文是如何进行自检的，以及毕业论文查重是如何进行的，毕业论文查重结果怎么看，什么样的结果才是最为合适的等等，这些都是需要广大的应届毕业生去了解。其实大家都非常清楚，写毕业论文是一个非常艰难的事情。毕竟几千字甚至是上万字的毕业论文，围绕一个中心思想，在言语表达绗棉要妥当等等，都是难以攻克的一关。所以能够写完毕业论文已经是一件非常幸福的事情。而在完成这项巨任之后，接下来要做的事情就是对论文进行自检，对论文进行一个整体的查重。毕业论文查重结果怎么看，其实也是非常简单的。现如今是高科技技术飞速发展的时代，想要对论文进行查重检测的话也是非常简单的一件事情。现在有很多的论文查重软件，你只需要登录这些软件进行查重就可以了。非常简单迅速。现在的查重软件有知网、维普、万方论文查重等等非常多。其实这些平台的话是有一个共同点的，就是查重的界面是比较相似的。查重的界面是直接点击进去，然后根据里面按的提示将自己的文章填进去。整个过程是非常简单迅速，容易操作的。而毕业论文查重结果怎么看。只要点击软件的检测按钮就可以进行检测。最终的结果也会直接显现出来。或许有一部分学生会问到底什么样的结果才算合适呢。其实每一个学校对于查重率的要求是不一样的。如果你的文章查重率超过百分之三十的话基本上就是不符合规范的。所以学生在进行论文写作的时候在原创度上一定要有保证。毕业论文查重结果怎么看，其实当你找到一个你所心仪的软件之后，然后再进行登录查重，将你的论文内容按照要求复制进去之后，就可以非常清晰的看到最终的结果了。
如今，越来越多的人写论文了，为防止抄袭、代写、抄袭、买卖论文等学术不端现象，所有要发表的论文和学生毕业论文都需要进行查重检测，并得到论文检测报告，以避免抄袭、代写、抄袭、买卖论文等学术不端现象。论文检测报告怎么看？ 一、如何下载论文检测报告？ 论文检测报告由论文检测系统提供，论文作者只需上传到选定的检测系统，该系统可以自动地将论文中的内容与数据库中的文献进行检测，计算出重复率，最终呈现为论文的检测报告。这一过程一般需要三十分钟左右，检测完毕，直接点击查看报告即可查看报告，按下下载报告，检测报告就会以PDF格式存入本地。目前市场上有各种各样的论文检测系统，建议大家在选择检测系统时必须综合考虑安全性和准确性，Paperfree论文查重系统是一个很好的选择。 二、论文检测报告如何看？ 各种论文检测系统的论文检测报告会有不同，但差别不大，以Paperfree论文检测系统为例。第一页为论文检测结果的基本信息，包括对比结果、报告编号、论文主题、论文作者、语句相似性分布图和本地库相似资源清单等，报表中用红色标记出的内容属于严重相似内容，相似性在70％以上建议完全修改，用橙色表示的内容是轻微相似内容，相似度高于40％低于70％，经适当修改，不得以任何颜色标记的文本为合格部分。
知网查重是指用一定的算法将你的论文和知网数据库中已收录的论文进行对比，从而得出你论文中哪些部分涉嫌抄袭，即检查你的论文重复率。在知网查重时，黄色的文字是“引用”，红色的文字是抄袭别人论点。
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。
主要就是看以下几点：1、总文字复制比，也就是检测出来的重复率。2、全文标明引文，重复都已经被标红。3、全文对照报告单，相似内容来源都准确标出。红色文字表示文字复制部分;黄色文字表示引用部分，根据指示进行修改就可以了。
在中国知网论文查重入口进行论文查重之后，知网会给每一位在该平台查重的需求方提供一份该有知网官网标示的查重报告，这份报告具有权威性和专业性，因此它可以作为学术不端行为的验证标准。知网查重提供的报告和其它平台提供的查重报告有什么差别吗？有什么不一样的地方吗？中国知网论文查重平台出具的论文检测报告是知网专属的报告，它的格式还有展示方式肯定和其它查重平台提供的是不同的。就以知网和paperfree为例，知网的查重报告上的细致分解和paperfree虽然看上去大同小异，但两个平台的查重报告结构是不同的，是各有所长的。不过，因为论文查重是要收取费用的，所以还有不少的平台在冒充知网官网给一些毕业生进行论文的重复率检测，然后把假的知网的检测报告提供给对方，因此，毕业生应该要注意好自己选择时的网站是不是真的是知网的唯一检测渠道的，不能随便看到有知网两个字，就把论文提交上去检测。知网检测权威渠道里有个CNKI的字母标示，这个标示很重要，如果一个大学毕业生登录的网站不带这四个字母，那基本可以认定是假冒的知网查重平台，一旦查重需求方登录了假冒的查重平台进行查重，那么查重出来的结果可能会和知网官网渠道有着天壤之别，重复率检测标准也会有很大的误差。所有为了自己论文的安全性，一定要在一个靠谱的知网平台进行检测，才能得到一个靠谱的知网查重报告。
AnchorFree有两种不同的输出方式，一种是它可以作为一个路由器来连接多台设备，另一种是它可以直接插入一台设备，并将网络信号传输给此设备。
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）。
Anchorfree的输出可以有多个。它是一种网络安全解决方案，它可以帮助您保护您的网络流量，并且可以防止您的网络流量被窃取或拦截。它可以让您在网络上自由浏览，而不必担心被攻击者攻击或拦截。Anchorfree的输出可以通过它的安全服务器来实现，它可以帮助您访问被墙的网站，并且可以提供更安全的网络连接。此外，Anchorfree还提供了一些其他的安全功能，例如VPN，可以帮助您更好地保护您的网络安全。
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 ：