中国知网怎么免费下载论文，具体如下：
首先学生需要登录自己的校园网，在校园网首页中找到知网查重入口，点击进入后使用学校提供的账号和密码登录知网，学生即可享受免费查看文献的服务。
学生可以在知网首页搜索想要的文献标题，进入文献页面后点击下方的手机阅读或者html阅读，学生即可在知网免费查看全文论文内容。学生也可以点击caj下载或者pdf下载，将文献下载导出至电脑中。
1、输入，点击选择自己的大学；
2、以清华大学为例，输入自己的学号和密码并登入；
3、登录成功后，即可免费查看对应论文内容。
中国知网，始建于1999年6月，是中国核工业集团资本控股有限公司控股的同方股份有限公司旗下的学术平台。知网是国家知识基础设施（National Knowledge Infrastructure，NKI）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。
外国文献期刊找法如下：
操作设备：戴尔电脑
操作系统：win10
操作软件：浏览器
1、首先输入“知网”字样，点击知网官网，如下图所示：
2、进入知网官网以后，点击搜索栏右侧的“高级检索”选项，如下图所示：
3、在高级检索状态下，将检索结果选定在“外文文献”区域，比如这里的“light”和“agricultural”，然后检索，如下图所示：
4、在所有检索结果中，我们可以根据自己的需要点开文章的标题，查看文章的摘要，以作筛查，如下图所示：
5、当我们看过摘要，确定要这篇文章的时候，就点击下方的“全文下载”按钮，如下图所示：
6、接着就会弹出一个全英文的界面，我们在文章标题右侧可以找到“DOWNLOADPDF”的字样，点击它，如下图所示：
7、这是浏览器就会打开这一篇文章的pdf文档，如果需要打印或者下载的话，点击右上角的打印或下载按钮即可，如下图所示：
下载国外文献可以用下面这几个网站1、谷歌学术免费检索外文学术论文，部分文献可直接下载2、sci-hub免费下载外文文献，只是网站不太稳定需要经常查找新的域名，sci-hub也有没有收录的文献，特别是下载2022年及以后的文献暂时就不要用这个网站了。3、谷歌学术和sci-hub都下载不了的文献需要去文献来源数据库中下载，可以用文献党下载器（）该网站几乎整合汇集了所有中外文献数据库资源，覆盖全科。4、Web of Science是获取全球学术信息的重要数据库，和谷歌学术近似，但检索功能更强大。并且Web of Science 包括著名的三大引文索引数据库(SCI、SSCI、A&HCI)。如果没有Web of Science使用权限可参考第3条。
方法如下：
电脑型号：华硕A456U。
电脑系统：win10。
软件：知网。
1、首先打开电脑上面的浏览器，然后搜索知网，点击知网官网进入其中。
2、在知网中输入自己想要的搜寻的文章然后点击搜索按钮。
3、在搜索的结果中选中自己想要导出的参考文献。
4、然后在菜单栏中，点击导出与分析，再点击导出文献。
5、一般论文中文献的格式是GB/T 7714-2015 ，直接点击导出按钮。
6、除了GB/T 7714-2015格式，还有其他的引文格式。这里还可以导出Endnot格式，可以批量管理添加参考文献。
外国文献期刊找法如下：
操作设备：戴尔电脑
操作系统：win10
操作软件：浏览器
1、首先输入“知网”字样，点击知网官网，如下图所示：
2、进入知网官网以后，点击搜索栏右侧的“高级检索”选项，如下图所示：
3、在高级检索状态下，将检索结果选定在“外文文献”区域，比如这里的“light”和“agricultural”，然后检索，如下图所示：
4、在所有检索结果中，我们可以根据自己的需要点开文章的标题，查看文章的摘要，以作筛查，如下图所示：
5、当我们看过摘要，确定要这篇文章的时候，就点击下方的“全文下载”按钮，如下图所示：
6、接着就会弹出一个全英文的界面，我们在文章标题右侧可以找到“DOWNLOADPDF”的字样，点击它，如下图所示：
7、这是浏览器就会打开这一篇文章的pdf文档，如果需要打印或者下载的话，点击右上角的打印或下载按钮即可，如下图所示：
我开通了校园网，但是我使用的校外访问。
在登录知网的时候，你是看下右下角有个 校外访问 ，你点进去登录试试。
我提前说明一下，我是买了校园网的，但是我用的我手机的wifi热点连上得网络，然后使用的是“校外访问”登录上去的。登录成功后显示的是你的学校的名字，不是你个人的名字。
有CAJ 和PDF两种格式的论文，PDF格式，大部分电脑都有自带的软件，比如WORD,WPS,ADOBE等等。但是CAJ，英文是China acdamic Joural 中国学术期刊，这种格式你需要下载E-STUDY 或者叫什么CAJ浏览器，我觉得E-study比较好，因为这个都嫩用，CAJ浏览器只能看CAJ的。
另外，我找到这篇文章，你可以自己看！
（网页链接）
查找下载中文文献常用数据库：知网、万方、维普、超星/读秀（电子书）查找下载外文文献常用数据库：谷歌学术、Web of Science（ISI引文索引）、Wiley 、EI（工程索引）、PubMed （生物医学）、Elsevier（sciencedirect）没有文献数据库使用权限无法下载文献用：文献党下载器（）
免费下载知网论文的方法如下：
1、方法一：到中国国家图书馆网站上注册一个账号。进入知网，然后通过关键词i检索文献，之后将需要的文章标题复制下来，然后再从国家图书馆的入口进入知网搜索刚才复制下的标题，就能下载了。登陆之后下载这些期刊论文都是免费的。
2、方法二：超星移动图书馆，不过要等推送，慢。使用方法，首先你要是个学生，有学校的图书馆账号，一般就是你的学号。超星移动图书馆有网页版、PC版的，也有手机版和苹果版的，选择学校，用学校图书馆账号登录，绑定邮箱，然后你搜索到想要的文献后选择文献推送，就会把文献发给你的邮箱，承诺是48小时到，我一般遇上的都是第二天到。
3、方法三：学校VPN。各大高校基本提供了VPN，校园外用户可以使用vpn2，登陆后从“图书馆电子资源导航”进入即可。
4、方法四：上中国知网，根据下载量、引用量，选择期刊或论文，文献非常多，但无法查看完整文章。之后打开道客巴巴网站，搜索文章名称，基本都可以找到完整的文章但无法免费下载。下载“ 海纳百川 ”软件，专门针对道客巴巴的文章可以直接免费下载PDF版。
1，打开网页，在搜索栏里输入“中国知网”，点击搜索。进入界面，查找“中国知网”的官网，点击进入。2，进入“中国知网”首页，默认的文献检索方式是以”主题“进行检索。除此之外，还有很多方式，”关键词“、”作者“、”篇名等等“，根据需要选择更换。3，以”主题“检索为例，输入想要导出参考文献的题目，比如论文《底层、学校与阶级再生产》，输入完成后，点击搜索按钮。4，界面下方会出现和输入主题相似题目的文献，找到题目一致的论文后，点击选中前方的方格按钮。上方会显示选中文献的个数，”已选文献：1“，系统不会自动清除以往选过的论文数量，需要手动点击”清除“，才能清零。5，选中要导出的参考文献后，点击”导出/参考文献“，进入到”文献输出“界面。点击”导出“或者点击”复制到剪贴板“，两种方法均可。6.常用复制到剪贴板，格式字体变化的不大，点击”复制到剪贴板“，界面显示”已成功复制到剪贴板“即可前往文档中粘贴参考文献的格式。7，如果有多个文献需要导出文献格式，就把界面中的文献都选中，已选文献数量会提示选中了几篇文章。点击”导出/参考文献“，点击”导出“或”复制到剪贴板“。如需重新选择文献，按界面提示操作即可。
查找下载中文文献常用数据库：知网、万方、维普、超星/读秀（电子书）查找下载外文文献常用数据库：谷歌学术、Web of Science（ISI引文索引）、Wiley 、EI（工程索引）、PubMed （生物医学）、Elsevier（sciencedirect）没有文献数据库使用权限无法下载文献用：文献党下载器（）
原文： Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.
译文参考： Faster R-CNN论文翻译——中英文对照
目标检测网络依赖于Region Proposal算法假设目标位置，通过引入Region Proposal（网络RPN），与检测网络共享全图像卷积特征，使得Region Proposals的成本近乎为零。
如下图所示，图a采用的是图像金子塔（Pyramids Of Images）方法；图b采用的是滤波器金字塔（Pyramids Of Filters）方法；图c引入“锚”盒（"Anchor" Boxes）这一概念作为多尺度和长宽比的参考，其可看作回归参考金字塔（Pyramids Of Regression References）方法，该方法可避免枚举图像、多尺度滤波器和长宽比。
为了将RPN与Fast R-CNN相结合，本文提出了一种新的训练策略：在region proposal任务和目标检测任务之间交替进行微调，同时保持proposals的固定。该方案能够快速收敛，两个任务之间并共享具有卷积特征的统一网络。
Faster R-CNN由两个模块组成：
RPN以任意大小的图像作为输入，输出一组矩形的目标proposals，每个proposals都有一个目标得分。在实验中，假设两个网络（RPN和Fast R-CNN）共享一组共同的卷积层，并研究了具有5个共享卷积层的 Zeiler和Fergus模型（ZF） ，以及具有13个共享卷积层的 Simonyan和Zisserman模型（VGG-16） 。
为了生成region proposals，对最后的共享卷积层输出的卷积特征图谱使用一个小网络。该网络以卷积特征图谱的 空间窗口作为输入，且每个滑动窗口映射到一个低维特征，所有空间位置共享全连接层。
该低维特征作为两个子全连接层———边界框回归层（box-regression layer, reg）和边界框分类层（box-classification layer, cls）的输入，其卷积核均为 大小。
对于每个滑动窗口位置，可同时预测多个region proposals，最大region proposals数为 。因此，reg层具有 个输出，用于编码k个边界框的坐标；cls层具有 个得分，用于估计每个proposal是目标或不是目标的概率。
Anchors：k个proposals相对于 个参考框是参数化形式。
anchor位于滑动窗口的中心，并与尺度和长宽比相关。默认情况，使用3个尺度和3个长宽比，在每个滑动位置产生 个anchors。对于大小为 的卷积特征图谱，共产生 个anchors。
基于anchor的方法建立在anchors金字塔（pyramid of anchors）上，参考多尺度和长宽比的anchor盒来分类和回归边界框，用于解决多尺度和多长宽比问题。
为了训练RPN，为每个anchor分配一个二值标签。
正标签：
负标签：IoU值低于。
对Fast R-CNN中的多任务损失进行最小化。图像的损失函数为：
其中， 是mini-batch数据中anchor的索引， 是第i个anchor作为目标的预测概率。若anchor为正标签，真值 ；反之， 。 是表示预测边界框4个参数化坐标的向量， 是正真值框的向量。分类损失 为两个类别的对数损失；回归损失 ，其中 为在 Fast R-CNN 一文中定义的鲁棒损失函数（平滑 ）。 表示回归损失仅对正anchor激活，否则被禁用（ ）。cls和rge层的输出分别由 和 组成。该两项使用 和 进行标准化，并使用平衡参数 加权处理。等式中cls项根据mini-batch的大小进行归一化，而reg项根据anchor位置的数据进行归一化。默认情况下， 从而使得cls和reg项的权重大致相等。
对于边界框回归，采用 Rich feature hierarchies for accurate object detection and semantic segmentation 一文中的4个坐标参数化方法：
其中， 和 表示边界框的中心坐标及其宽和高。变量 和 分别表示预测边界框、anchor和真值框。
采样策略：以图像为中心。
在图像中随机采样256个anchors，用于mini-batch数据中损失函数的计算，正负样本的比例为 。
从标准差为的零均值高斯分布中提取权重来随机初始化所有的新网络层，而共享卷积层通过预训练ImageNet分类模型来初始化。同时，调整ZF网络的所有网络层，以及VGG网络的conv3_1之上的网络，用于节省内存的使用。对于60k的mini-batch数据，学习率为；对于PASCAL VOC数据集中的20k的mini-bacth数据，学习率为。随机梯度下降算法的动量设置为，重量衰减率为。
训练具有共享特征网络的三个方法：
版权印版权标识
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。
分享5种找文献途径！1、百度学术百度学术是一个较大的文献知识库，包含好几个中英文数据库，因而内容会比较宽泛。知网中的文献也会收录在百度学术中，其他包含的数据库还有万方、维普及其一些英文数据库，英文数据库会在下面单独介绍。进入百度搜索百度学术，输入需要的关键词、作者或期刊名称都可以得到你想要的内容。2. Wiley Online library这个文献数据库百度学术中也包含，只是我们常常用百度学术习惯去搜中文文献，因此把它们单独拿出来讲。搜索方法也是进入百度，输入WileyOnlinelibrary就进入下面这个界面，把你想要搜索的关键翻译成英文复制进去就可以了。3、 Springer这个数据库和 WileyOnlinelibrary类似，也是英文文献查阅里常用的数据库，WileyOnlinelibrary和 Springer的特点就是能够下载的文献相对较多。4、 ScienceDirect这个数据库简称就是Sci了，虽然百度学术里也有它的数据库，但是它也有自己的官网，搜索方法与上面相同，它里面的内容质量相对好一些，但是下载需要方法，我们下载的方法是使用sci-hub，这个可以帮助你在没有下载权限的情况下下载文章。5、rsc这个期刊也是化学期刊中相当不错的，虽然比不上ACS，但是能在这上面发一篇文章已经很好了。完毕！
外国文献期刊找法如下：
操作设备：戴尔电脑
操作系统：win10
操作软件：浏览器
1、首先输入“知网”字样，点击知网官网，如下图所示：
2、进入知网官网以后，点击搜索栏右侧的“高级检索”选项，如下图所示：
3、在高级检索状态下，将检索结果选定在“外文文献”区域，比如这里的“light”和“agricultural”，然后检索，如下图所示：
4、在所有检索结果中，我们可以根据自己的需要点开文章的标题，查看文章的摘要，以作筛查，如下图所示：
5、当我们看过摘要，确定要这篇文章的时候，就点击下方的“全文下载”按钮，如下图所示：
6、接着就会弹出一个全英文的界面，我们在文章标题右侧可以找到“DOWNLOADPDF”的字样，点击它，如下图所示：
7、这是浏览器就会打开这一篇文章的pdf文档，如果需要打印或者下载的话，点击右上角的打印或下载按钮即可，如下图所示：
如下：
1.论文驿站
【论文驿站】提供一站式的论文、专利下载，面向全社会开放，校外网也可以下载，更支持全球网络下载，支持包括知网、万方数据、维普资讯、超星图书、高研数据、龙源期刊、博看杂志等数十个资源库。
正如网站的口号：“一人一号，享高速不限量论文，专利下载服务”，在这个网站你可以随意下载到自己想要的资源。
（开放存取期刊、开源数据库）
OALib是基于一个开放存取的元数据库的搜索引擎，提供的开源论文超过4,359,987篇。
涵盖：数学、物理、化学、工程、生物、材料、科学，科技，医学以及人文社科等多领域，覆盖多达311个学科论文，全部免注册、免费用就可以进行下载。
同时，OALIB也在不断努力，持续更新优质学术论文，让更多的学者可以享受到免费的论文下载，促进学术的流动。
同时，OALib提供了强大的页面快照功能，不用下载论文就能看到标题、作者、关键词等核心信息，方便你选择适合自己的论文，大幅提升了查找效率。
HighWire由美国斯坦福大学图书馆创立，号称“世界上最大的免费科学期刊库”，拥有916种不同类型的期刊可供你免费下载。
其中超过103万篇论文可以免费获取全文，涵盖生命科学、医学、物理学、社会科学等多个领域的论文你都可以在这里下载到，重点是该网站的论文数量仍在不断增加，绝对可以满足你的写作需求。
Intute是英国的一个高等教育，继续教育和技能领域的非盈利性组织，提供了大量的免费论文下载，资源数量到达了120060 篇，全部都可以免费进行下载。
主要涵盖了：科学与技术、艺术与人文、社会科学、健康与生命科学四大领域的论文。
包括：农业、生物学、环境科学、工程技术、应用科学、医学与生命科学、物理学、化学、经济学等诸多学科的论文你都可以在这里下载到。
并且由专业领域的专家进行审核和评估，论文质量有保证，无需担心下载到劣质的资源。
支持布尔逻辑语检索，可以使用的限定词包括：“and” ，“or” ，“nor”，“xor（亦或）”，检索关键词则可以是题名、作者、摘要、领域描述，并且支持强大的智能搜索功能，帮助你快速找到自己想要的资源。
FindaRticles 是一个老牌学术站点，成立至今已经21年，拥有1000万+学术资源，其中99%以上的论文可供你免费下载，除了传统的论文外，还提供了3000+新闻和杂志来源刊物，极大地丰富了大家下载论文的多样化需求。
涵盖的领域包括：艺术、商业、计算机、商业、金融、教育、体育、时事新闻、娱乐健身以及社会百态等，总有一款适合你！
其不仅支持英文检索，也支持中文检索，你同样可以在这里下载到大量的中文刊物。例如我们输入“2018年中国旅游业”，立即就会弹出大量相关文献。