論文和演算法

A. 求演算法相關的論文

史豐收計演算法
演練實例一
速
算
法
演
練
實
例
Example
of
Rapid
Calculation
in
Practice
○史豐收速演算法易學易用，演算法是從高位數算起，記著史教授總結了的26句口訣（這些口訣不需死背，而是合乎科學規律，相互連系），用來表示一位數乘多位數的進位規律，掌握了這些口訣和一些具體法則，就能快速進行加、減、乘、除、乘方、開方、分數、函數、對數…等運算。
□本文針對乘法舉例說明
○速演算法和傳統乘法一樣，均需逐位地處理乘數的每位數字，我們把被乘數中正在處理的那個數位稱為「本位」，而從本位右側第一位到最末位所表示的數稱「後位數」。本位被乘以後，只取乘積的個位數，此即「本個」，而本位的後位數與乘數相乘後要進位的數就是「後進」。
○乘積的每位數是由「本個加後進」和的個位數即--
□本位積=（本個十後進）之和的個位數
○那麼我們演算時要由左而右地逐位求本個與後進，然後相加再取其個位數。現在，就以右例具體說明演算時的思維活動。
（例題）
被乘數首位前補0，列出算式：
0847536×2=1695072
乘數為2的進位規律是「2滿5進1」
0×2本個0，後位8，後進1，得1
8×2本個6，後位4，不進，得6
4×2本個8，後位7，滿5進1，
8十1得9
7×2本個4，後位5，滿5進1，
4十1得5
5×2本個0，後位3不進，得0
3×2本個6，後位6，滿5進1，
6十1得7
6×2本個2，無後位，得2
在此我們只舉最簡單的例子供讀者參考，至於乘3、4……至乘9也均有一定的進位規律，限於篇幅，在此未能一一羅列。
「史豐收速演算法」即以這些進位規律為基礎，逐步發展而成，只要運用熟練，舉凡加減乘除四則多位數運算，均可達到快速准確的目的。

B. 論文查重的演算法

新的一年畢業季就要到來了，大家都在准備畢業論文了，臨畢業的學子都知道論文到最後會有一個論文查重的過程，這個查重過程是非常嚴格的，學校對論文查重會設置一個門檻，大部分學校定的都是論文的抄襲率不能高於30%，一旦重復率高於這個閥值，輕者延期畢業，重者就會被取消學位，很多同學在寫論文時都會在網上參考，這就會面臨極大的查重風險，所以我們需要掌握一些方法，這樣有幾率可以幫助降低重復率。我原來使用過PaperPaper查重軟體，大家可以用這些方法去試試。

• 01

  論文的段落和論文格式。大家在上傳論文文本時都是整篇上傳，論文在進行檢測的時候會自動的劃分段落，我們可以上傳時分段落上傳，這樣在檢測時會有幾十個字的小段落檢測不出來，可以有效的減低重復率。

• 02

  對比資料庫。論文在檢測時是對比已發表的期刊文章、畢業論文以及一些會議論文，有的資料庫也會對比網路的一些文章。這就說明資料庫往往收錄的都是網上的文章和文獻，一般書籍中的內容資料庫中是沒有的，所以參考書籍中的內容相對安全性會比較大一些。

• 03

  章節的變換。很多同學會把一篇文章前後順序換換或者不同的文章截取不同的段落然後直接變成自己，這樣對降低重復率是沒有影響的，所以這個辦法不可取。

• 04

  標注的參考文獻。一般論文檢測系統在檢測時會對參考文獻設置一個閥值，這個閥值主要在5%，意思就是假如一篇10000字的論文，標注的參考文獻是不能超過500個字，超過的即使你標注了也會被視為抄襲，所以大家在參考文獻時一定要注意不能過多。

• 05

  找到論文查重軟體，點擊開始查詢進入下一個頁面。

• 06

  在論文檢測頁面要完善好相關的信息，在選擇論文上傳方式的時候可以依據自身情況使用粘貼文本或者是添加論文的文檔，之後就可以開始上傳了。

• 07

  這個網站擁有海量的資源庫，並且設置了安全加密機制，保護用戶的數據不會被泄露，而且很多家高校也在使用，性價比高適合專科及以上學歷論文查重。

• 08

  有需要或者想了解這方面知識的朋友可以去嘗試一下。

C. 有什麼關於pregel的論文或者演算法值得一讀

Pregel是來自Google的圖處理框架，其工作機理來源於BSP（Bulk synchronous parallel）[1]計算模型，首次出現在Google於SIGMOD 2010發表的論文[2]上。Pregel主要關注的是大規模圖處理演算法任務，構建於Google內部的集群機器[3]之上，其擁有高效率。

D. 計算機專業本科生做畢業論文一般用什麼演算法

一個程序的核心在於演算法。比如說打開一個軟體和運行一個軟體的速度在計算機硬體性能相同情況下，軟體的演算法起到了幾近決定性作用，所有的計算機軟體和硬體的編程都是需要演算法的，就算一個hello world程序雖然我們編時候沒有用到演算法但是在編譯他和運行再屏幕顯示的時候就是演算法了。演算法是計算機乃至自然界的核心，如果知道人腦的演算法，就可以製造出人工智慧的軟體。
演算法太多，也就不全部列舉出來了，具體的還有用法，你自己看下書或去網上找下，都應該可以找到的：比如：貪心演算法，蟻群演算法，遺傳演算法，進化演算法，基於文化的遺傳演算法，禁忌演算法，蒙特卡洛演算法，混沌隨機演算法，序貫數論演算法，粒子群演算法，模擬退火演算法等等。

E. 目標檢測演算法經典論文回顧（一）

論文名稱：Rich feature hierarchies for accurate object detection and semantic segmentation

提出時間：2014年

論文地址：https://openaccess.thecvf.com/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf

針對問題：

從Alexnet提出後，作者等人思考如何利用卷積網路來完成檢測任務，即輸入一張圖，實現圖上目標的定位（目標在哪）和分類（目標是什麼）兩個目標，並最終完成了RCNN網路模型。

創新點：

RCNN提出時，檢測網路的執行思路還是脫胎於分類網路。也就是深度學習部分僅完成輸入圖像塊的分類工作。那麼對檢測任務來說如何完成目標的定位呢，作者採用的是Selective Search候選區域提取演算法，來獲得當前輸入圖上可能包含目標的不同圖像塊，再將圖像塊裁剪到固定的尺寸輸入CNN網路來進行當前圖像塊類別的判斷。

參考博客： https://blog.csdn.net/briblue/article/details/82012575。

論文題目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks

提出時間：2014年

論文地址：https://arxiv.org/pdf/1312.6229.pdf

針對問題：

該論文討論了，CNN提取到的特徵能夠同時用於定位和分類兩個任務。也就是在CNN提取到特徵以後，在網路後端組織兩組卷積或全連接層，一組用於實現定位，輸出當前圖像上目標的最小外接矩形框坐標，一組用於分類，輸出當前圖像上目標的類別信息。也是以此為起點，檢測網路出現基礎主幹網路(backbone)+分類頭或回歸頭（定位頭）的網路設計模式雛形。

創新點：

在這篇論文中還有兩個比較有意思的點，一是作者認為全連接層其實質實現的操作和1x1的卷積是類似的，而且用1x1的卷積核還可以避免FC對輸入特徵尺寸的限制，那用1x1卷積來替換FC層，是否可行呢？作者在測試時通過將全連接層替換為1x1卷積核證明是可行的；二是提出了offset max-pooling，也就是對池化層輸入特徵不能整除的情況，通過進行滑動池化並將不同的池化層傳遞給後續網路層來提高效果。另外作者在論文里提到他的用法是先基於主幹網路+分類頭訓練，然後切換分類頭為回歸頭，再訓練回歸頭的參數，最終完成整個網路的訓練。圖像的輸入作者採用的是直接在輸入圖上利用卷積核劃窗。然後在指定的每個網路層上回歸目標的尺度和空間位置。

參考博客： https://blog.csdn.net/qq_35732097/article/details/79027095

論文題目：Scalable Object Detection using Deep Neural Networks

提出時間：2014年

論文地址：https://openaccess.thecvf.com/content_cvpr_2014/papers/Erhan_Scalable_Object_Detection_2014_CVPR_paper.pdf

針對問題：

既然CNN網路提取的特徵可以直接用於檢測任務（定位+分類），作者就嘗試將目標框（可能包含目標的最小外包矩形框）提取任務放到CNN中進行。也就是直接通過網路完成輸入圖像上目標的定位工作。

創新點：

本文作者通過將物體檢測問題定義為輸出多個bounding box的回歸問題. 同時每個bounding box會輸出關於是否包含目標物體的置信度, 使得模型更加緊湊和高效。先通過聚類獲得圖像中可能有目標的位置聚類中心，（800個anchor box）然後學習預測不考慮目標類別的二分類網路，背景or前景。用到了多尺度下的檢測。

參考博客： https://blog.csdn.net/m0_45962052/article/details/104845125

論文題目：DeepBox: Learning Objectness with Convolutional Networks

提出時間：2015年ICCV

論文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Kuo_DeepBox_Learning_Objectness_ICCV_2015_paper.pdf

主要針對的問題：

本文完成的工作與第三篇類似，都是對目標框提取演算法的優化方案，區別是本文首先採用自底而上的方案來提取圖像上的疑似目標框，然後再利用CNN網路提取特徵對目標框進行是否為前景區域的排序；而第三篇為直接利用CNN網路來回歸圖像上可能的目標位置。

創新點：

本文作者想通過CNN學習輸入圖像的特徵，從而實現對輸入網路目標框是否為真實目標的情況進行計算，量化每個輸入框的包含目標的可能性值。

參考博客： https://www.cnblogs.com/zjutzz/p/8232740.html

論文題目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection

提出時間：2015年ICCV

論文地址：https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Yoo_AttentionNet_Aggregating_Weak_ICCV_2015_paper.pdf

主要針對的問題：

對檢測網路的實現方案進行思考，之前的執行策略是，先確定輸入圖像中可能包含目標位置的矩形框，再對每個矩形框進行分類和回歸從而確定目標的准確位置，參考RCNN。那麼能否直接利用回歸的思路從圖像的四個角點，逐漸得到目標的最小外接矩形框和類別呢？

創新點：

通過從圖像的四個角點，逐步迭代的方式，每次計算一個縮小的方向，並縮小指定的距離來使得逐漸逼近目標。作者還提出了針對多目標情況的處理方式。

參考博客： https://blog.csdn.net/m0_45962052/article/details/104945913

論文題目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

提出時間：2014年

論文地址：https://link.springer.com/content/pdf/10.1007/978-3-319-10578-9_23.pdf

針對問題：

如RCNN會將輸入的目標圖像塊處理到同一尺寸再輸入進CNN網路，在處理過程中就造成了圖像塊信息的損失。在實際的場景中，輸入網路的目標尺寸很難統一，而網路最後的全連接層又要求輸入的特徵信息為統一維度的向量。作者就嘗試進行不同尺寸CNN網路提取到的特徵維度進行統一。

創新點：

作者提出的SPPnet中，通過使用特徵金字塔池化來使得最後的卷積層輸出結果可以統一到全連接層需要的尺寸，在訓練的時候，池化的操作還是通過滑動窗口完成的，池化的核寬高及步長通過當前層的特徵圖的寬高計算得到。原論文中的特徵金字塔池化操作圖示如下。

參考博客 ：https://blog.csdn.net/weixin_43624538/article/details/87966601

論文題目：Object detection via a multi-region & semantic segmentation-aware CNN model

提出時間：2015年

論文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Gidaris_Object_Detection_via_ICCV_2015_paper.pdf

針對問題：

既然第三篇論文multibox演算法提出了可以用CNN來實現輸入圖像中待檢測目標的定位，本文作者就嘗試增加一些訓練時的方法技巧來提高CNN網路最終的定位精度。

創新點：

作者通過對輸入網路的region進行一定的處理（通過數據增強，使得網路利用目標周圍的上下文信息得到更精準的目標框）來增加網路對目標回歸框的精度。具體的處理方式包括：擴大輸入目標的標簽包圍框、取輸入目標的標簽中包圍框的一部分等並對不同區域分別回歸位置，使得網路對目標的邊界更加敏感。這種操作豐富了輸入目標的多樣性，從而提高了回歸框的精度。

參考博客 ：https://blog.csdn.net/alfred_torres/article/details/83022967

論文題目：Fast-RCNN

提出時間：2015年

論文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf

針對問題：

RCNN中的CNN每輸入一個圖像塊就要執行一次前向計算，這顯然是非常耗時的，那麼如何優化這部分呢？

創新點：

作者參考了SPPNet（第六篇論文），在網路中實現了ROIpooling來使得輸入的圖像塊不用裁剪到統一尺寸，從而避免了輸入的信息丟失。其次是將整張圖輸入網路得到特徵圖，再將原圖上用Selective Search演算法得到的目標框映射到特徵圖上，避免了特徵的重復提取。

參考博客 ：https://blog.csdn.net/u014380165/article/details/72851319

論文題目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers

提出時間：2015年

論文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Ghodrati_DeepProposal_Hunting_Objects_ICCV_2015_paper.pdf

主要針對的問題：

本文的作者觀察到CNN可以提取到很棒的對輸入圖像進行表徵的論文，作者嘗試通過實驗來對CNN網路不同層所產生的特徵的作用和情況進行討論和解析。

創新點：

作者在不同的激活層上以滑動窗口的方式生成了假設，並表明最終的卷積層可以以較高的查全率找到感興趣的對象，但是由於特徵圖的粗糙性，定位性很差。相反，網路的第一層可以更好地定位感興趣的對象，但召回率降低。

論文題目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

提出時間：2015年NIPS

論文地址：https://proceedings.neurips.cc/paper/2015/file/-Paper.pdf

主要針對的問題：

由multibox（第三篇）和DeepBox（第四篇）等論文，我們知道，用CNN可以生成目標待檢測框，並判定當前框為目標的概率，那能否將該模型整合到目標檢測的模型中，從而實現真正輸入端為圖像，輸出為最終檢測結果的，全部依賴CNN完成的檢測系統呢？

創新點：

將當前輸入圖目標框提取整合到了檢測網路中，依賴一個小的目標框提取網路RPN來替代Selective Search演算法，從而實現真正的端到端檢測演算法。

參考博客 ：https://zhuanlan.hu.com/p/31426458

F. 碩士畢業論文必須和高大上的演算法對比嗎

碩士畢業論文不是必須和高大上的演算法對比。
研究生論文中的演算法設計可以參考他人做過的，也可以自己提出演算法思路。
前者不用太詳細介紹，但是運用時必須准確全面；後者需要很詳細，因為新的演算法沒人知道，不詳細的話讀者可能看不懂，就沒有價值了。

G. 系統類論文和演算法論文一樣嗎

不一樣。工程論文與工學論文最大的差別就是在應用價值與理論創新的側重不一樣，以某個演算法這種單純的理論為題，從應用價值上來看內容太少，以理論創新上來看，要看你個人能力，並不是說做出創新的東西就一定比做出好用的東西要難，但你既然選擇了工程碩士，我覺得你應該更願意偏重應用才是。
所以信息系統絕對比模擬演算法更好入手，特別是你還提到了「設計與實現」，你知道的演算法的實現網上一搜一大把，這些老師都知道，你要想體現出你的工作量就只能創新，而系統就不同了，就算你沒有做出來（退一步講，就算你根本沒做），你都可以僅僅憑著設想寫完。

H. 演算法與程序設計論文3000字

1、論點（證明什麼）論點應該是作者看法的完整表述，在形式上是個完整的簡潔明確的句子。從全文看，它必能統攝全文。表述形式往往是個表示肯定或否定的判斷句，是明確的表態性的句子。
A．把握文章的論點。 中心論點只有一個（統率分論點）⑴明確：分論點可以有N個（補充和證明中心論點）
⑵方法①從位置上找：如標題、開篇、中間、結尾。②分析文章的論據。（可用於檢驗預想的論點是否恰當）③摘錄法（只有分論點，而無中心論點）
B．分析論點是怎樣提出的：①擺事實講道理後歸結論點；②開門見山，提出中心論點；③針對生活中存在的現象，提出論題，通過分析論述，歸結出中心論點；④敘述作者的一段經歷後，歸結出中心論點；⑤作者從故事中提出問題，然後一步步分析推論，最後得出結論，提出中心論點。
2、論據（用什麼證明）⑴論據的類型：①事實論據（舉例後要總結，概述論據要緊扣論點）；②道理論據（引用名言要分析）。
⑵論據要真實、可靠，典型（學科、國別、古今等）。⑶次序安排（照應論點）；⑷判斷論據能否證明論點；⑸補充論據（要能證明論點）。
3、論證（怎樣證明）
⑴論證方法 （須為四個字）①舉例論證（例證法）事實論據記敘②道理論證（引證法和說理）道理論據 議論
③對比論證（其本身也可以是舉例論證和道理論證）④比喻論證 比喻在說明文中為打比方，散文中為比喻。
⑵分析論證過程：①論點是怎樣提出的；②論點是怎樣被證明的（用了哪些道理和事實，是否有正反兩面的分析說理）；③聯系全文的結構，是否有總結。
⑶論證的完整性（答：使論證更加全面完整，避免產生誤解）
⑷分析論證的作用：證明該段的論點。
4、議論文的結構⑴一般形式：①引論（提出問題）―――②本論（分析問題）―――③結論（解決問題）。
⑵類型：①並列式②總分總式③總分式④分總式⑤遞進式。
6、駁論文的閱讀
⑴作者要批駁的錯誤觀點是什麼？
⑵作者是怎樣進行批駁的，用了哪些道理和論據；
⑶由此，作者樹立的正確的觀點是什麼？

I. 演算法類論文容易通過為什麼

因為演算法類數據出錯的概率很小。
演算法類論文具有探索性，經過文獻調研後，針對某一領域欲解決的問題和存在的問題有一定的見解，產生出一個題目，利用自己所學的專業知識加以研究演算法類講究的是正確率和數據所以很少概率會出錯，所以演算法類論文容易通過是因為演算法類數據出錯的概率很小。
這樣做你的畢業論文會比較完整，內容豐富，演算法方面基本可以不要求較大的創新。

J. 論文查重用了什麼演算法

知網查重的演算法是

使用計算機開展知網查重識別的研究首先要對數字文檔進行分析處理,而數字文檔又可分為兩種類別,即:自然語言文本和形式語言文本。形式語言文本比較典型的是計算機程序源代碼,雖然抄襲的案例較多,但因其具有規范的語法和語句結構特點,相對比較容易分析處理,針對此類抄襲識別的研究也較早。而自然語言文本(如:論文等)復制檢測原理的出現比程序復制檢測晚了20年。
②1993年,美國亞利桑那大學的Manber提出了「近似指紋」概念,基於此提出了sif工具,用基於字元串匹配的方法來度量文件之間的相似性。美國斯坦福大學的Brin等人首次提出了COPS系統與相應演算法,其後提出的SCAM原型對此進行了改進了。SCAM借鑒了信息檢索技術中的向量空間模型,使用基於詞頻統計的方法來度量文本相似性。香港理工大學的Si和Leong等人採用統計關鍵詞的方法來度量文本相似性,建立了CHECK原型,並首次在相似性度量中引入文檔的結構信息。到了2000年,Monostori等人用後綴樹來搜尋字元串之間的最大子串,建立了MDR原型。在此之前,全美國的教育工作者們現已懂得綜合運用課堂書寫段落樣本、互聯網搜索工具和反剽竊技術三結合手段遏制欺騙的源頭。
③ 對於中文論文的抄襲識別,存在更大的困難。漢語與英文不同,它以字為基本的書寫單位,詞與詞之間沒有明顯的區分標記,因此,中文分詞是漢語文檔處理的基礎。漢語文本抄襲識別系統首先需要分詞作為其最基本的模塊,因此,中文文本自動分詞的好壞在一定程度上影響抄襲識別的准確性。同時計算機在自然語言理解方面有欠缺,而抄襲又不僅僅局限於照抄照搬式的,很難達到准確的抄襲識別。所以解決中文論文抄襲識別問題還不能全盤照搬國外技術。北京郵電大學張煥炯等用編碼理論中漢明距離的計算公式計算文本相似度。中科院計算所以屬性論為理論依據,計算向量之間的匹配距離,從而得到文本相似度。程玉柱等以漢字數學表達式理論為基礎,將文本相似度計算轉換為空間坐標系中向量夾角餘弦的計算問題。西安交通大學的宋擒豹等人開發了CDSDG系統,採用基於詞頻統計的重疊度度量演算法在不同粒度計算總體語義重疊度和結構重疊度。此演算法不但能檢測數字正文整體非法復制行為,而且還能檢測諸如子集復制和移位局部復制等部分非法復制行為。晉耀紅基於語境框架的相似度計算演算法,考慮了對象之間的語義關系,從語義的角度給出文本之間的相似關系。大連理工大學的金博、史彥軍、滕弘飛針對學術論文的特有結構,對學術論文進行篇章結構分析,再通過數字指紋和詞頻統計等方法計算出學術論文之間的相似度。張明輝針對重復網頁問題提出了基於段落的分段簽名近似鏡像新演算法。鮑軍鵬等基於網格的文本復制檢測系統提出了語義序列核方法的復制檢測原理。金博、史彥軍、滕弘飛少給出了一個基於語義理解的復制檢測系統架構,其核心是以知網詞語相似度計算為基礎,並將應用范圍擴大到段落。聶規劃等基於本體的論文復制檢測系統利用語義網本體技術構建論文本體和計算論文相似度。
請繼續關註上學吧論文查重（http://www.shangxueba.cn），更多有關論文檢測信息盡在其中。