EMBA高端论文检测！
首都师范大学
作为诚信检测机构，Paper119的多系统多功能检测太棒了！
我已顺利毕业了，推荐大家来使用！
华中师范大学
云检测是一个很酷的平台，整合代理检测系统，
可以提高学术水平，减少学术不端行为！
电子科技大学
使用paper119云检测平台，我可以应付80个学生的论文！而我自己的评职称论文检测也很顺利。
如何预防抄袭？
马上检测论文抄袭？
在论文写作过程中，你必须写出自己的想法，如果在写作过程中参考了别人的论文或观点是不是剽窃？如果你有类似问题，先学习这个课程！
什么是引用?
引用来源是什么？
在论文写作过程中，无可避免引用！如何正确引用不致于被判定为论文抄袭？引用的格式是什么？引用来源需要怎么正确标识？
论文检测常见问题？
我要提问怎么办？
各个检测系统有什么差别？为什么我检测通过了可是学校检测又没有通过？有什么论文查重修改技巧吗？
100%毕业核心要素！paper119带你 提前预检!助你毕业拼出“薪”愿景！- 应届生/EMBA/在职生自由选择
根据过去在paper119云检测提交知网检测论文所做的分析，最新统计显示，正确选择系统进行提前检测和抄袭改正能帮助减少学生剽窃的案例，并且100%能通过学校检测。
你写论文时是否有以下行为？
引用参考过不少学术期刊和别人的论文。
从网络上黏贴文章，便作为自己的论文部分。
从知网数据库或者万方数据库下载论文，拼拼凑凑写出来。
直接把别人的论文抄来换成自己的名字。
找人代写的。
如果你有这些行为，论文抄袭检测很可能超标。
&&& 我们可以做到：
全球6大防范剽窃与学术不端文献检测系统供您选择
超过50亿页的网页资讯。
超过10000种以上的主要报纸、杂志及学术期刊
超过1亿篇硕博士论文
超过5000万本出版图书......
免费独家的论文抄袭修改辅助工具......
知网论文检测、知网期刊检测、期刊论文检测、职称论文检测,论文打假软件
专业赢得更多信赖!
日进行系统维护，届时将暂停使用所有检测服务，维护完成之后，系统和服务将恢复正常使用。由此给您带来的不便，敬请谅解。您可点击“在线客服”进行留言或发送邮件到 ，客服将在上班后第一时间回复。经济管理类有基本的图像处理和计算机视觉的课程基础（修过数字图像处理、矩阵分析、机器学习、计算机视觉、模式识别、小波分析、最优化算法等课程），对行为识别领域感兴趣，不知道知乎的大神们是否能推荐几篇值得开始研读的行为识别领域的论文？有了开端，就可以沿着参考文献一直读下去仔细研究了。但是现在对该领域还不了解，不知道从哪些论文开始着手比较好？
这个是2014年CVPR关于行为识别的的tutorial，你把ppt和对应的论文过一遍，应该就有大致的了解了
有关action recognition in videos, 最近自己也在搞这方面的东西，该领域水很深，不过其实主流就那几招，我就班门弄斧说下video里主流的：&br&&br&Deep Learning之前最work的是INRIA组的Improved Dense Trajectories(IDT) + fisher vector, paper and code: &br&&a href=&///?target=http%3A//lear.inrialpes.fr/people/wang/improved_trajectories& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&LEAR - Improved Trajectories Video Description&i class=&icon-external&&&/i&&/a&&br&基本上INRIA的东西都挺work 恩..&br&&br&然后Deep Learning比较有代表性的就是VGG组的2-stream:&br&&a href=&///?target=http%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&br&其实效果和IDT并没有太大区别，里面的结果被很多人吐槽难复现，我自己也试了一段时间才有个差不多的数字。&br&&br&然后就是在这两个work上面就有很多改进的方法，目前的state-of-the-art也是很直观可以想到的是xiaoou组的IDT+2-stream:&br&&a href=&///?target=http%3A//wanglimin.github.io/papers/WangQT_CVPR15.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&wanglimin.github.io/pap&/span&&span class=&invisible&&ers/WangQT_CVPR15.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&还有前段时间很火，现在仍然很多人关注的G社的LSTM+2-stream: &br&&a href=&///?target=http%3A///media//zh-CN//pubs/archive/43793.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/media//zh-CN//pubs/archive/43793.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&然后安利下zhongwen同学的paper:&br&&a href=&///?target=http%3A//www.cs.cmu.edu/%7Ezhongwen/pdf/MED_CNN.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&cs.cmu.edu/~zhongwen/pd&/span&&span class=&invisible&&f/MED_CNN.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&最后你会发现paper都必需和IDT比，然后很多还会把自己的method和IDT combine一下说有提高 恩..
有关action recognition in videos, 最近自己也在搞这方面的东西，该领域水很深，不过其实主流就那几招，我就班门弄斧说下video里主流的：Deep Learning之前最work的是INRIA组的Improved Dense Trajectories(IDT) + fisher vector, paper and code:
视频方面的不了解，可以聊一聊静态图像下的~&br&[1] Action Recognition from a Distributed Representation of Pose and Appearance, CVPR,2010&br&[2] Combining Randomization and Discrimination for Fine-Grained Image Categorization, CVPR,2011&br&[3] Object and Action Classification with Latent Variables, BMVC, 2011&br&[4] Human Action Recognition by Learning Bases of Action Attributes and Parts, ICCV, 2011&br&[5] Learning person-object interactions for action recognition in still images, NIPS, 2011&br&[6] Weakly Supervised Learning of Interactions between Humans and Objects, PAMI, 2012&br&[7] Discriminative Spatial Saliency for Image Classification, CVPR, 2012&br&[8] Expanded Parts Model for Human Attribute and Action Recognition in Still Images, CVPR, 2013&br&[9] Coloring Action Recognition in Still Images, IJCV, 2013&br&[10] Semantic Pyramids for Gender and Action Recognition, TIP, 2014&br&[11] Actions and Attributes from Wholes and Parts, arXiv, 2015&br&[12] Contextual Action Recognition with R*CNN, arXiv, 2015&br&[13] Recognizing Actions Through Action-Specific Person Detection, TIP, 2015&br&&br&
2010之前的都没看过，在10年左右的这几年（11,12）主要的思路有3种：1.以所交互的物体为线索（person-object interaction），建立交互关系，如文献5,6；2.建立关于姿态（pose）的模型，通过统计姿态（或者更广泛的，部件）的分布来进行分类，如文献1,4，还有个poselet上面好像没列出来，那个用的还比较多；3.寻找具有鉴别力的区域（discriminative），抑制那些meaningless 的区域，如文献2,7。10和11也用到了这种思想。&br&
文献9,10都利用了SIFT以外的一种特征：color name，并且描述了在动作分类中如何融合多种不同的特征。&br&
文献12探讨如何结合上下文（因为在动作分类中会给出人的bounding box）。&br&
比较新的工作都用CNN特征替换了SIFT特征（文献11,12,13），结果上来说12是最新的。&br&&br&
静态图像中以分类为主，检测的工作出现的不是很多，文献4,13中都有关于检测的工作。可能在2015之前分类的结果还不够promising。现在PASCAL VOC 2012上分类mAP已经到了89%，以后的注意力可能会更多地转向检测。&br&&br&
视频的个别看过几篇，与静态图像相比，个人感觉最大的区别在于特征不同。到了中层以后，该怎么做剩下的处理，思路还是差的不远。
视频方面的不了解，可以聊一聊静态图像下的~[1] Action Recognition from a Distributed Representation of Pose and Appearance, CVPR,2010[2] Combining Randomization and Discrimination for Fine-Grained Image Categorization, CVPR,2011[3] Object a…
已有帐号？
无法登录？
社交帐号登录
什么都略懂一点，生活更多彩一些有基本的图像处理和计算机视觉的课程基础（修过数字图像处理、矩阵分析、机器学习、计算机视觉、模式识别、小波分析、最优化算法等课程），对行为识别领域感兴趣，不知道知乎的大神们是否能推荐几篇值得开始研读的行为识别领域的论文？有了开端，就可以沿着参考文献一直读下去仔细研究了。但是现在对该领域还不了解，不知道从哪些论文开始着手比较好？
有关action recognition in videos, 最近自己也在搞这方面的东西，该领域水很深，不过其实主流就那几招，我就班门弄斧说下video里主流的：Deep Learning之前最work的是INRIA组的Improved Dense Trajectories(IDT) + fisher vector, paper and code: 基本上INRIA的东西都挺work 恩..然后Deep Learning比较有代表性的就是VGG组的2-stream:其实效果和IDT并没有太大区别，里面的结果被很多人吐槽难复现，我自己也试了一段时间才有个差不多的数字。然后就是在这两个work上面就有很多改进的方法，目前的state-of-the-art也是很直观可以想到的是xiaoou组的IDT+2-stream:还有前段时间很火，现在仍然很多人关注的G社的LSTM+2-stream: 然后安利下zhongwen同学的paper:最后你会发现paper都必需和IDT比，然后很多还会把自己的method和IDT combine一下说有提高 恩..
视频方面的不了解，可以聊一聊静态图像下的~&br&[1] Action Recognition from a Distributed Representation of Pose and Appearance, CVPR,2010&br&[2] Combining Randomization and Discrimination for Fine-Grained Image Categorization, CVPR,2011&br&[3] Object and Action Classification with Latent Variables, BMVC, 2011&br&[4] Human Action Recognition by Learning Bases of Action Attributes and Parts, ICCV, 2011&br&[5] Learning person-object interactions for action recognition in still images, NIPS, 2011&br&[6] Weakly Supervised Learning of Interactions between Humans and Objects, PAMI, 2012&br&[7] Discriminative Spatial Saliency for Image Classification, CVPR, 2012&br&[8] Expanded Parts Model for Human Attribute and Action Recognition in Still Images, CVPR, 2013&br&[9] Coloring Action Recognition in Still Images, IJCV, 2013&br&[10] Semantic Pyramids for Gender and Action Recognition, TIP, 2014&br&[11] Actions and Attributes from Wholes and Parts, arXiv, 2015&br&[12] Contextual Action Recognition with R*CNN, arXiv, 2015&br&[13] Recognizing Actions Through Action-Specific Person Detection, TIP, 2015&br&&br&
2010之前的都没看过，在10年左右的这几年（11,12）主要的思路有3种：1.以所交互的物体为线索（person-object interaction），建立交互关系，如文献5,6；2.建立关于姿态（pose）的模型，通过统计姿态（或者更广泛的，部件）的分布来进行分类，如文献1,4，还有个poselet上面好像没列出来，那个用的还比较多；3.寻找具有鉴别力的区域（discriminative），抑制那些meaningless 的区域，如文献2,7。10和11也用到了这种思想。&br&
文献9,10都利用了SIFT以外的一种特征：color name，并且描述了在动作分类中如何融合多种不同的特征。&br&
文献12探讨如何结合上下文（因为在动作分类中会给出人的bounding box）。&br&
比较新的工作都用CNN特征替换了SIFT特征（文献11,12,13），结果上来说12是最新的。&br&&br&
静态图像中以分类为主，检测的工作出现的不是很多，文献4,13中都有关于检测的工作。可能在2015之前分类的结果还不够promising。现在PASCAL VOC 2012上分类mAP已经到了89%，以后的注意力可能会更多地转向检测。&br&&br&
视频的个别看过几篇，与静态图像相比，个人感觉最大的区别在于特征不同。到了中层以后，该怎么做剩下的处理，思路还是差的不远。
视频方面的不了解，可以聊一聊静态图像下的~[1] Action Recognition from a Distributed Representation of Pose and Appearance, CVPR,2010[2] Combining Randomization and Discrimination for Fine-Grained Image Categorization, CVPR,2011[3] Object a…
我是中科院计算所专业做行为识别的博士研究生，推荐你看我的github上有关行为识别的介绍，里面有论文及机器学习的基础知识：&a href=&///?target=https%3A///jindongwang/MachineLearning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - jindongwang/MachineLearning: 一些关于机器学习的学习资料与研究介绍&i class=&icon-external&&&/i&&/a&&br&# 机器学习 Machine Learning&br&##一些机器学习的入门资料和关于行为识别的一些文章&br&&br&####1.[机器学习入门资料](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/MLMaterials.md& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MachineLearning/MLMaterials.md at master · jindongwang/MachineLearning · GitHub&i class=&icon-external&&&/i&&/a&)&br&&br&####2.[近几年国际会议关于行为识别文章与简介](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/%25E8%25A1%258C%25E4%25B8%25BA%25E8%25AF%%2588%25AB%25E8%25AE%25BA%25E6%list.md& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MachineLearning/行为识别论文list.md at master · jindongwang/MachineLearning · GitHub&i class=&icon-external&&&/i&&/a&)&br&&br&####3.[我们课题组关于行为识别的文章](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/%25E8%25AF%25BE%25E9%25A2%%25BB%%25A1%258C%25E4%25B8%25BA%25E8%25AF%%2588%25AB%25E8%25AE%25BA%25E6%.md& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MachineLearning/课题组行为识别论文.md at master · jindongwang/MachineLearning · GitHub&i class=&icon-external&&&/i&&/a&)&br&####4.[我们课题组研究项目](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/%25E8%25AF%25BE%25E9%25A2%%25BB%%25A0%%25A9%25B6%25E9%25A1%25B9%25E7%259B%25AE%25E4%25B8%258E%25E4%25BA%25BA%25E7%%25E6%258E%25A8%25E8%258D%2590.md& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MachineLearning/课题组研究项目与人物推荐.md at master · jindongwang/MachineLearning · GitHub&i class=&icon-external&&&/i&&/a&)&br&####5.[人机交互与创业论坛](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/%25E4%25BA%25BA%25E6%259C%25BA%25E4%25BA%25A4%25E4%25BA%%25B8%258E%25E5%E4%25B8%259A%25E8%25AE%25BA%25E5%259D%259B.md& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&/jindongwang/&/span&&span class=&invisible&&MachineLearning/blob/master/%E4%BA%BA%E6%9C%BA%E4%BA%A4%E4%BA%92%E4%B8%8E%E5%88%9B%E4%B8%9A%E8%AE%BA%E5%9D%9B.md&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&)&br&####6.[我做的行为识别方面的研究总结](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/%25E8%25A1%258C%25E4%25B8%25BA%25E8%25AF%%2588%25AB%25E6%%25E9%259D%25A2%25E4%25BC%259A%25E8%25AE%25AE%25E8%25AE%25BA%25E6%E7%25A0%%25A9%25B6%25E6%2580%25BB%25E7%25BB%2593.pptx& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MachineLearning/行为识别方面会议论文研究总结.pptx at master · jindongwang/MachineLearning · GitHub&i class=&icon-external&&&/i&&/a&)&br&####7.[东京大学同学做的人机交互报告](&a href=&///?target=https%3A///jindongwang/MachineLearning/blob/master/FieldResearchinChina927-104.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MachineLearning/FieldResearchinChina927-104.pdf at master · jindongwang/MachineLearning · GitHub&i class=&icon-external&&&/i&&/a&)&br&####8.[我做的人机交互简介](&a href=&///?target=https%3A///jindongwang/HCI& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - jindongwang/HCI: This repository is maintained to support some HCI research globally.&i class=&icon-external&&&/i&&/a&)&br&&br&###1.关于技术本身的情况&br&&br&1.1 Machine Learning的一些理解&br&* 机器学习的概念自不用多说。这里我仅提到一点，机器学习在学科分类上是数据人工智能范畴，注定它和AI是不可分的。其实，传统的AI一直都侧重解决三个步骤的问题：知识的表示、知识的获取和知识的学习。其中，机器学习涵盖了知识的获取和学习两大部分，是AI的核心部分。其实说白了，ML解决的就是怎么从已知推断未知，它走的是归纳（induction）这个自上而下的过程，AI中还有一个相对立的知识体系叫做演绎（deduction），这个主要是自动推理的范畴，和机器学习基本关系不大，是较独立的一支。&br&&br&1.2 一些课程资料&br&* 课程1：很有名的课程，你肯定知道，Andrew Ng在Stanford开的课，地址：[吴恩达的机器学习公开课](&a href=&///?target=https%3A//www.coursera.org/learn/machine-learning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mach&/span&&span class=&invisible&&ine-learning&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&)。该课程的优点：简单易懂，适用于初学者，特别适合入门及数学能力一般的，不难。缺点也很明显，基本都是点到为止，讲解不够深入，只适用于初学。我目前已看完。&br&&br&* 课程2：这个也是coursera上的课，讲师是国立台湾大学的[林轩田](&a href=&///?target=https%3A//www.coursera.org/instructor/htlin& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/instructor&/span&&span class=&invisible&&/htlin&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&)，这个老师拿过三年的KDD Cup冠军，是机器学习界讲课不错的老师。他还写了一个机器学习公开库，是matlab处理机器学习的利器，后面再说。他的课有两门，分别是[机器学习基石](&a href=&///?target=https%3A//www.coursera.org/course/ntumlone& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/course/ntu&/span&&span class=&invisible&&mlone&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&)（适合入门），[机器学习技法](&a href=&///?target=https%3A//www.coursera.org/course/ntumltwo& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera - Free Online Courses From Top Universities&i class=&icon-external&&&/i&&/a&)（适合提高）。这个老师讲课很有意思，特别是台湾普通话听着还不错。我目前在听他的机器学习基石，还没有听完。&br&&br&1.3 瓶颈问题&br&* 不知道什么特征是重要特征。所以像deep learning很有用，是因为它能自动学习特征&br&* 现实世界中有label的数据太少，所以限制有监督学习算法（这个个人感觉太正常了）。&br&* 计算复杂度和数据量（这个是Big Data的瓶颈）&br&* 局部极小值问题（算法问题）&br&&br&1.4 发展及预测&br&* 我眼中未来的ML应该是，几乎没有冷启动问题（针对一个特定问题，自己获取特征进行标注作为测试），是一个不间断在线学习的系统，系统能够对新加入的数据进行自动判断其是否能进入测试样本，用户看来，这就是一个高度智能的系统，随时出反馈。&br&&br&* 模型及算法应该是对用户透明的，所有人不需要一点有关算法的知识就可以进行运用，这一点在我之前与你提到的[DataRobot公司](&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning Software&i class=&icon-external&&&/i&&/a&)已有说明，自动根据用户的数据在云端测试各种模型并给出最优参数及结果。我感觉对未来的ML而言，由于Big Data的不断发展，计算复杂性必然不能成为问题。这应当成为未来的趋势之一。&br&&br&* 数据获取不能成为问题。现在的ML都是确定研究问题，然后想好要采集什么特征，然后用什么sensor来采集，之后必然配合大量的人工采集，劳民伤财。我认为未来的ML，在数据的获取方面，必然要具有类似自动生成数据的能力，当下没有这部分数据，我可以用已有的知识和数据分析生成一部分自动的测试数据，作为冷启动的一部分。由于未来是Big Data的时代，所以，这部分数据在今后不断学习的过程中，其权重必然会越来越低，不会对真正数据产生影响。&br&&br&1.5 ML的基本流程方面&br&&br&
基本就是确定研究问题——采集数据——人工标注——选择模型和算法——看结果调参数&br&&br&&br&###2.数据采集方面&br&&br&2.1 目前的情况是，需要提前想好需要采集的数据，并配合相应的设备进行采集。在人体健康方面主要的依据是医学期刊与会议文章中的特征知识，比如，根据医学知识，患有抑郁症的病人其走路会不稳当且走路很慢，这就是依据，根据这些可以基本确定要采集的数据类型及sensor。&br&&br&2.2 预处理的方面比较杂乱，主要是去除脏数据并进行人工标注。预处理方面，由于针对的问题不同，所以，对脏数据的定义也不一样，需要结合一定的field study进行研究处理。在现有的条件下，基本上监督学习方面占了很大的比重，所以，人工标注是必要的。预处理的方面和数据挖掘这门课分不开，有关预处理的知识，在[这里]()(目录待完善)。&br&&br&2.3 就目前情况而言，不知道特征量的话，有两种方面，一种我们小组之前在高效能豆瓣电影评分时用过，就是尝试不同特征与不同的模型组合以分析可能的特征值，这是笨办法，在特征值少时有用。另一种就是DL，目前我尚未接触过真正的应用，所以这里不予举例。
我是中科院计算所专业做行为识别的博士研究生，推荐你看我的github上有关行为识别的介绍，里面有论文及机器学习的基础知识：# 机器学习 Machine Learning##一些机器学习的入门…
已有帐号？
无法登录？
社交帐号登录
Computer Vision, PhD