- 综合排序
- 最热优先
- 最新优先
论文检测，论文降AI率，降AI率的工具
论文怕因 AI 痕迹过重被质疑学术不端，自媒体文章担心 AI 味太浓，读者不买账。别慌，文字滚筒鸭带着 “全能神器” 闪亮登场，一站式解决你的 AI 率难题！ 一、精准检测，让 AI 痕迹无所遁形文字滚筒鸭拥有自研的前沿检测算法，对论文、自媒体文章等各类文本展开深度扫描。它就像一位经验老到的侦探，不放过任何一处 AI 生成的蛛丝马迹。 经它检测出的 AI 率数据精准可靠，为后续降重提供坚实依据，让你对内容的原创度了如指掌。二、强力降重，一键抹去 AI 痕迹检测出问题后，重头戏来了 —— 降 AI 率。 一番操作下来，能将 AI 率大幅降低，使重复率稳稳控制在 3% 以内，让文章重新焕发原创生机。三、论文查重，保驾护航学术之路对于学生和学者而言，论文查重是一道绕不开的关卡。 如果你正为 AI 率焦头烂额，别再犹豫，赶紧试试文字滚筒鸭！它功能全面、准确高效，定能成为你内容创作路上的得力助手，帮你轻松攻克 AI 率难题，产出原创佳作。
83621编辑于 2025-04-23Turnitin查AI率检测原理！如何降低AIGC率！
毕业季，不少留学生和国内英专生被AI率折磨得不行，下面就来说说Turnitin AI率检测原理是什么？被判AI写作如何降低AIGC率！ 一、Turnitin AI率原理主要是通过分析提交文本的语言特征（如困惑度、突发性、用词习惯等），来区分是人写的还是AI生成的。 AI率检测，本质上是概率判断游戏，查的是内容像不像AI写的。所以，会有误判的情况发生。 早降重：zjc.kk.checkyyds.com系统适配Turnitin检测，同时还支持Turnitin AI率报告上传降重，不是简单的改同义词，降重后还可在线修改、润色。 写在最后：Turnitin AI率检测查的是内容像不像AI，而不是看谁写的。工具只是辅助，降AIGC率的关键还是个人思考与写作的真实感。
55210编辑于 2026-03-14- 来自专栏毕业论文写作指南
50个降AI率指令：轻松降低AI检测率，提升论文原创性
50个降AI率指令：轻松降低AI检测率，提升论文原创性一、 降AI率指令概述1.1 降AI率指令的定义与背景1.1.1 降AI率指令的定义降AI率指令，顾名思义，是指一系列旨在降低人工智能（AI）检测率的策略和技巧 然而这种广泛应用也带来了一些问题，其中之一就是AI检测率的上升。所谓的AI检测率，指的是AI在检测论文原创性方面所达到的准确率。 通过多维度论证，作者充分展示了论文的学术价值和创新性，降低了AI检测率。3. 结果与影响通过采用降AI率指令，该论文成功降低了AI检测率，并提升了论文的原创性。 使用降AI率指令：在撰写论文时，可以使用一些特定的降AI率指令，例如“避免使用常见的短语和句子结构”、“尽量用自己的话来表达观点”等。这些指令可以帮助您降低论文的AI检测率。10. 使用辅助工具：合理使用降AI率软件和在线工具，辅助检测和降低文章的AI检测率。但需注意，这些工具仅作为辅助手段，不能完全依赖。
2.4K10编辑于 2025-08-28 - 来自专栏ATYUN订阅号
AI检测学生作业抄袭行为，准确率达90%
一些研究表明，作业抄袭现象很普遍，在哥本哈根大学计算机科学系，通过人工智能写作分析来检测作业作弊的努力已经进行了几年。 现在，根据对13万份丹麦语书面作业的分析，能够以近90％的准确度检测出学生是否独立完成作业。 丹麦高中目前使用Lectio平台来检查学生是否提交了抄袭的作业，这些作业的段落直接抄袭了之前提交的作业。 使用人工智能来检测作弊行为具有广泛的应用。它已被用于分析Twitter推文，以确定它们是由实际用户还是由付费冒名顶替者或机器人编写。
2.1K20发布于 2019-06-15 - 来自专栏机器学习算法与Python学习
【AI实战】10 行代码带你搞定目标检测
计算机视觉还包括图像识别、目标检测、图像生成、图像超分辨率重建等多个领域。由于存在大量的实际需求，目标检测可能是计算机视觉中最有意义的领域。 准备工作 使用ImageAI实现目标检测，只需进行以下4步： 在你的电脑上安装Python 安装ImageAI，配置依赖环境 下载目标检测模块文件 运行样例代码（只需10行） 下面一步步详细展开： 链接地址： https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5 开启10 69.92427110671997 person : 66.17957353591919 bicycle : 90.50283432006836 motorcycle : 94.09030675888062 短短10 知其然知其所以然：代码解读 下面来解释一下这10行代码的工作原理： from imageai.Detection import ObjectDetectionimport osexecution_path
1.1K30发布于 2019-09-02 - 来自专栏论文降AIGC率
自己写的论文，为什么会被AIGC检测出高AI率？
一、为什么自己写的也会中招AIGC检测是概率判断，不是事实认定，结果并非绝对答案，本身存在着一定的局限性和误判（比如术语堆砌、写作风格与AI高度类似等），这也是部分国外高校取消AI率检测的原因。 国内外多个研究表明，AIGC检测对人类学术论文误判率高达25%-40%，尤其是短文本、轻度AI润色和非母语作者写作时，误判率更高。最扯的是：有同学把滕王阁序进行检测，AI率居然是100%。 AI写作越来越像人，AIGC检测算法也不断升级，覆盖了部分人写作特征，就拿以前没出现AI时的论文进行检测，也有AI率，而且个别的还不低。 所以，AIGC检测的不确定性因素太多了，检测结果目前还只能作为参考之一，不能当作唯一的评判标准，检测时要理性看待。二、AIGC检测经验小科普AI率检测是算法概率判断，不像查重是基于真实数据比对。 写在最后：合理使用AI，认准学校检测平台，理性看待结果，AI感比AI率更重要！
46200编辑于 2026-03-03 - 来自专栏网络安全技术点滴分享
AI生成后门检测失效：安全扫描器漏报率高达97%
您的安全扫描器漏报了97%的AI生成后门研究显示，即使是专门的检测工具也会失效——这导致每个迭代周期都将包含漏洞的代码发布到生产环境。 在2025年公布的对照测试中，安全扫描器仅检测出约3%的AI生成后门。不是26%，也不是64%，而是不到3%——这意味着97%的架构漏洞都绕过了那些专门为捕获它们而设计的检测工具。 尚未被量化的检测失败2025年Sun等人发表的研究，针对神经代码模型生成的代码，测试了专门的后门检测工具。其方法很简单：使用AI生成嵌入后门的代码，然后测量有多少检测系统能够识别它们。 在不使用任何检测的情况下，基础攻击成功率约为99.8%。在使用专门的后门检测工具主动扫描时，仍有约97.4% 的攻击成功。因此，检测仅将攻击减少了不到3%。效果并不理想。而这还已经是效果最好的工具了。 Sun等人测试的是专门构建的后门检测系统——这些工具的唯一设计目标就是：捕获神经代码模型输出中隐藏的漏洞。
17110编辑于 2026-01-14 - 来自专栏全栈程序员必看
目标检测（降低误检测率及小目标检测系列笔记）
正样本 负样本 2.为什么要训练负样本 训练负样本的目的是为了降低误检测率、误识别率，提高网络模型的泛化能力。通俗地讲就是告诉检测器，这些“不是你要检测的目标”。 我们将旋转度限制在顺时针和逆时针10度以内。相比于沿同一方向旋转所有特征图，我们将通道尺寸上的特征图划分为4个块，并为不同的块估计4个不同的旋转角度。 超分辨率。还有针对小目标的图像增强等。最典型的是利用生成对抗性网络选择性地提高小目标的分辨率。 答：无 问：我一直没搞明白，对于目标检测算法，最终模型误检率高算是欠拟合还是过拟合？ 答：都有看LOSS 答：都有 参考： 目标检测（降低误检测率及小目标检测系列笔记）_Z.w.j的博客-CSDN博客 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
5.1K20编辑于 2022-11-19 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-6 精确率-召回率曲线
本小节主要介绍两个精准率-召回率曲线，其中一个是横坐标为选定的阈值，里面的两根曲线分别为对应阈值下的精准率和召回率，通过这个图可以帮助我们非常好的来选取我们想要的那个阈值。 另外一个是横坐标为精准率，纵坐标为召回率，用于查看精准率和召回率的平衡点。 在上一小节中，通过观察调整阈值与精准率和召回率的变化关系，可以看出精准率和召回率是相互牵制相互平衡的两个指标： 当精准率升高的时候，召回率就会不可避免的降低； 当召回率升高的时候，精准率也会不可避免的降低 绘制对应不同阈值时精准率和召回率的变化曲线。 其中蓝颜色的曲线代表的是精准率，精准率随着阈值的增大而逐渐增大。橙颜色的曲线代表的是召回率，召回率随着阈值的增大而逐渐的减小。 类似的也可以找到指定召回率值时的阈值是多少。当我们希望分类结果的精准率、召回率或者精准率和召回率两个指标在某些指定值上时，就可以通过这种方式来找到对应横坐标上的阈值。
4.3K30发布于 2020-05-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-2 精准率和召回率
对于本例而言，混淆矩阵中1万个病人中实际有10个患有癌症的人（真实值为1），而在这10个患有癌症的人中，算法成功预测出8个患有癌症的人。 上一小节中，对于极度偏差的数据构建一个算法，比如有1万个人癌症的发病率为千分之一，也就是在1万个人中只有10个人患有癌症，那么我们完全可以预测1万个人都是健康的。 对于上面的混淆矩阵： 真实值为0的一行为所有健康的人，其中一共有(TN + FP) = (9990 + 0) = 9990个人； 真实值为1的一行为所有患有癌症的人，其中一共有(FN + TP) = (10 + 0) = 10个人； 如果预测系统预测所有人都是健康的，也就是算法预测全部在预测值为0的部分，而在预测值为1的部分全都是0。 而召回率为算法预测为1并且真实值为1的样本总数除以所有真实患有癌症的总人数，即TP / (TP + FN) = 0 / (10 + 0) = 0，召回率同样为0没有意义。
1.8K30发布于 2020-03-27 - 来自专栏人工智能头条
Google AI 研发医疗新模型，预测死亡率比医院高出10%
编译 | 姗姗 出品 | 人工智能头条（公众号ID：AI_Thinker） 一名乳腺癌晚期的妇女来到市医院，她的肺部已经充满了液体。 今年5月，Google 的 AI 负责人 Jeff Dean 对彭博谈到，Google 的下一步是将这个预测系统引入诊所。 自从2016年 Alphabet 旗下的 Google 公司宣布自己为 “ AI First” 的公司，它的大部分工作都在改进现有的互联网服务。
44720发布于 2018-07-20 - 来自专栏量子位
我，AI专家，模型检测COVID-19准确率高达97.5%，约吗
一位来自哥伦比亚的博士研究生小哥，声称他搞出了一个准确率达 97.5% 的新冠肺炎检测模型。 这个数据，比阿里达摩院专家打造的系统（96%）还要高，而且还有敏感性、特异性更深入的数据。 从他的工作经历来看，他应该才进入 AI 领域没多久。 有网友一脸“正经”地出来认证他的身份： 我认识这个人，他是一位厉害的AI专家，也是一位尼日利亚王子。你应该给他打钱，真的。（ ? 他们并不真正了解 AI，但由于 AI 在这个时代的飞速发展，他们就拼命往自己身上贴 AI 相关的标签。 ? 越来越多的人希望搭上AI的便车，甚至利用疫情这样的话题炒作，这似乎是在技术变革的洪流之中，难免浮起的泡沫。 最后，引用一位网友的评论： 有人想要蹭上 AI（甚至是 COVID-19）的便车，往自己身上贴 AI 企业家的标签，但更多的人，正在从事扎实的研究工作，努力每天迈出坚实的一小步。
53410发布于 2020-03-31 - 来自专栏ATYUN订阅号
AI系统Corti检测心脏病发作，准确率远超人类
目前Corti正大量部署中，这是一种在紧急电话呼叫期间检测心脏病发作的AI系统，它可能会进入欧洲一些大城市。 在围绕AI的所有谈话中，如它将如何同时适用工作和改善生活，也许没有任何形式的AI可以挽救更多的生命，而不是用于对抗心脏骤停。 检测心脏病是AI的重要用途之一。 分析2014年在哥本哈根发生的心脏骤停紧急呼叫（4月发表在一份研究论文中），显示Corti对数千个呼叫的分析比人类操作员快30秒，准确率为93％，而人类操作员为73％。 根据美国心脏协会的说法，每一分钟都没有发现心脏病发作和心肺复苏的开始，导致存活率下降7％至10％。大约2％到11％的心脏病患者存活下来。 如目前正在开发的是智能检测药物过量，与心脏病有关的疾病和中风，以便更好地支持紧急操作员。
77140发布于 2018-10-25 - 来自专栏ATYUN订阅号
IBM利用AI自动检测青光眼，准确率高达94%
为了研究深度学习如何帮助医生更有效地诊断疾病，IBM和纽约大学的研究人员开发了一种深度学习框架，可以自动检测青光眼，94％的准确度。 研究人员表示，“我们详细介绍了一种新的深度学习框架，该框架直接从原始光学相干断层扫描（OCT）成像检测青光眼，这种方法利用光波拍摄视网膜的横截面图像。” 经过训练，神经网络在病例中正确识别出青光眼的准确率高达94％。 该方法还优于先前的最先进框架，该框架在同一任务上实现了89％的准确率。 在未来的工作中，该团队将调查青光眼的潜在生物标志物，这可能使人们对该疾病的了解更深入。
62030发布于 2018-12-12 - 来自专栏程序员的知识天地
10 行Python 代码，实现 AI 目标检测技术，真给力！
只需10行Python代码，我们就能实现计算机视觉中目标检测。 行代码，就能实现目前AI产品中应用广泛的目标检测技术。 看完了代码，下面容我们聊聊目标检测背后的技术背景，并解读这10行Python代码的由来和实现原理。 目标检测简介 人工智能的一个重要领域就是计算机视觉，它是指计算机及软件系统识别和理解图像与视频的科学。计算机视觉包含很多细分方向，比如图像识别、目标检测、图像生成和图像超分辨率等。 诚然，单看这10行代码每一行，谈不上惊艳，也借助了不少库，但是仅用10行代码就能让我们轻松实现之前很麻烦的目标检测，还是能谈得上“给力”二字。
91010发布于 2019-06-15 一个提示词让AI写作AI味消失，AIGC检测率从94%暴降到0%！
01.检测越来越严，AI味越来越贵 腾讯推出了一款叫"朱雀"的AI率检测平台，专门盯着内容创作领域。学生群体就更难受了，毕业论文、课程作业全都得过AIGC检测这一关。 知网、维普、万方、大雅、格子达、Paperpass这些国内常用的查重平台，也陆续上线了AIGC检测功能。超过30%的检测率，就可能被认定为学术不端，毕业都会受到影响。 国外也没好到哪去。 以前或许还能蒙混过关，但现在人人都在用AI，你这碗大锅菜就显得格外突兀。 平台算法早就更新了，能快速识别出低质量、高AI率的标准件，并对它们进行限流处理。 学校系统也是如此，检测报告一出，AI率飙红，直接卡住你的毕业流程。 03.步：给AI一份"私人订制菜单" 反过来想，如果给AI的指令是一份详细的私人菜单，结果会不会不一样？ AIGC检测率从94%降到0%，就不再只是一个传说，而是一个可以复制、可以预见的结果。 05.安装Skill其实非常简单，咱们一步一步来。 方法一：最推荐！
1.4K10编辑于 2026-03-31- 来自专栏往期博文
【目标检测】YOLOv5：添加漏检率和虚检率输出
前言 在目标检测领域，衡量一个模型的优劣的指标往往是mAP，然而实际工程中，有时候更倾向于看漏检率和虚检率。 指标解释 漏检即原本有目标存在却没有检测出来，换句话说就是原本是目标却检测成了背景。 虚检(虚警)即原本没有目标却误认为有目标，换句话说就是原本是背景却检测成了目标。 在一些博文中提到：漏检率=1-召回率，在YOLOv5中也可以这样理解吗？ 回顾一下召回率的计算公式：R = TP / (TP+FN)，通俗的说，召回率就是来衡量真实样本中，被检测正确的比例。 换句话说，YOLOv5的召回率分子的TP只有斜对角线上的值，检测出来但分类错误依然被视作FN，因此，自己计算的漏检率和召回率并不是严格互补的关系。 进一步思考，有没有办法让模型训练以降低漏检率为目标呢，也就是以召回率最高来保存模型。
6.1K51编辑于 2022-09-21 - 来自专栏量子位
AI反诈！Deepfake音视频检测技术亮相CES，准确率超90%
别急，亮相CES 2024的一种Deepfake音频检测技术来打假了。 上面视频中字幕标红的内容全都是伪造的，像下面这样标绿的部分才是真实的信息。 随着AI技术的发展，现在网络上充斥着不少AI合成的音视频，其中的信息也是真真假假，有时令人难以分辨，甚至有一些不法分子用其来诈骗和操纵公众舆论。 而现在，迈克菲推出的这项技术，据称识别AI伪造音视频准确率超90%。 像下面这样婶儿的“霉霉给粉丝免费送锅”等AI合成的假视频，就坑过不少人。 于是迈克菲推出了Project Mockingbird。 他们的策略是用AI打败AI。 Project Mockingbird使用AI驱动的上下文、行为和类别检测模型的组合，来识别视频中的音频是否可能是AI生成的。
33110编辑于 2024-01-17 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
本小节主要说明精准率和召回率是相互制约、相互矛盾的两个指标，通过选取不同的threshold阈值来观察精准率和召回率的变化。 如果让精准率提高，相对应的召回率就会不可避免的降低； 如果让召回率提高，相对应的精准率也会不可避免的降低； 我们要做的是找到精准率和召回率这两个指标之间的平衡。 现在反过来想让召回率升高的话，相应的就需要降低判断的概率值，比如在癌症预测系统中，当系统预测出患者患有癌症的概率为10%的时候，我们就会让算法判定这名患者患有癌症，在癌症预测系统的问题中我们拉低了threshold 现在通过decision_function函数查看前10个样本的score值，并且通过predict函数查看对于这10个样本逻辑回归算法的分类结果。 ? 前10个测试样本中的score都为负值，由于此时使用的是默认阈值为0的逻辑回归算法，因此使用predict预测前10个测试样本的分类结果都为0。
4.5K51发布于 2020-04-26 - 来自专栏ATYUN订阅号
谷歌AI在转移性乳腺癌检测中准确率达到99%
转移性肿瘤，即癌细胞脱离其原始组织，通过循环或淋巴系统穿过身体，并在身体的其他部位形成新的肿瘤，很难检测。 但圣地亚哥海军医疗中心的研究人员以及致力于AI研究的Google部门的研究人员已开发出一种有前途的解决方案，该解决方案采用癌症检测算法，可自动评估淋巴结活检。 LYNA基于Inception-v3，这是一种开源图像识别深度学习模型，已被证明可以在斯坦福的ImageNet数据集上实现78.1％的准确率。 在谷歌AI和Verily，谷歌母公司Alphabet的生命科学子公司发表的第二篇论文中，该模型将一个由六人组成的董事会认证病理学家团队检测淋巴结转移的时间缩短了一半。 这些技术可以提高病理学家的生产力，减少与肿瘤细胞形态学检测相关的假阴性数量。”
55220发布于 2018-10-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号