- 综合排序
- 最热优先
- 最新优先
- 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。 AIGC检测看的是整体风格、句式节奏、逻辑连贯性等，这些都是底层结构。建议先查AI率，解决完后再去查重降重（免费除外）。AIGC检测看的是论文整体，不要为了节省，像查重样只查标记内容，那样会不准确。
46400编辑于 2026-03-03 - 来自专栏我爱计算机视觉
AIGC生成图像检测：全面分析与比较主流方案
随着 AIGC 技术的发展，由 AI 所生成的虚假图像的检测问题正成为一个新的研究热点。但是现有检测方法的实验条件与测试数据集不完全相同，无法直接横向对比检测性能。 为此，我们针对目前现有主流AIGC图像检测方案进行全面分析与比较。 在保证相同训练集与实验条件的情况下，分析测试目前检测算法的检测准确率与泛化性等性能指标，为AIGC生成图像检测领域提供一项基准的实验对比平台（Benchmark），同时整合并开源了多种现有AIGC生成图像的检测算法 我们共选取了9个SOTA检测方法 [2-10] ，在16个生成图像数据集上进行了大量测试。 [RPTC] Zhong等人 [10] 利用了图像内丰富和贫乏纹理区域之间的像素间相关性对比度来检测AI生成图像。他们发现纹理复杂区域中的像素表现出比纹理平坦区域中更显著的波动。
3.4K11编辑于 2023-11-30 Turnitin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！ 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。 二、如何降低AIGC率1、精简内容删除被标记段落中无用的套话，去掉典型AI特征的用词习惯和打破原有系统拆分片段规律，只保留其核心观点、数据、论证逻辑。再通读，其实原有的意思根本没有变化。 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。
55410编辑于 2026-03-14- 来自专栏论文降AIGC率
论文AI率到底查什么？吃透这5种修改技巧直接安全上岸！
一、AIGC检测到底查什么AIGC检测不是查你用没用AI辅助，而是查文本像不像AI写作。词汇分布句式结构语义逻辑表达习惯划重点：不是不能用AI，而是在于谁才是真正的作者。 一句话总结：AIGC检测就是概率预测，所以会有误判的情况，而且状况频出，常见的误判多为写作风格像AI、术语密集等。二、如何正确进行AIGC检测初稿阶段：可以不查，后续还要修改。 学校常用的AIGC检测平台：Turnitin（ttai.kk.checkyyds.com）：国际权威，适合留学生、英文专业的毕业论文，国际版+AI可同时出具查重和AI率双报告。 三、AI率安全线是多少2026各学历AIGC率通用参考线：本科：≤30%硕士：≤15%–20%博士：≤10%注：同学历，学校越好越严格，这只是通用参考，最终标准要以学院官方通知为准，超了就需要降AI率。 早降重：zjc.kk.checkyyds.com适配多平台检测：早降重适配最新升级的知网、维普、Turnitin、万方等平台的检测逻辑，还支持各平台的AIGC检测报告上传进行降重和降AI率。
1K10编辑于 2026-03-02 免费AIGC检测工具推荐，助你轻松应对相关问题！
一、 AIGC检测工具概述1.1 AIGC检测工具的定义与功能AIGC（人工智能生成内容）检测工具是指一类专门设计用于识别和评估由人工智能生成的内容的工具。 三、 AIGC检测工具的使用技巧与注意事项3.1 AIGC检测工具的使用技巧在使用AIGC检测工具时，掌握一些实用的技巧可以帮助您提高检测准确性，优化检测流程。以下是一些实用的建议：1. 3.3 使用AIGC检测工具的注意事项在使用AIGC检测工具时，以下是一些重要的注意事项，可以帮助您避免误判或漏检，确保检测结果的准确性：1. 这有助于跟踪检测过程，确保透明度和可追溯性。10. 遵循最佳实践：遵循行业最佳实践和标准，以指导您使用AIGC检测工具。这有助于确保您的操作符合当前的标准和期望。 通过遵循这些注意事项，您可以更有效地使用AIGC检测工具，并减少误判或漏检的风险，从而提高您的工作效率和准确性。
76910编辑于 2025-08-30- 来自专栏贾志刚-OpenCV学堂
送书 | AIGC实战工业缺陷检测：从原理到代码
在上述背景下，AIGC 技术的引入显得尤为重要。AIGC 技术能够通过结合最相关的特定技术手段来生成逼真的缺陷图像，丰富训练数据集，从而提升 AI 模型的检测性能。 图3 通过正样本生成带缺陷负样本结果实例图 此外，AIGC 系统还可以接收操作人员的直接需求，从而进一步提高检测的可靠性和准确性。 通过结合 AI 模型和 AIGC 技术，木料缺陷检测不仅能够实现更高的自动化水平，还能显著降低操作人员的介入需求。 有些需求方可能选择忽略图像中的某些缺陷，而有些则会严格要求所有缺陷都被检测出来。然而，在技术实现层面，最基础的缺陷检测模型会始终尝试检测出所有的缺陷。 image_size), transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])dataset = dsets.CIFAR10
15510编辑于 2026-04-02 - 来自专栏数智转型架构师
憋了10年的构想，被AIGC轻松搞定了！
今天，我想跟大伙儿聊的，就是这样一个沉睡了十多年的构想，以及我们如何用AIGC，把它从梦中唤醒，变成了一个能实实在在创造价值的业务利器。 二、AIGC，让梦想照进现实的“那束光” 转机，就发生在最近。 随着AIGC技术的浪潮席卷而来，我们这些做数智化的人，都像打了鸡血一样，天天琢磨怎么把它用到实际业务中去。 就在集团内部举办的一场“AIGC创新应用大赛”上，我们业务部门的一个团队，拿出了一个名为“融易链”（“融创价值挖掘助手”）的作品。 而这，正是AIGC大显身手的地方。 他们的核心思路是：我们不要求人成为超级大脑，但我们可以训练一个AI成为超级大脑。 AIGC不是万能的，但它就像一把削铁如泥的瑞士军刀，为我们解决那些过去看起来无解的业务难题，提供了全新的可能性。
13810编辑于 2025-10-30 - 来自专栏顶象技术业务安全专栏
更安全的验证码=AIGC+集成环境信息检测！
邮箱服务器检测到异常登录请求，会下发验证码进行安全验证，但是黑灰产能够自动破解简单验证码，完成撞库登录过程。整个过程完全自动化操作，无需人工干预，就这样，用户的大批账号就被冒名登录了。 集成AIGC的顶象无感验证能够无限生产验证图片。通过AIGC能够文本描述快速生成无限量的图像素材，使得基于遍历图库的破解方式失效，大大增强验证码的破解难度。 此外，利用AIGC，顶象无感验证更创造出一些对用户友好、机器识别难度较高的新型验证码。 魔高一丈，黑灰产+AIGC突破常规验证码 AIGC技术能够生成海量图片，且有一定随机性且不可逆，使攻击者打标训练成本可增加10倍以上，虽然大幅增加机器破解的难度。 基于AIGC，黑灰产不再需要采集验证码厂商的图库并打标，就能训练模型识别各种艺术字。
67720编辑于 2023-08-03 - 来自专栏AI技术体系搭建过程
AIGC10: AI转文服务器的搭建过程记录
Power Usage/Cap (10W / 70W): 当前功耗为10瓦，最大功耗为70瓦。这表明GPU在有效使用功率，类似于电器的功率消耗。 你应该看到类似以下的输出，表示Java 8已成功安装： openjdk version "1.8.0_292" OpenJDK Runtime Environment (build 1.8.0_292-b10 ) OpenJDK 64-Bit Server VM (build 25.292-b10, mixed mode) 4.
35000编辑于 2025-07-01 - 来自专栏新智元
AI也脸盲 |黑人遭人脸识别技术“误判”概率竟高出白人5至10倍！
编辑：三石 【新智元导读】根据美国政府测试发现的结果，即使是表现最佳的人脸识别系统，黑人的错误识别率比白人高5至10倍。那么到底是什么原因导致不同人种之间人脸识别效果差距如此之大呢？又该如何应对呢？ NIST用两张相同的面部照片去测试算法，结果表明，Idemia的算法错误匹配白人女性面孔的概率约为万分之一，而错误匹配黑人女性面孔的概率却为千分之一，概率增长了10倍之多。 在敏感阈值下，NIST测试的两种Cognitec算法误判黑人女性的概率大约是前者的五倍。 Cognitec算法开发总监Thorsten Thies承认两者存在差异，但表示很难解释。 2018年初，Buolamwini和他的人工智能研究员Timnit Gebru指出，微软和IBM试图检测照片中人脸性别的服务，对于肤色白皙的男性来说近乎完美，但对于肤色黝黑的女性来说，失败的几率超过20%
1.1K20发布于 2019-07-30 - 来自专栏论文降AIGC率
论文查重、AIGC检测顺序｜按这个来，不做无用功！
毕业季，不少同学被查重、AIGC检测、降重、降AI率搞得头都大了！到底要先怎么查、怎么降才不做无用功？一、初稿阶段只降核心重复内容，不看AIGC率。 如果是重复率和AIGC率都高的话，也可以用工具结合人工降重，比如：早降重辅助工具，支持降重复率和降AIGC率，还能上传查重/AIGC检测报告针对性降重和降AI率。 三、定稿阶段定稿阶段，用学校指定的系统做最终AIGC检测与查重。 如果有不达标的情况： 重复率不达标→对重复内容做语义改写→查重（合格）→AIGC检测AI率不达标→对问题句子或段落加人味→AIGC检测（合格）→查重定稿阶段不管是做什么修改，提交学校检测前，二项都必须符合学校要求标准内 写在最后查重可以从免费查起，AIGC检测工具学校用什么就用什么查。降重复内容过程中，最好才用深度语义改写法，避免AI率反弹。二次验证，查重可只查重重复内容，AIGC检测要全文检测。
23610编辑于 2026-03-24 - 来自专栏AIoT技术交流、分享
LabVIEW角点检测（基础篇—10）
目录 1、角点检测概念 2、角点检测流程 3、角点检测实践 ---- 图像的特征是图像的原始特性或属性，它包含图像中的关键信息，是机器视觉算法工作的基础。
26840发布于 2021-08-10 - 来自专栏DeepHub IMBA
10分钟掌握异常检测
异常检测(也称为离群点检测)是检测异常实例的任务，异常实例与常规实例非常不同。这些实例称为异常或离群值，而正常实例称为内部值。 异常检测可用于多种应用，例如： 欺诈识别 检测制造中的缺陷产品 数据清理——在训练另一个模型之前从数据集中去除异常值。 你可能已经注意到，一些不平衡分类的问题也经常使用异常检测算法来解决。 例如，垃圾邮件检测任务可以被认为是一个分类任务（垃圾邮件比普通电子邮件少得多），但是我们可以用异常检测的方法实现这个任务。 一个相关的任务是奇异值检测（Novelty Detection）。 孤立森林和 SVM 一些监督学习算法也可用于异常检测，其中最流行的两种是孤立森林和 SVM。这些算法更适合奇异值检测，但通常也适用于异常检测。 该算法既可用于异常检测，也可用于奇异值检测。由于其计算简单且质量好，会被经常使用。
80440发布于 2021-10-09 - 来自专栏CODING DevOps
腾讯云 CODING 快速应用中心，让您 10 分钟轻松玩转 AIGC
要真正运行这些高级 AIGC 应用，通常需要搭建复杂的实验环境，这其中涉及到各种硬件和软件配置，依赖安装。很多人在尝试的过程中不是遇到各种技术难题，就是被复杂的设置步骤所困扰，最终选择放弃。 腾讯云 CODING 全新推出快速应用中心，让您只用 10 分钟即可轻松搭建起 Llama 2 和 Stable Diffusion 的运行环境，无需再为环境部署和配置而头疼！ 再结合按量付费低至 7.16 元/小时的腾讯云 GPU 机器，您无需再购买昂贵的显卡便可低成本解锁 AIGC 的能力！ 我们希望腾讯云 CODING 快速应用中心能够助力每一位用户轻松拥抱 AI，探索 AIGC 的无穷魅力。AI 世界的璀璨大门已经向您敞开，还不马上来探索新时代的无限可能？ 点击阅读原文立即体验
76220编辑于 2023-10-23 - 来自专栏AIGC 先锋科技
三合一检测器 | 通过CLIP编码，实现多模态检测，解决AIGC 恶意伪造内容问题！
人工智能生成内容（AIGC）技术，以文本到图像生成为代表，导致了深度伪造的恶意使用，引发了关于多媒体内容可信度的担忧。将传统伪造检测方法适应于扩散模型颇具挑战。 因此，本文提出了一种专门为扩散模型设计的伪造检测方法，称为三合一检测器。三合一检测器通过CLIP编码器融入粗粒度文本特征，并与像素域中的细粒度伪影连贯地整合，以实现全面的多模态检测。 后来的ADM[10]发现了一种更有效的架构，通过分类器引导进一步实现了与其他生成模型相比的最先进性能。 prime},v^{\prime})\in O}\exp(\alpha(u^{\prime},v^{\prime}))} DCT_{2D}^{u,v}(X_{i}),\end{split} \tag{10 广泛的实验验证了所提出的Trinity检测器方法在检测由扩散模型生成的图像方面，与其他方法相比具有更好的检测性能、鲁棒性和泛化能力。
98610编辑于 2024-07-08 - 来自专栏机器学习与生成对抗网络
CVPR 2024 | 图像检测类（目标、deepfake、异常）！AIGC扩散模型diffusion解决detection任务
目前已有的高性能三维物体检测器通常在骨干网络和预测头中构建密集特征图。然而，随着感知范围增加，密集特征图带来的计算成本呈二次增长，使得这些模型很难扩展到长距离检测。 最近一些研究尝试构建完全稀疏的检测器来解决这个问题，然而所得模型要么依赖于复杂的多阶段流水线，要么表现不佳。 本文提出 SAFDNet，简单高效，专为完全稀疏的三维物体检测而设计。 ，验证 SAFDNet 在需要长距离检测的场景中的有效性。 在 Argoverse2 上，SAFDNet 在速度上比先前最好的混合检测器 HEDNet 快 2.1 倍，并且相对于先前最好的稀疏检测器 FSDv2 提高了 2.1% 的 mAP，速度提高了 1.3 来自目标检测任务的实验结果凸显了 DetDiffusion 在布局导向生成方面的出色性能，显著提高了下游检测性能。
2.8K10编辑于 2024-04-12 - 来自专栏毕业设计
YOLO+OpenClaw+AIGC缺陷生成：破解工业检测“数据荒”的低代码方案
YOLO+OpenClaw+AIGC缺陷生成：破解工业检测“数据荒”的低代码方案没有缺陷数据，就创造缺陷数据。AIGC生成+云端调度，让工业质检模型告别“营养不良”。大家好，我是AI小怪兽。 今天我就结合工业缺陷检测场景，展示一套低代码落地路径：AIGC缺陷生成 + YOLO检测 + OpenClaw自动调度，让模型从“吃不饱”变“吃得好”。一、工业质检的“数据荒”有多严重？ 一张高分辨率工业图像的精细标注，可能需要5-10分钟，标完几千张图的成本轻松破万。解决方案：用AIGC技术创造缺陷数据，让模型在训练阶段就见过各种形态、各种严重程度的缺陷。 GPU实例支持：可选择配备NVIDIA T4或A10的GPU实例，满足AIGC推理需求模板一键部署：选择“应用模板”→“AI智能体”→“OpenClaw”，30秒创建环境价格实惠：T4 GPU实例按时计费 先别盯着“真实数据不够”叹气，用AIGC创造缺陷数据，让模型吃上“营养餐”，立刻就能提升检测效果。
29610编辑于 2026-04-07 - 来自专栏成套网站
基于yolov10的吸烟检测系统
YOLOv10通过多尺度特征融合和自适应锚框机制，有效解决了这些问题。其支持的GPU加速推理能力可实现每秒30帧以上的实时检测，满足监控场景的即时性需求。 基于YOLOv10的吸烟检测系统可实现自动化、实时化监测，精准识别吸烟行为，为公共场所禁烟管理提供有力技术支撑。 YOLOv10作为先进的深度学习目标检测算法，具有高精度和实时性优势。 3、研究现状当前，基于计算机视觉的吸烟检测研究正随着深度学习技术的发展不断深入，在目标检测算法优化、多模态数据融合以及实际应用场景拓展等方面取得了一系列进展，但基于YOLOv10的吸烟检测研究尚处于起步阶段 而YOLOv10作为最新版本，其动态稀疏注意力机制和改进的网络结构，理论上能为吸烟检测带来更高的精度和更强的鲁棒性，但目前针对它的专项吸烟检测研究较少。多模态数据融合也是研究热点。
25200编辑于 2026-01-12 - 来自专栏Bypass
10款常见的Webshell检测工具
当网站服务器被入侵时，我们需要一款Webshell检测工具，来帮助我们发现webshell，进一步排查系统可能存在的安全漏洞。 本文推荐了10款Webshll检测工具，用于网站入侵排查。 2、百度WEBDIR+ 下一代WebShell检测引擎，采用先进的动态监测技术，结合多种引擎零规则查杀。 兼容性：提供在线查杀木马，免费开放API支持批量检测。 兼容性：提供php/python脚本，可跨平台，在线检测。 是一款融合了多重检测引擎的查杀工具。能更精准地检测出WEB网站已知和未知的后门文件。 10、在线webshell查杀工具 在线查杀地址： http://tools.bugscaner.com/killwebshell/ ? ? 加入我的知识星球，获取更多安全干货。 ?
10.5K10发布于 2020-04-11 - 来自专栏机器学习/数据可视化
吴恩达笔记10_异常检测
吴恩达机器学习-10-异常检测 “黑中有白，白中有黑，没有绝对的白，也没有绝对的黑，黑可衬白，白可映黑。 万物皆可转换” 在本周中主要讲解了机器学习中的异常检测问题，主要包含： 问题产生 高斯分布 算法使用场景 八种无监督异常检测技术 异常检测和监督学习对比 特征选择 异常检测Novelty Detection 在商业中也有许多应用，如网络入侵检测（识别可能发出黑客攻击的网络流量中的特殊模式）、系统健康性监测、信用卡交易欺诈检测、设备故障检测、风险识别等 问题动机 异常检测主要是运用于非监督学习的算法。 八种无监督异常检测技术 基于统计的异常检测技术 MA滑动平均法 3—Sigma（拉依达准则） 基于密度的异常检测 基于聚类的异常检测 基于``K-Means`聚类的异常检测 One Class SVM 的异常检测 Isolation Forest的异常检测 PCA+MD的异常检测 AutoEncoder异常检测 异常检测和监督学习对比 异常检测中采用的也是带标记的数据，和监督学习类似。
51310发布于 2021-03-02
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