- 综合排序
- 最热优先
- 最新优先
- 来自专栏【腾讯云开发者】
AIGC算法必读论文清单
——InstructGPT 论文解读 （https://zhuanlan.zhihu.com/p/595891945） InstructGPT：InstructGPT 论文精读【论文精读·48】 （https He_Momentum_Contrast_for_Unsupervised_Visual_Representation_Learning_CVPR_2020_paper.pdf) FAIR的MOCO，较早在CV用无监督对比学习，可进行图像特征提取、分类、检测等 Detection via Vision and Language Knowledge Distillation (2022)（https://arxiv.org/pdf/2104.13921） ViLD（检测 openaccess.thecvf.com/content/CVPR2022/papers/Li_Grounded_Language-Image_Pre-Training_CVPR_2022_paper.pdf） GLIP（检测 ），把一系列标签变成一句话，Loss包括分类的Loss和定位的Loss，然后学习CLIP来进行检测。
50610编辑于 2024-10-30 - 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。
22010编辑于 2026-03-24 - 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？
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。 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。 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。
43600编辑于 2026-03-03 - 来自专栏人工智能LeadAI
边缘检测论文笔记
摘要：这篇论文提出了一种基于FCNN和深度监督网络的新的边缘检测算法HED，它解决了两个重要的问题，1）整体图片的训练和预测，2）多尺度多层级的特征学习。 下图中的图c即为HED输出的边缘检测结果，d-f是不同side layer（后面会具体提到）的输出，g-i是Canny边缘检测器的输出。可以看到HED效果明显更好。 ? 前两个网络的问题是只有单一的输出层，所以只有一个预测结果，而在边缘检测中获得多个预测结果然后将所有的边缘映射平均是更有利的。 网络结构 在这篇论文中作者选择了VGG16作为基础网络，对它进行了修剪和更改。 bf0ceac9-69c8-49f4-a1da-e1f8210e5e52.png 总结：这篇论文提出的HED方法进行边缘检测还是很可靠的，它提出的这种从深度网络的每一层引一个侧面输出出来再进行混合的思想也可以借鉴
1.1K20发布于 2018-07-30 - 来自专栏计算机视觉理论及其实现
最新目标检测论文
目录【1】多方向目标检测：水平边界框上的滑动顶点【2】SM-NAS：结构到模块的神经体系结构搜索以进行目标检测【3】基于PSNet和边框回归的弱监督目标检测(WSOD)【4】带有可见IoU和Box Sign 预测器的遮挡性行人检测【5】CSPNet：可以增强CNN学习能力的新型Backbone【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测【7】目标检测的性能上界讨论【8 【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构【14】IPG-Net：用于目标检测的图像金字塔引导网络 multi-oriented object detection》时间：20191123作者团队：华科(白翔组)&武大&上交链接：https://arxiv.org/abs/1911.09358注：本论文性能优于 Object Detection》时间：20191125（AAAI 2020）作者团队：华为诺亚&中山大学链接：https://arxiv.org/abs/1911.09929注：又一篇用NAS做目标检测的论文
1.6K30编辑于 2022-09-03 - 来自专栏机器学习与生成对抗网络
ICCV 2023 视频AIGC（编辑生成转换）论文 7 篇
基于大规模图像库训练的图像扩散模型已成为质量和多样性方面最为通用的图像生成模型。它们支持反转真实图像和条件生成（例如，文本生成），使其在高质量图像编辑应用中具有吸引力。本文研究如何利用这些预训练的图像模型进行文本引导的视频编辑。
65310编辑于 2024-01-10 - 来自专栏DeepSeek - R1
如何降低论文Aigc率，这50个降AIGC率指令模板：全流程改写技巧
50个降AIGC率指令模板：全流程改写技巧文赋AI论文——论文写作神器~一键生成论文近期大量同学反馈，精心完成的论文因知网AIGC检测不通过被退回。 随着DeepSeek等AI工具在学术写作中普及，论文AI生成特征过度凸显成为新难题。本文针对性设计50个指令模板，覆盖论文写作全流程，通过五大维度系统降低AI检测特征，助力学术成果顺利通过审核。 Prompt 41 段落防检测改写三步骤降低AI特征：句式打散："首先...其次..."→"从发生学视角看...值得注意的是..." ：改写后使用Turnitin AI检测功能，重点监控"文本流畅度""术语独特性""论证复杂度"三项指标通过上述50个模板的针对性应用，可有效降低论文的AI生成特征，同时提升学术质量。 ——文赋AI论文智能论文写作，开启你的论文写作新篇章！
5.3K31编辑于 2025-04-12 - 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 实验室团队已发表学术论文400余篇，多篇论文发表在IEEE TIFS、TIP、TDSC、TCSVT、TMM、TCYB、TCC、TNNLS、TPAMI、AAAI、IJCAI、NeurIPS、ACM MM、 ：https://fdmas.github.io/research/fake-news-detection.html ⭐AIGC取证主页：https://fdmas.github.io/AIGCDetect
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！ Turnitin论文查重系统：ttai.kk.checkyyds.com具体来说：困惑度：就是下一个词出现的意外程度，AI写的易预测，人写作则更难预测。如：马路上有一..... 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。 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。
52710编辑于 2026-03-14- 来自专栏GiantPandaCV
目标检测论文解读之RCNN
前言 最近准备开始认真的梳理一下目标检测的相关算法，组合成一个目标检测算法系列。之前看到了一张特别好的目标检测算法分类的甘特图，但忘记是哪里的了，要是原始出处请提醒我标注。 ? 我也会按照这个图来讲解目标检测算法。 背景介绍 什么是目标检测 所谓目标检测就是在一张图像中找到我们关注的目标，并确定它的类别和位置，这是计算机视觉领域最核心的问题之一。 目标检测算法分类 上面那张甘特图已经说明了目标检测算法主要分为两类，即： Two Stage目标检测算法。 RCNN算法 贡献 RCNN是第一个使用卷积神经网络来对目标候选框提取特征的目标检测算法。 RCNN成为了当时目标检测领域的SOAT算法，虽然现在很少有人使用到了，但论文的思想我们仍可以借鉴。任何事情都要经历一个从无到有的过程。
81710发布于 2019-12-04 免费AIGC检测工具推荐，助你轻松应对相关问题！
AIGC检测工具能够识别出由AI生成的内容，从而有效地遏制学术不端行为，保护学术界的诚信和声誉。其次AIGC检测工具对于提升论文质量也有着重要的意义。 这些问题会严重影响论文的质量和可读性。AIGC检测工具能够帮助研究者发现这些问题，及时进行修改和调整，从而提升论文的整体质量。此外AIGC检测工具还可以帮助教育者和学术机构更好地管理和监督学术研究。 2.2 无限次免费查AIGC率在本节中，我们将详细介绍如何使用图灵论文AI写作助手进行无限次免费的AIGC率检测。 在学术界，保持AIGC率在一个合理的范围内是至关重要的，因为过高的AIGC率可能会导致学术不端行为。使用图灵论文AI写作助手，您可以轻松地进行AIGC率检测，确保您的论文原创性。 图灵论文AI写作助手提供了一种简单而直观的方式来检测AIGC率。您只需将您的论文文本粘贴到工具中，点击“检测”按钮，系统就会自动分析文本，并给出AIGC率的检测结果。
76610编辑于 2025-08-30- 来自专栏arXiv每日学术速递
【论文推荐】《目标检测》必看的6篇论文【附pdf】
下面给大家介绍6篇有价值的目标检测论文，希望对大家的研究和工作有所帮助~ 凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。 本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 02 推荐理由：这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。 03 推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。 06 推荐理由：这篇文章提出了一种多层对抗网络用于适配双阶段检测器，所提出的网络主要包含两部分，分层域特征对齐和聚合的proposal特征对齐。 那么这些目标检测的论文怎样才能又好又快地吃透呢？
99920编辑于 2022-05-23 论文检测，论文降AI率，降AI率的工具
在这个 AIGC 盛行的时代，无论是学术圈的莘莘学子、科研人员，还是奋斗在内容创作一线的自媒体人，都面临着一个棘手问题 ——AI 率把控。 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。 比如论文中那些过于规整、缺乏灵活变化的句式，或是自媒体文章里频繁出现的热门 AI 词汇组合，都逃不过它的 “法眼”。 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。 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。文字滚筒鸭深知其重要性，与全网丰富的学术数据源实时对接，上传论文瞬间，便开启逐字逐句的严谨比对。
83621编辑于 2025-04-23- 来自专栏贾志刚-OpenCV学堂
【论文推荐】《目标检测》必看的6篇论文【附pdf】
本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 02 推荐理由：这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。 03 推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。 这次我们请来了BAT算法工程师——张老师，推出【目标检测】论文精讲直播，为期2天，对论文和实验结果进行手把手分析，还有直播现场互动答疑，彻底夯实目标检测基础。 扫码添加客服 即可领取↓ 免费领目标检测论文PDF
1.8K50编辑于 2022-04-28 - 来自专栏随手写个文章
基于AIGC的写作尝试：A Survey of Large Language Models（论文翻译）（下）
在其能力范围内，模型应该能够检测到旨在诱导恶意请求的隐蔽企图。理想情况下，当模型被诱导执行危险行为（例如犯罪）时，LLM应该礼貌地拒绝。 然而，更全面的高效微调讨论超出了本文的范围，可以在相关论文中找到更多相关内容[229, 235]。 ICL的全面评估已经在综述论文[50]中进行了介绍，我们建议读者参考该论文以获取更一般、详细的讨论。与该综述相比，我们专门关注将ICL应用于LLM的两个主要方面的讨论，即演示设计和ICL的基本机制。 为了评估幻觉问题，已经提出了一组幻觉检测任务，例如TruthfulQA [321]，用于检测模型模仿的人类虚假言论。知识时效性。 对于有用性和诚实性，可以利用对抗性问答任务（例如TruthfulQA [321]）来检查LLM在检测文本中可能存在的虚假信息方面的能力[46, 72]。
1.5K100编辑于 2023-05-30 - 来自专栏深度学习自然语言处理
【论文推荐】《目标检测》必看的8篇论文【附pdf】
本文就为大家推荐其中8篇最新的目标检测论文。 for Co-Salient Object Detection 那么这些目标检测的论文怎样才能又好又快地吃透呢？ 这次我们请来了BAT算法工程师——张老师，推出【目标检测】YOLO V5论文精讲直播，为期2天，对论文和实验结果进行手把手分析，还有直播现场互动答疑，彻底夯实目标检测基础。 直播嘉宾： —— 直播内容与安排 —— 1、6月23日20:30直播 1.为什么要学习目标检测论文 2.目标检测发展历程与前进方向 3.YOLO V3回顾和YOLO V3理论知识详解 4.注意事项 扫码添加客服 即可领取↓ 回复“目标检测论文”免费领目标检测论文PDF
1.5K10编辑于 2022-06-27 - 来自专栏随手写个文章
基于AIGC的写作尝试：A Survey of Large Language Models（论文翻译）（上）
在这篇RL论文[70]发布后不久，Proximal Policy Optimization（PPO）[111]的论文于2017年7月发表，现在已成为从人类偏好中学习的基础RL算法[61]。 在此表中，我们仅包括具有有关技术细节的公共论文的LLM。这里，“发布时间”表示相应论文正式发布的日期。“公开可用”表示模型检查点可以公开访问，而“闭源”则表示相反。 在文档级别上，现有的研究主要依靠文档之间表面特征（例如单词和n-gram重叠）的重叠比率来检测和删除包含相似内容的重复文档[57, 59, 69, 160]。 一种直接有效的方法是采用基于规则的方法，例如关键词检测，来检测和删除姓名、地址和电话号码等PII[131]。 由于训练大模型是一个耗时的过程，因此在早期预测模型性能并检测异常问题将非常有用。
2.1K40编辑于 2023-05-30 - 来自专栏文本生成图像
生成模型的2022年——人工智能AIGC顶级论文回顾
下面让我们一起回顾2022年里一些引人注目的生成模型顶级论文：模型文章链接项目链接方向DALL-E 2[https://arxiv.org/abs/2204.06125]DALLE2-pytorch文本生成图像 论文提出一种在潜在表示空间（latentspace）上进行diffusion过程的方法，从而能够大大减少计算复杂度，同时也能达到十分不错的图片生成效果。 ：Stable diffusion相比于其它空间压缩方法，论文提出的方法可以生成更细致的图像，并且在高分辨率图片生成任务（如风景图生成，百万像素图像）上表现得也很好。 论文将该模型在无条件图片生成（unconditional image synthesis）,** 图片修复（inpainting）,图片超分（super-resolution）任务上进行了实验，都取得了不错的效果 论文中提到的条件图片生成任务包括 类别条件图片生成（class-condition）, 文图生成（text-to-image）, 布局条件图片生成（layout-to-image）。
72510编辑于 2024-05-04 - 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
图1 正常木料与异常木料对比展示图 通过引入 AI 技术，可以让机器自动检测和识别木料中的缺陷，从而大幅提高检测效率和准确性，确保生产出高质量的木制品。 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。
15010编辑于 2026-04-02 - 来自专栏机器学习炼丹术
轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015
参考目录： 0 轮廓检测 1 论文概述 2 HED结构 3 损失函数 4 损失函数 TF 5 总结 0 轮廓检测 轮廓检测，对我这样的初学者而言，与语义分割类似。 分割任务是什么我就不再赘述了，轮廓检测则是完成这样的一个任务： ? 论文中给出这样的对比图，看起来HED的效果非常的不错： ? 1 论文概述 相关论文：《Holistically-Nested Edge Detection》 论文链接：https://arxiv.org/abs/1504.06375 论文年份：2015 今天解读一篇论文 2 HED结构 来看下论文中给出的HED的结构图： ?
1.5K10发布于 2020-12-16
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