知网论文检测原理详细讲解
1、在知网查重和paperfree论文查重报告里，黄色字体表示该内容被判定为“引用”，红色字体表示该内容被判别为“抄袭”。2、在知网查重的过程中，系统一般只能改识别文字部分，论文里的图片、代码、公式都是检测不到的。因为检测系统还无法识别这些内容的格局，但是我们可以通过全选-仿制-选择性粘贴-只保存文字这样的过程来检测详细的查重部分。如果是修改公式、代码的时候。3、论文里的表格内容数据知网查重是可以识别到的，如果表格中的内容重复度比较高，那大家可以把表格截图，然后再放到论文里。
据学术堂了解,不同的查重系统,他们的算法查重原理是不同的,查重结果会有差异,这里举例知网查重系统的原理介绍:一、中国知网查重原理:1、在知网查重系统中有一个对比库,上传进行检测的论文内容都会与对比库中的资料进行对比,来检测论文内容是否抄袭.这个对比库是由国家专门指定的,来源基本上都是一些中国的学术期刊文库,中国的博士或者硕士论文数据库等等,库中内容基本上都是一些专业性比较强的内容,因此有很多书籍内容以及国外的资料都不在库中.2、对于抄袭或者引用,知网查重时是设定了一个阀值(3%)的.即规定了以论文的一个章节的字数来算,如果其中与对比库中重复的内容不超过字数的3%,就不会被判定为抄袭.3、提交给知网进行查重的论文最好是排好格式,分好了章节的终稿.根据上面对抄袭的判定可知,提交查重的论文格式和章节设置是非常重要的,同样内容的论文可能会因为格式的不同,产生不同的查重结果.而对章节的设置,则要根据学校的要求来,一般将论文提交给知网后,会检索你论文的章节设置与知网内置的是否匹配,如果匹配就会按照你论文的章节来检测,如果不匹配就会自动给你的论文分段,然后再进行检测,因此你的论文分章最好能按照学校的要求来做.4、在前面提到的章节阀值检测规定下,如果连续有20个汉字或者以上的相同内容就都会被判定为抄袭.
知网检测，检测最基本原理技术员设计最清楚了，这和算法有关系。其次，要具备基础内容就是数据库，数据库足够多和大，检测的效果会更精准，这跟搜索引擎原理基本一致。
如果要考虑知网检测，有很多方式，直接官网检索，或者去淘宝的代理商检测。
阀值为5%，以段落计，低于5%的抄袭或引用是检不出来的，这种情况常见于大段落中的小句或者小概念。举个例子：假如检测段落1有1w字，那么引用单篇文献五百字以下，是不会被检测出来的
知网论文检测详细报告在哪
知网检索报告操作如下：
首先要将论文检索报告和论文查重报告区分开来，不能混淆。论文检索报告就是开具论文被文献数据库收录的证明，一般交给科技查新站做，一般需要付费，国内知名高校图书馆一般可以开具这样的带公章的报告，具体哪些地方可以开带公章的报告得去咨询自己学校的图书馆。
1、首先在浏览器地址栏输入知网的网站，或直接百度搜索找到知网。进入中国知网页面后，再单击【高级检索】。
2、在高级检索页面的【作者】和【作者单位】栏目处输入作者的姓名、单位全称或学校全称，输入完成之后单击【检索】，在排序选项里单击【发表时间】将搜索结果按年限排序。
3、选中需要检索的论文，再单击【导出/参考文献】。
4、接着会跳转到文献管理中心导出的页面，该页面中再次选中需要检索的论文，单击【导出/参考文献】。
5、最后会跳转到文献输出页面。单击【打印】即可。
主要就是看以下几点：1、总文字复制比，也就是检测出来的重复率。2、全文标明引文，重复都已经被标红。3、全文对照报告单，相似内容来源都准确标出。红色文字表示文字复制部分;黄色文字表示引用部分，根据指示进行修改就可以了。
论文查重报告是指通过论文查重系统检测出的论文，论文查重报告主要包括了论文查重率、论文对比、对比来源、作者姓名等基本信息。通常，相似度在80%~100%会用红色字体显示出来，相似度50%~80%的用黄色字体显示，而绿色字体表示没有找到相似的语句，一般红色部分建议修改，黄色部分酌情修改。
其次，毕业论文查重报告是在提交了论文，并且检测完成之后论文查重报告才会有。在paperfree、papertime提交检测论文，检测完成就会生成报告，点击导航栏“查看报告”，然后找到刚刚查重的论文后面的查看报告就可以了。
在查重报告的开头，可以看到作者、提交检测时间、论文标题等信息，下面一点可以看见论文的总体相似度、详细报告、综合评估、查看原文、使用帮助、打印pdf等，在往下是正文部分，用对应的颜色标注了，可以一目了然的看到，哪些部分相似度极高，哪些地方相似度适中，哪些地方没有找到相似语句，同时paperfree、papertime还提供了“在线改重”功能，实现了一边修改论文，一边论文查重，改哪里检测那里，可以提高论文降重的效率，节省修改论文时间。
在中国知网论文查重入口进行论文查重之后，知网会给每一位在该平台查重的需求方提供一份该有知网官网标示的查重报告，这份报告具有权威性和专业性，因此它可以作为学术不端行为的验证标准。知网查重提供的报告和其它平台提供的查重报告有什么差别吗？有什么不一样的地方吗？中国知网论文查重平台出具的论文检测报告是知网专属的报告，它的格式还有展示方式肯定和其它查重平台提供的是不同的。就以知网和paperfree为例，知网的查重报告上的细致分解和paperfree虽然看上去大同小异，但两个平台的查重报告结构是不同的，是各有所长的。不过，因为论文查重是要收取费用的，所以还有不少的平台在冒充知网官网给一些毕业生进行论文的重复率检测，然后把假的知网的检测报告提供给对方，因此，毕业生应该要注意好自己选择时的网站是不是真的是知网的唯一检测渠道的，不能随便看到有知网两个字，就把论文提交上去检测。知网检测权威渠道里有个CNKI的字母标示，这个标示很重要，如果一个大学毕业生登录的网站不带这四个字母，那基本可以认定是假冒的知网查重平台，一旦查重需求方登录了假冒的查重平台进行查重，那么查重出来的结果可能会和知网官网渠道有着天壤之别，重复率检测标准也会有很大的误差。所有为了自己论文的安全性，一定要在一个靠谱的知网平台进行检测，才能得到一个靠谱的知网查重报告。
目标检测rcnn论文详解
Since we combine region proposals with CNNs, we call our method R-CNN: Regions with CNN features. 下面先介绍R-CNN和Fast R-CNN中所用到的边框回归方法。 为什么要做Bounding-box regression？ 如上图所示，绿色的框为飞机的Ground Truth，红色的框是提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准(IoU<)，那么这张图相当于没有正确的检测出飞机。如果我们能对红色的框进行微调，使得经过微调后的窗口跟Ground Truth更接近，这样岂不是定位会更准确。确实，Bounding-box regression 就是用来微调这个窗口的。 那么经过何种变换才能从图11中的窗口P变为窗口呢？比较简单的思路就是： 注意：只有当Proposal和Ground Truth比较接近时（线性问题），我们才能将其作为训练样本训练我们的线性回归模型，否则会导致训练的回归模型不work（当Proposal跟GT离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）。这个也是G-CNN: an Iterative Grid Based Object Detector多次迭代实现目标准确定位的关键。 PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。模型详解 RCNN全程就是Regions with CNN features，从名字也可以看出，RCNN的检测算法是基于传统方法来找出一些可能是物体的区域，再把该区域的尺寸归一化成卷积网络输入的尺寸，最后判断该区域到底是不是物体，是哪个物体，以及对是物体的区域进行进一步回归的微微调整（与深度学习里的finetune去分开，我想表达的就只是对框的位置进行微微调整）学习，使得框的更加准确。 正如上面所说的，RCNN的核心思想就是把图片区域内容送给深度网络，然后提取出深度网络某层的特征，并用这个特征来判断是什么物体（文章把背景也当成一种类别，故如果是判断是不是20个物体时，实际上在实现是判断21个类。），最后再对是物体的区域进行微微调整。实际上文章内容也说过用我之前所说的方法（先学习分类器，然后sliding windows），不过论文用了更直观的方式来说明这样的消耗非常大。它说一个深度网络（alexNet）在conv5上的感受野是195×195，按照我的理解，就是195×195的区域经过五层卷积后，才变成一个点，所以想在conv5上有一个区域性的大小（7×7）则需要原图为227×227，这样的滑窗每次都要对这么大尺度的内容进行计算，消耗可想而知，故论文得下结论，不能用sliding windows的方式去做检测（消耗一次用的不恰当，望各位看官能说个更加准确的词）。不过论文也没有提为什么作者会使用先找可能区域，再进行判断这种方式，只是说他们根据09年的另一篇论文[1]，而做的。这也算是大神们与常人不同的积累量吧。中间的深度网络通过ILSVRC分类问题来进行训练，即利用训练图片和训练的分类监督信号，来学习出这个网络，再根据这个网络提取的特征，来训练21个分类器和其相应的回归器，不过分类器和回归器可以放在网络中学习，R-CNN 模型如果要拟人化比喻，那 R-CNN 肯定是 Faster R-CNN 的祖父了。换句话说，R-CNN 是一切的开端。 R-CNN，或称 Region-based Convolutional Neural Network，其工作包含了三个步骤： 1.借助一个可以生成约 2000 个 region proposal 的「选择性搜索」（Selective Search）算法，R-CNN 可以对输入图像进行扫描，来获取可能出现的目标。 2.在每个 region proposal 上都运行一个卷积神经网络（CNN）。 3.将每个 CNN 的输出都输入进：a）一个支持向量机（SVM），以对上述区域进行分类。b）一个线性回归器，以收缩目标周围的边界框，前提是这样的目标存在。 下图具体描绘了上述 3 个步骤：Abstract ： R-CNN的两个贡献：卷积层的能力很强，可以遍历候选区域达到精确的定位。2.当有标签的数据很少的时候，我们可以事前进行有标签（别的数据集上？）的预训练作为辅助任务，然后对特定的区域进行微调。Introduction: 这篇文章最开始是在PASCAL VOC上在图像分类和目标检测方面取得了很好的效果。 为了达到很好的效果，文章主要关注了两个问题：1.用深层网络进行目标的定位。2.如何用少量的带标签的检测数据来训练模型 对于 对一个问题目标定位 ，通常有两个思路可以走： 1.把定位看成回归问题。效果不是很好。 2.建立划窗检测器。 CNN一直采用建立划窗这个方式，但是也只是局限于人脸和行人的检测问题上。 本文使用了五个卷积层（感受野食195*195），在输入时移动步长是32*32。 除此之外，对于定位问题，我们采用区域识别的策略。 在测试阶段，本文的方法产生了大约2000个类别独立的候选区域作为cnn的输入。然 后得到一个修正后的特征向量。然后对于特定的类别用线性SVM分类器分类。我们用简 单的方法（放射图像变形）来将候选区域变成固定大小。 对于第二个缺少标签数据的问题 目前有一个思路就是无监督的预训练，然后再加入有监督的微调。 作为本文最大的贡献之二：在ILSVRC数据集上，我们先进行有监督的预训练。然 后我们在PASCAL这个小数据集上我们进行特定区域的微调。在我们的实验中，微调 可以提升8%的mAP。 本文的贡献;效率高 仅仅是特别类别的计算是合乎情理的矩阵运算，和非极大值抑制算法。他们共享权 值，并且都是低维特征向量。相比于直接将区域向量作为输入，维数更低。 本文方法处理能实现目标检测，还以为实现语义分割。 2.用R-CNN进行目标检测： 有3个Model： （1）产生独立的候选区域。 （2）CNN产生固定长度的特征向量。 （3）针对特别类别的一群svm分类器。 模块的设计 候选区域： 之前有大量的文章都提过如果产生候选区域。本文采用SS（selective search ）方法。参考文献【34】+【36】 特征抽取： 对于每个候选区域，我们采用cnn之后得到4096维向量。 测试阶段的检测 在测试阶段，我们用选择性搜素的方式在测试图片上选取了2000个候选区域，如上图所示的步骤进行。 运行时间分析: 总之当时相比很快。 训练模型 有监督的预训练： 我们使用了大量的ILSVRC的数据集来进行预训练CNN，但是这个标签是图片层的。换句话说没有带边界这样的标签。 特定区域的微调： 我们调整VOC数据集的候选区域的大小，并且我们把ImageNet上午1000类，变成了21类（20个类别+1个背景）。我们把候选区域（和真实区域重叠的）大于的标记为正数，其他的标记为负数。然后用32个正窗口和96个负窗口组成128的mini-batch。 目标类别分类器： 对于区域紧紧的包括着目标的时候，这肯定就是正样本。对于区域里面全部都是背景的，这也十分好区分就是负样本。但是某个区域里面既有目标也有背景的时候，我们不知道如歌标记。本文为了解决这个，提出了一个阈值：IoU覆盖阈值，小于这个阈值，我们标记为负样本。大于这个阈值的我们标记为正样本。我们设置为。这个是一个超参数优化问题。我们使用验证集的方法来优化这个参数。然而这个参数对于我们的最后的性能有很大的帮助。 一旦，我们得到特征向量。因为训练数据太大了。我们采用standard hard negative mining method（标准难分样本的挖掘）。这个策略也是的收敛更快。 Results on PASCAL VOC 201012 . Visualization, ablation, and modes of error . Visualizing learned features 提出了一个非参数的方法，直接展现出我们的网络学习到了什么。这个想法是将一个特定的单元(特性)放在其中使用它，就好像它自己是一个对象检测器正确的。具体方法就是：我们在大量候选区域中，计算每个单元的激励函数。按从最高到最低排序激活输出，执行非最大值抑制，然后显示得分最高的区域。我们的方法让选定的单元“为自己说话”通过显示它所触发的输入。我们避免平均为了看到不同的视觉模式和获得洞察力为单位计算的不变性。我们可以看到来着第五个maxpooling返回的区域。第五层输出的每一个单元的接受野对应输出227*227的其中的195*195的像素区域。所以中心那个点单元有全局的视觉。. Ablation studies 实际上ablation study就是为了研究模型中所提出的一些结构是否有效而设计的实验。比如你提出了某某结构，但是要想确定这个结构是否有利于最终的效果，那就要将去掉该结构的网络与加上该结构的网络所得到的结果进行对比，这就是ablation study。 Performance layer-by-layer, without fine-tuning. 我们只观察了最后三层Performance layer-by-layer, with fine-tuning. 微调之后，fc6和fc7的性能要比pool5大得多。从ImageNet中学习的pool5特性是一般的，而且大部分的提升都是从在它们之上的特定领域的非线性分类器学习中获得的。Comparison to recent feature learning methods. 见上图 . Detection error analysis CNN的特征比HOG更加有区分。. Bounding box regression 有了对错误的分析，我们加入了一种方法来减少我们的定位错误。我们训练了一个线性的回归模型HOG和SIFT很慢。但是我们可以由此得到启发，利用有顺序等级和多阶段的处理方式，来实现特征的计算。生物启发的等级和移不变性，本文采用。但是缺少有监督学习的算法。使得卷积训练变得有效率。第一层的卷积层可以可视化。 【23】本文采用这个模型，来得到特征向量 ImageNet Large Scale Visual Recognition Competition用了非线性的激励函数，以及dropout的方法。【34】直接将区域向量作为输入，维数较高。IoU覆盖阈值=，而本文设置为，能提高5个百分点。产生候选区域的方式：selective search 也是本文所采取的方式是结合【34】+【36】。【5】产生候选区域的方式为：限制参数最小割bounding box regression HOG-based DPM文章中的对比试验。缩略图概率。[18][26][28]文章中的对比试验。
对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下：
在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了 层， 代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于，就认为是正类。 对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。
框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的 ，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。 如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。 这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：
RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成 块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。 为了提高效率，Fast-RCNN首先选取 个图像，再从每个图像上选择 个RoI，这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：
为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为 ，输入后会映射（用 的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用 的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：
在每一个滑动窗口（可以参考 ），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：
自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。
对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。 与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。
不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程： 第一个：从roi proposal到feature map的映射过程。 第二个：从feature map划分成7*7的bin，每个bin使用max pooling。
为此，作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别，回归框，mask的网络使用如下图结构：
整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。
知网论文查重详解
知网查重包括论文正文、原创说明、摘要、图标及公式说明、参考文献、附录、实验研究成果、结语、引言、专利、文献、注释，以及各种表格。大多数高校在每年毕业季时，都会统一发通知说明学校的毕业论文规范和查重说明，学校会统一下发论文样式等内容，一般会详细说明查重的范围。要是学校有具体的要求，那提交到学校的时候必须按照学校所要求的来
目前知网查重有两种方式检测，一是学校提供的免费检测机会，二是登录知网个人查重服务唯一官方网站（）使用文献付费查重。暂不提供研究生付费检测。
前期初稿查重可以使用cnkitime免费查重系统，大学生版（专/本科毕业论文定稿）、研究生版（硕博毕业论文定稿）、期刊职称版（期刊投稿，职称评审）以上版本均可免费查重不限篇数，对初稿重复率较高的论文，可以免费使用机器改重，依据千万篇学术论文数据为训练语料，使用深度学习的方法进行语法和语义分析，挖掘出词汇在语义中的空间向量模型中的关系，进行词语、语句替换重组，达到自动降重效果。
查重后，知网会出pdf文件。下载后；查重率还有重复内容会有标红
知网论文查重的步骤如下：
步骤1：个人用户注册/登录
如果您已有知网个人账号，直接登陆即可；如未注册过知网个人账号，请按提示注册。
步骤2：上传论文
点击右侧的“上传待检测文献”（如下图），提交拟检测的文章即可。
步骤3：提交论文
按系统提示填写各项信息“上传待检测文献”，提交拟检测的文章即可。
中国知网介绍
中国知网是中国学术期刊电子杂志社编辑出版的以《中国学术期刊（光盘版）》全文数据库为核心的数据库。收录资源包括期刊、博硕士论文、会议论文、报纸等学术与专业资料；覆盖理工、社会科学、电子信息技术、农业、医学等广泛学科范围，数据每日更新，支持跨库检索。
知网，是国家知识基础设施的概念，由世界银行于1998年提出。CNKI工程是以实现全社会知识资源传播共享与增值利用为目标的信息化建设项目。由清华大学、清华同方发起，始建于1999年6月。
2019年5月，“科研诚信与学术规范”在线学习平台在中国知网正式上线发布。
首先我们要明确一点，知网论文的检测词条并不一定意味着你的文章和参考文献中的文章完全一样，因为软件能检测出来，有时候我们只是做了一些修改，可能最终表明并不完全一样，但是这样做。只要相似度达到80％以上，就认为是抄袭，一定要警惕。
维普论文查重官网检测详细步骤
不论是本科毕业论文、硕博毕业论文，还是职称论文、期刊论文等，只要是要求原创的文稿都可以用论文查重软件进行查重，检测看看文章的原创度到底有多少。那么，论文查重软件到底是什么工作原理呢？将文章上传到该软件后，文章就会自动与论文查重软件中所收录的中文文献资源、互联网资源、期刊杂志、本硕博论文等数据库内容进行比对。全文比对结束后，就会出现一个百分比，该百分比就是软件比对出的你的文章与软件资源库的文章的相似占比。论文查重是利用论文查重软件将你的论文与软件资源库的文献进行比对，来检测你的论文重复率。以Gocheck论文检测专家软件为例，软件会利用先进的语义比对算法，与其庞大的中文文献资源库及数十亿的互联网资源进行比对，如若检测到有相同的字段，会被标为红色（相似片段）、浅蓝色（引用片段）、深蓝色（可能遗漏的但被系统识别到与参考文献列表对应的引用片段）等。
第一，了解学校规定。每个学校对于论文查重的规定都是不一样的，想要更好的应对学校的论文查重。必须要了解清楚学校对于论文查重的规定，包括检测范围、查重系统、查重率要求等。只有了解清楚对于论文查重的规定，才可以更高效的完成论文查重工作。
第二，选择合适的查重系统。由于每一个系统的算法、数据库、功能存在差异，所以检测结果也会不一样。查重系统检测的准确性很重要，如果选择的查重系统不靠谱，论文检测结果不准确，就会耽误论文查重的最佳时间。然而，检测结果准不准确都是相对的，只有选择与学校一致的查重系统，检测结果才会最准确。
网页链接
先知论文检测上有目前权威的各个平台。1，根据高校论文检测平台----【先知论文检测】平台上认证的系统有7个左右。2，每个查重系统，都有其优劣性。有的数据库不同，有的价格太贵。3，我说个数据给你参考吧，维普17%，知网测的25%（只是针对这篇论文）。4，也有测维普27%，知网16%的。这跟数据库有关系。5，也跟论文有关系，如果知网刚好搜录了一篇和你论文有关的文章，当时维普没搜录，那用知网测就危险了，反过来也是一样的。5，最后如果还不放心，可以用跟学校相同的平台检测下。上面的几个平台，在高校论文检测平台上都有，直接在上面检测就可以了，也很方便。知网检测，就是用一定的算法将你的论文和知网数据库中已收录的论文进行对比，从而得出你论文中哪些部分涉嫌抄袭。目前的对比库有：中国学术期刊网络出版总库中国博士学位论文全文数据库/中国优秀硕士学位论文全文数据库中国重要会议论文全文数据库中国重要报纸全文数据库中国专利全文数据库互联网资源英文数据库(涵盖期刊、博硕、会议的英文数据以及德国Springer、英国Taylor&Francis 期刊数据库等)港澳台学术文献库优先出版文献库互联网文档资源论文查重
可以查重步骤如下：第一步：浏览器搜索维普，进入维普的官方网站，然后点击papertime充值卡，输入463092。第二步：在菜单栏找到论文查重，并点击进入。第三步：提交论文中，一定要删除英文摘要和参考文献，很多学校规定查重不查这两个地方。这样可以节省一部分字数。第四步：在查重结束后，可以点击菜单栏”查看报告“，在查看重复率后，可点击”在线改充“，在线修改论文。第五步：也可以下载详细的查重报告，根本里面的提示修改论文的重复率。修改完之后再提交查重，到了学校规定的重复率，你就可以放心提交就可以了。