【技术实现步骤摘要】
基于特征融合增强的学位论文插图查重检测方法及系统
[0001]本专利技术涉及图像查重
，特别是涉及基于特征融合增强的学位论文插图查重检测方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]众所周知，论文在我们科研生活中占据非常重要的地位。论文作为衡量一个人学术水平和科研能力的重要标志，已被大众所广泛接受。在教育、科研、学术等涉及各类专业学科、单位部门和人才等领域，可以说已经毫无例外地把发表论文的数量和水平做为评估学术能力的一项极为重要的影响要素。然而，科研毕竟是一个需要大量的研究时间、科学实验以及正确的指导才可能会得出科学结论的过程。但这个过程会很漫长，所以有些科研工作者为了满足自身需求，在利益的驱使下引用、盗用、反复使用已经被证实的研究成果或内容。因此，对学位论文内容检测的重要性不言而喻。
[0004]学位论文插图检测属于目标检测分支下的一个重要研究点，主要是对论文中的插图进行目标定位以及目标分类。按照目标检测的发展脉络将目标检测...
【技术保护点】
【技术特征摘要】
1.基于特征融合增强的学位论文插图查重检测方法，其特征是，包括：获取待查重的论文插图；将待查重的论文插图，输入到训练后的图像识别模型中，输出待查重插图中目标对象的类别以及待查重插图中目标对象的位置；基于插图中目标对象的类别和位置，计算待查重论文插图与插图数据库中所有插图的相似度，将相似度与阈值进行比较，输出论文插图查重检测结果。2.如权利要求1所述的基于特征融合增强的学位论文插图查重检测方法，其特征是，所述训练后的图像识别模型，包括：采用骨干网络Resnet101，对待查重的论文插图进行特征提取；采用双向特征金字塔网络对骨干网络Resnet101所提取的特征进行特征融合和特征增强生成若干个特征图；区域生成网络对每个特征图进行处理，得到每个特征图的若干个候选框；对所有候选框进行筛选，得到每个特征图的若干个提议框；将每个提议框投影到对应的特征图中，对投影后的特征图进行池化操作和特征融合操作，得到融合后的特征；对融合后的特征进行分类和回归，得到插图中目标对象的类别以及位置。3.如权利要求1所述的基于特征融合增强的学位论文插图查重检测方法，其特征是，所述采用骨干网络Resnet101，对待查重的论文插图进行特征提取，具体包括：Resnet101的conv2_x输出特征图C2，Resnet101的conv3_x输出特征图C3，Resnet101的conv4_x输出特征图C4，Resnet101的conv5_x输出特征图C5。4.如权利要求1所述的基于特征融合增强的学位论文插图查重检测方法，其特征是，所述采用双向特征金字塔网络对骨干网络Resnet101所提取的特征进行特征融合和特征增强生成若干个特征图，具体包括：特征图C5通过1*1的卷积层L1处理，得到特征图I5；特征图I5通过上采样层S1处理，得到特征图I5’
；特征图C4通过1*1的卷积层L2处理，得到特征图C4’
；特征图I5’
与特征图C4’
相加得到特征图I4；特征图I4通过上采样层S2处理，得到特征图I4’
；特征图C3通过1*1的卷积层L3处理，得到特征图C3’
；特征图I4’
与特征图C3’
相加得到特征图I3；特征图I3通过上采样层S3处理，得到特征图I3’
；特征图C2通过1*1的卷积层L4处理，得到特征图C2’
；特征图I3’
与特征图C2’
相加得到特征图I2；特征图I2通过1*1的卷积层L5处理，得到特征图M2；特征图M2通过下采样层X1处理，得到特征图M2’
；特征图I3通过1*1的卷积层L6处理，得到特征图I3’
；特征图I3’
与特征图M2’
相加得到特征图M3；特征图M3通过下采样层X2处理，得到特征图M3’
；特征图I4通过1*1的卷积层L7处理，得到特征图I4’
；特征图I4’
与特征图M3’
相加得到特征图M4；特征图M4通过下采样层X3处理，得到特征图M4’
；特征图I5通过1*1的卷积层L8处理，得到特征图I5’
；特征图I5’
与特征图M4’
相加得到特征图M5。5.如权利要求1所述的基于特征融合增强的学位论文插图查重检测方法，其特征是，所
述对所有候选框进行筛选，得到每个特征图的若干个提议框，具体包括：通过CrossEntropy Loss损失函数对所有的候选框Anchor box进行二分类；对每个Anchor box进行二分类时得到分数，根据分数判断每个Anchor box属于前景还是背景；将所有属于背景的Anchor box忽...
【专利技术属性】
技术研发人员：董树霞，邵增珍，韩帅，张旭，李壮壮，
申请(专利权)人：山东女子学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。