yolov5论文发表

对于YOLOv5的命名发布这么大的争议的原因是:Ultralytics公司在开源YOLOv5的代码时,未发布经过同行评议的YOLOv5论文。主要原因就是YOLOv5的license是GPL协议(GPL3.0),而Kaggle不允许使用GPL协议的项目参赛。那么今天就来普及一下这些开源软件协议。软件开源是许多软件企业需要关注的问题,不同的开源软件协议,对应不同的源代码使用限制。只有了解这些开源软件协议,才能更好地使用和回馈开源软件,否则就有可能触犯法律。

1 简介

针对无人机捕获场景的目标检测是最近比较流行的一项任务。由于无人机在不同高度飞行，目标尺度变化较大，这样给模型的优化也带来了很大的负担。此外，在无人机进行高速低空飞行时，也会带来密集目标的运动模糊问题。

图1 小目标与密集问题

为了解决上述2个问题，本文提出了 TPH-YOLOv5 。 TPH-YOLOv5 在YOLOv5的基础上增加了一个prediction heads 来检测不同尺度的目标。然后通过探索Self-Attention的预测潜力使用了Transformer Prediction Heads(TPH)代替原来的prediction heads。同时作者还集成了卷积块Attention模型(CBAM)来寻找密集场景下的注意力区域。

为了进一步改进 TPH-YOLOv5 ，作者还提供了大量有用的策略，如数据增强、多尺度测试、多模型集成和使用额外的分类器。

在VisDrone2021数据集上的大量实验表明，TPH-YOLOv5在无人机捕获场景上具有良好的性能和可解释性。在DET-test-challenge数据集上，TPH-YOLOv5的AP结果为39.18%，比之前的SOTA方法(DPNetV3)提高了1.81%。在VisDrone Challenge 2021中，TPH-YOLOv5与YOLOv5相比提高了约7%。

本文的贡献如下:

2 前人工作总结 2.1 Data Augmentation

数据增强的意义主要是扩展数据集，使模型对不同环境下获得的图像具有较高的鲁棒性。

Photometric和geometric被研究人员广泛使用。对于Photometric主要是对图像的色相、饱和度和值进行了调整。在处理geometric时主要是添加随机缩放、裁剪、平移、剪切和旋转。

除了上述的全局像素增强方法外，还有一些比较独特的数据增强方法。一些研究者提出了将多幅图像结合在一起进行数据增强的方法，如MixUp、CutMix和Mosaic。

MixUp从训练图像中随机选取2个样本进行随机加权求和，样本的标签也对应于加权求和。不同于通常使用零像素mask遮挡图像的遮挡工作，CutMix使用另一个图像的区域覆盖被遮挡的区域。Mosaic是CutMix的改进版。拼接4幅图像，极大地丰富了被检测物体的背景。此外，batch normalization计算每层上4张不同图像的激活统计量。

在TPH-YOLOv5的工作中主要是结合了MixUp、Mosaic以及传统方法进行的数据增强。

2.2 Multi-Model Ensemble Method

我们都知道深度学习模型是一种非线性方法。它们提供了更大的灵活性，并可以根据训练数据量的比例进行扩展。这种灵活性的一个缺点是，它们通过随机训练算法进行学习，这意味着它们对训练数据的细节非常敏感，每次训练时可能会得到一组不同的权重，从而导致不同的预测。这给模型带来了一个高方差。

减少模型方差的一个成功方法是训练多个模型而不是单一模型，并结合这些模型的预测。

针对不同的目标检测模型，有3种不同的ensemble boxes方法:非最大抑制(NMS)、Soft-NMS、Weighted Boxes Fusion(WBF)。

在NMS方法中，如果boxes的overlap, Intersection Over Union(IoU)大于某个阈值，则认为它们属于同一个对象。对于每个目标NMS只留下一个置信度最高的box删除其他box。因此，box过滤过程依赖于这个单一IoU阈值的选择，这对模型性能有很大的影响。

Soft-NMS是对NMS进行轻微的修改，使得Soft-NMS在标准基准数据集(如PASCAL VOC和MS COCO)上比传统NMS有了明显的改进。它根据IoU值对相邻边界box的置信度设置衰减函数，而不是完全将其置信度评分设为0并将其删除。

WBF的工作原理与NMS不同。NMS和Soft-NMS都排除了一些框，而WBF将所有框合并形成最终结果。因此，它可以解决模型中所有不准确的预测。本文使用WBF对最终模型进行集成，其性能明显优于NMS。

2.3 Object Detection

基于CNN的物体检测器可分为多种类型:

一些检测器是专门为无人机捕获的图像设计的，如RRNet、PENet、CenterNet等。但从组件的角度来看，它们通常由2部分组成，一是基于CNN的主干，用于图像特征提取，另一部分是检测头，用于预测目标的类和Box。

此外，近年来发展起来的目标检测器往往在backbone和head之间插入一些层，人们通常称这部分为检测器的Neck。接下来分别对这3种结构进行详细介绍：

Backbone

常用的Backbone包括VGG、ResNet、DenseNet、MobileNet、EfficientNet、CSPDarknet53、Swin-Transformer等，均不是自己设计的网络。因为这些网络已经证明它们在分类和其他问题上有很强的特征提取能力。但研究人员也将微调Backbone，使其更适合特定的垂直任务。

Neck

Neck的设计是为了更好地利用Backbone提取的特征。对Backbone提取的特征图进行不同阶段的再处理和合理使用。通常，一个Neck由几个自底向上的路径和几个自顶向下的路径组成。Neck是目标检测框架中的关键环节。最早的Neck是使用上下取样块。该方法的特点是没有特征层聚合操作，如SSD，直接跟随头部后的多层次特征图。

常用的Neck聚合块有：FPN、PANet、NAS-FPN、BiFPN、ASFF、SAM。这些方法的共性是反复使用各种上下采样、拼接、点和或点积来设计聚合策略。Neck也有一些额外的块，如SPP, ASPP, RFB, CBAM。

Head

作为一个分类网络，Backbone无法完成定位任务，Head负责通过Backbone提取的特征图检测目标的位置和类别。

Head一般分为2种：One-Stage检测器和Two-Stage检测器。

两级检测器一直是目标检测领域的主导方法，其中最具代表性的是RCNN系列。与Two-Stage检测器相比One-Stage检测器同时预测box和目标的类别。One-Stage检测器的速度优势明显，但精度较低。对于One-Stage检测器，最具代表性的型号是YOLO系列、SSD和RetaNet。

3TPH-YOLOv53.1 Overview of YOLOv5

YOLOv5有4种不同的配置，包括YOLOv5s，YOLOv5m, YOLOv5l和YOLOv5x。一般情况下，YOLOv5分别使用CSPDarknet53+SPP为Backbone，PANet为Neck, YOLO检测Head。为了进一步优化整个架构。由于它是最显著和最方便的One-Stage检测器，作者选择它作为Baseline。

图2 THP-YOLOv5整体架构

当使用VisDrone2021数据集训练模型时，使用数据增强策略(Mosaic和MixUp)发现YOLOv5x的结果远远好于YOLOv5s、YOLOv5m和YOLOv5l, AP值的差距大于1.5%。虽然YOLOv5x模型的训练计算成本比其他3种模型都要高，但仍然选择使用YOLOv5x来追求最好的检测性能。此外，根据无人机捕获图像的特点，对常用的photometric和geometric参数进行了调整。

3.2 TPH-YOLOv5

TPH-YOLOv5的框架如图3所示。修改了原来的YOLOv5，使其专一于VisDrone2021数据集：

图3 TPH-YOLOv5模型结构微小物体的预测头

作者统计了VisDrone2021数据集，发现它包含了很多非常小的目标，所以增加了一个用于微小物体检测的预测头。结合其他3个预测头，4头结构可以缓解剧烈的目标尺度变化带来的负面影响。如图3所示，添加的预测头(Head 1)是由low-level、高分辨率的feature map生成的，对微小物体更加敏感。增加检测头后，虽然增加了计算和存储成本，但对微小物体的检测性能得到了很大的提高。

Transformer encoder block

图4 Transformer Block

用Transformer encoder块替换了YOLOv5原版中的一些卷积块和CSP bottleneck blocks。其结构如图4所示。与CSPDarknet53中原有的bottleneck blocks相比，作者认为Transformer encoder block可以捕获全局信息和丰富的上下文信息。

每个Transformer encoder block包含2个子层。第1子层为multi-head attention layer，第2子层(MLP)为全连接层。每个子层之间使用残差连接。Transformer encoder block增加了捕获不同局部信息的能力。它还可以利用自注意力机制来挖掘特征表征潜能。在VisDrone2021数据集中，Transformer encoder block在高密度闭塞对象上有更好的性能。

基于YOLOv5，作者只在头部部分应用Transformer encoder block形成transformer Prediction head(TPH)和backbone端。因为网络末端的特征图分辨率较低。将TPH应用于低分辨率特征图可以降低计算和存储成本。此外，当放大输入图像的分辨率时可选择去除早期层的一些TPH块，以使训练过程可用。

Convolutional block attention module (CBAM)

CBAM是一个简单但有效的注意力模块。它是一个轻量级模块，可以即插即用到CNN架构中，并且可以以端到端方式进行训练。给定一个特征映射，CBAM将沿着通道和空间两个独立维度依次推断出注意力映射，然后将注意力映射与输入特征映射相乘，以执行自适应特征细化。

图5 CBAM注意力机制

CBAM模块的结构如图5所示。通过本文的实验，在不同的分类和检测数据集上将CBAM集成到不同的模型中，模型的性能得到了很大的提高，证明了该模块的有效性。

在无人机捕获的图像中，大覆盖区域总是包含令人困惑的地理元素。使用CBAM可以提取注意区域，以帮助TPH-YOLOv5抵制令人困惑的信息，并关注有用的目标对象。

Self-trained classifier

用TPH-YOLOv5对VisDrone2021数据集进行训练后，对test-dev数据集进行测试，然后通过可视化失败案例分析结果，得出TPH-YOLOv5定位能力较好，分类能力较差的结论。作者进一步探索如图6所示的混淆矩阵，观察到一些硬类别，如三轮车和遮阳三轮车的精度非常低。

图6 检测混淆矩阵

因此，作者提出了一个Self-trained classifier。首先，通过裁剪ground-truth边界框并将每个图像patch的大小调整为64 64来构建训练集。然后选择ResNet18作为分类器网络。实验结果表明，在这个Self-trained classifier的帮助下，所提方法对AP值提高了约0.8%~1.0%。

4实验与结论

最终在test-set-challenge上取得了39.18的好成绩，远远高于VisDrone2020的最高成绩37.37。

图9 检测结果图

yolov5论文发表了吗

目标检测是与计算机视觉和图像处理相关的计算机技术，用于在一张图片中识别出些物体的种类，同时要求标出物体的位置。目标检测已被广泛应用于人脸检测、自动驾驶和视频监控等图像领域。

目标检测中的常见方法，分为one-stage和two-stage两类。One-stage方法首先输入图片，输出Bounding box (bbox)和分类标签，由一个网络完成，该方法以YOLO、SSD为主要代表。Two-stage方法则以Faster-RCNN为代表，输入图片后，首先生成建议区域（Region Proposal），再输入分类器进行分类，两个任务由不同网络完成。

其中，YOLO目标检测是一种突出且优秀的算法，其为“you only look once”的缩写，意为只需浏览一次即可识别出图中物体的类别与位置，且完美地平衡了检测速度和精度之间的关系。YOLO也由最初的YOLO v1发展到现在最新的YOLO v5。

2015年提出了第一版YOLO v1，YOLO借鉴GoogleNet而提出了Darknet网络。Darknet是用C语言和CUDA编写的开源神经网络框架，用1x1卷积层+3x3卷积层替代GoogleNet的Inception模块。网络由24 层卷积层接2层全连接组成，如图1：

YOLO v1的框架如图2所示:首先调整图像大小为448×448，随后将图像输入CNN，最后通过非极大值抑制（NMS）保留最终标定框。

YOLO v1 的核心思想在于将目标检测视为回归问题，其将图片划分成 SxS 个网格，如果目标中心落入某网格单元，则该网格就负责检测该目标。每个网格单元预测 B个边界框（bbox）和类别信息。此外，每个bbox需要预测(x, y, w, h)和置信度共5个值。因此，最终每个网格应预测B个bbox和C个类别，最终输出S x S x (5*B+C)的tensor。

优点：

YOLO v2在YOLO v1基础上进行了一系列的改进，在保持分类精度的同时，提高了目标定位的精度以及召回率。首先，YOLO v2能够适应不同的输入尺寸，并可根据需要自行权衡检测准确率和检测速度；其次，根据层级分类提出了WordTree来混合检测数据集与分类数据集；最后，提出了可同时在检测和分类数据集上进行的联合训练方式，使用检测数据集训练模型识别部分，使用分类数据集训练模型分类部分，扩充检测种类。

对于YOLO v1更为具体的改进包括以下几点：

不过YOLO v2仍然无法解决同一个网格内物体重叠的问题。YOLO v3则继续在YOLO v2上做了些许改进：

2020年4月，YOLO v4重磅发布。其在MS COCO数据集上的精度达到了43.5% AP，速度达到65FPS，与 YOLO v3相比分别提高了 10% 和 12%。

YOLO v4首先对相关工作进行总结，并对目标检测框架拆分： Object Detection = Backbone + Neck + Head

此外，将所有所有的调优手段分为两类：“Bag of freebies”和“Bag of specials”。

YOLO v4总结了以上各种调优技巧，从中寻找最优组合。并在训练过程中，验证了Bag-of-Freebies和Bag-of-Specials对于YOLO v4的影响。

自YOLO v4发布的40余天后， Ultralytics公司开源了非官方的YOLO v5，其完全基于PyTorch实现。值得注意的是，每个图像的推理时间达到140 FPS，并且YOLOv5的权重文件大小仅为YOLOv4的1/9。YOLO v5更快，也更小巧！

由以上YOLO的发展历程可看出， YOLO系列的发展后期更重视应用落地，没有提出非常新颖的创新点。

yolov5论文发表在哪个平台

改进yolov5能发小论文。

主做目标检测的，正好最近在用yolov5，说点个人看法吧，不一定对。

首先yolo系列发展到现在，思想已经很成熟了，像具体的改进，其实4和5也有很多异曲同工的地方，无论是backbone还是neck。

目前很多改进yolov5发论文的，一些是在backone上做轻量化处理，一些是加入注意力机制，一些是改进neck，或者调整head，还有改损失函数或者nms过程的。

主要是因为yolo本身的思想已经很成熟了，在这个框架下的确很难做出些通用性的创新和提升。至于把各种成熟的模块塞进去发论文，这种仁者见仁智者见智吧。个人感觉还是结合某个方向改进yolo，会有方向一些。毕竟不同的数据集和尺度上，同样的改进有时候效果也是不同的。

Yolov5 目标检测的损失函数由三部分组成，分别是矩形框预测损失函数、置信度预测损失函数以及类别预测损失函数，在上节中分析了目标检测损失函数GIoU 的缺陷及其改进，使用 CIoU 以及带有调节因子的二元交叉熵函数替代原网络的损失函数。

实验验证此次改进，与原算法结果对比如下表所示。根据上表数据可以看到，针对本文的损失函数的改进在实验时得到了 92.1%的准确率，提升了 0.5%，可以证明对损失函数的改进可以对目标检测的性能提升提供很大帮助。

论文原文：

YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：

如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将目标区域预测与目标类别判断整合到单个神经网络模型中。各检测算法结构见下图：

每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：

其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。

每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）

举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：

在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。

得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。

1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。

2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。

3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。

4、损失函数公式见下图：

在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：

解决方法：

只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。

作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。

然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。

作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。

作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。

作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。

YOLO模型相对于之前的物体检测方法有多个优点：

1、 YOLO检测物体非常快

因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。

2、 YOLO可以很好的避免背景错误，产生false positives

不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。

3、 YOLO可以学到物体的泛化特征

当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。

尽管YOLO有这些优点，它也有一些缺点：

1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。

2、YOLO容易产生物体的定位错误。

3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。

发表论文发表论文

以下是发表论文或期刊的方法：

一、写作

首先要写好一篇论文，选题要与专业、研究方向密切相关，论文的格式要规范，应包括题目、作者（姓名、单位、邮编及简介）内容摘要、关键词、正文等；论文篇幅不宜过长，因为期刊版面的字符数是固定的，字符数越多，版面增加，相应的费用就会越高；最后还要注意控制重复率，一般期刊要5%-20%以下才合格录用。

二、选刊

选择一本合适的期刊进行投稿，是成功发表论文极其关键的一步，要遵循几个原则，即

1、国家新闻出版署能查到的正规期刊；

2、知网、万方、维普、龙源四大数据库之一正常收录的期刊；

3、符合学校、单位要求的期刊；

最后还要考虑论文是否符合期刊的收稿范围，避免因为文章方向不合适出现拒稿的情况。

三、投稿

投稿的途径有两种，一种是通过杂志社邮箱，官网或者在线系统投稿。（注意：数据库和期刊的目录页上面的联系方式才是准确的），虽然这种方式完全不用担心被，但缺点是审稿时间较长，沟通不及时，无法了解期刊最新出刊时间，费用，收稿要求等等。

第二种就是找代理投稿。这个方法也是现在大多数人用的要给方法，为什么会这样的，我只能说谁用谁知道。这个是最简单最省事儿的。以前我就是找的一个文化公司安排文章，服务没得说，只需要提供文章，剩余的事情全由他们搞定。

中介投稿也是有很多优势的

1、刊物比较丰富和全面，各类的刊物都有，可以根据作者的要求快速推荐推荐合适的刊物。

2、期刊信息非常的全名，从刊物的收稿栏目，出刊时间，版面字符数要求，期刊级别、出刊周期、审核标准、是否可以开社内发票、刊号邮发代号、电子刊号、是否可以查稿、封面以及影响因子区间

3、他们基本上是和杂志社或是承包商直接对接的，沟通速度比较的迅速。

4、查稿后付款。这点已经算是标配了，绝大多数的刊物都是可以查稿后付款的，而且查稿电话是数据库可以查询到的哦。

5、最要是不收定金和知道一个刊物的审稿要求和难度。

1、确定自己发表论文的需求。 2、选择合适的期刊，核实期刊论文真伪，目前国内所有学术期刊，均可通过国家新闻出版总署期刊查询中心进行查询核实，如果查询不到CN刊号，那就说明期刊是假刊。 3、了解期刊征稿需求，阅读其刊登发表过的论文，看自己的论文是否适合在这些期刊上发表，从中挑出2-3个期刊作为备选，进一步了解这些刊物的审稿周期、投稿费用、投稿要求等. 4、等待样刊和论文上网，可以通过国内的四大权威数据库如知网、万方、维普、龙源查询核实。 5、如果觉得自己寻找期刊麻烦，还可以通过代理/杂志社服务，以下为流程：（1）论文写好并发给代理或者杂志社。（文章质量要有保证）（2）根据论文字数内容和作者的发表意向确定所发表的期刊及费用。（3）支付定金。（4）杂志社进行审稿，审稿通过后邮寄给您稿件录用通知单。（5）在你收到用稿通知后，三天内请付清余款，以确保你的论文能及时发表。（6）杂志出刊后杂志社会给每个作者邮寄两本样刊，以供您使用。

评职称发表论文可以自己投稿给杂志社，也可以找杂志社的编辑，让他们帮你投。自己投稿需要自己把稿件写好修饰好，字符数以及查重等都要符合要求才可以。找杂志社的编辑要认清别是子，价格太低的要小心，因为检索网站可能不稳定。主要就看自己的需求，看评职文件的要求，别到时花钱了却不能用，白花钱不说还耽误了评职，得不偿失。

论文发表论文发表

发表论文无非就两种方式：第一种就是自己投稿，买本杂志，根据版权页上的投稿方式去投稿（这种的弊端就是周期太长，对于着急的客户，不适用）当然，跟杂志社关系好能顺利发表的请无视我的话因为直投杂志社容易，能成功发表难，我认识的主编跟我说他们邮箱里的稿件基本上没有低于过1000篇，而且杂志社就那么几个人，根本不可能忙的过来，就算抽时间看下邮件也就是看个题目，题目不新颖没吸引力的直接略过，就算点开文章，也是先大概看下职称、单位、研究方向、摘要、关键词，没什么吸引人眼球的内容也直接pass掉。第二种就是找代理机构发表（这种的需要睁大眼，发表行业鱼龙混杂，必须得保证自己发的杂志是正刊，也不能是增刊）。找代理机构认准以下几点；一、首先选择国家新闻出版广电局能查到的正规杂志二、其次是某宝担保交易，更有保障三、最后录用通知下来后，亲自打版权页或者收录网站（知网、维普、万方、龙源）上查稿电话查稿确认录用后，再付款。第一，选择杂志，根据自己的要求确定杂志，省级的国家级的价格不一样。然后看杂志的级别，在这里呢就可以一起验证了杂志的真假，新闻出版总署输入杂志名，看是否收录，如果没有的话就要小心了，千万不能发第二，看杂志的见刊时间。自己什么时候用杂志一定要确定，如果是7月要用，那就不要发9月才鞥收到的杂志，一旦发了到了要用的时候没有法子使用。第三，杂志收录的网站。如果您那没有特别的要求，那就知网，维普，万方都可以了，如要求必须知网收录，那就自己上网查一下看看，是否知网及时更新呢第四，看付款的流程，是不是先发表，录用了查稿确定后付费用，如果不能查稿就危险了，不能保证是不是真正发表成功了。

据学术堂介绍论文发表只需要六步。第一步：投稿。这是论文发表人员选择好投稿期刊之后，将自己的论文稿件通过邮箱、在线投稿窗口、QQ或者微信即时通讯软件这三大方式发送给编辑。第二步：审核即审稿。投稿之后，编辑会按照投稿顺序对论文进行审稿，有的期刊杂志收取审稿费，如果您的论文需要加急发表，请在投稿时标注清楚，可能会产生加急费用。审稿环节是整个论文发表过程中耗时最长的，影响了论文发表周期的长短，关于论文发表时间影响因素可以阅读《是什么影响论文发表时间长短》了解。这里需要注意的是论文审稿可能会反复进行。第三步：审稿结果。主要介绍通过审稿被录用的论文。通过杂志社论文三审的论文，杂志社会下发录用通知书，并注明预安排在某年某期发表，之所以是预安排，是因为还没交纳版面费。关于论文三审可以阅读《什么时候论文需要三审》，了解一些审稿知识。第四部：交费。这里的交费主要是版面费，交纳之后，论文才会正式进入安排刊期出版流程。第五步：安排发表。版面费到位之后，即可安排刊期，并按照日期出版见刊。少部分论文发表可能会延期，原因很多，例如：有人安排加急。第六步：寄送样刊。论文见刊之后，会给作者寄送一本样刊，作为用途上交的材料。到此整个的论文发表流程结束。

第一步论文查重。之所以放在第一步，是因为期刊天空一直都建议作者投稿前查重，这样既能提前发现自己论文重复率多少，又不会给杂志社编辑造成不良印象，更减少了投稿后再查重导致退修，进而论文发表时间周期增加。发表论文必经流程和步骤第二步：筛选期刊。针对自己的专业方向，论文内容领域，到相应分类的期刊当中挑选。期刊天空编辑提醒，有作者因为发表论文不符合期刊发表方向而退稿的。第三步选定期刊：需要根据自己评职称、毕业论文发表要求，期刊天空编辑指出，这些内容一般从职称文件当中可以了解到，例如：期刊级别，选定后要了解期刊发表论文要求。第四步论文发表：选定期刊之后，可以通过邮箱、在线投递、微信QQ等发送文件，期刊天空编辑介绍，之所以有这么多方式，是因为各投稿方式相应的处理效率呈提高的趋势。第五步等待审稿。期刊天空编辑温馨提示：论文审稿是整个论文发表过程当中时间周期最长的，没有退修的稿件属于正常时间周期，如果存在论文审稿有退修，那么发表周期就会相应的增加。发表论文期刊的级别越高，发表周期就越长。第六步对于顺利被期刊录用的论文来说，杂志社会发送录用通知函，缴纳版面费用之后，即可安排发表刊期。第七步发表见刊。在到了论文发表安排刊期时，论文就算是正式见刊发表，作者需等待杂志社寄送样刊就可以当做评职称材料上交。

网络上有很多论文发表网站，很多作者由于着急发表论文，而选择通过论文发表网站去发表论文。

但是由于利益的驱使网络上充斥着很多假刊，甚至一些论文发表网站还推荐假刊给作者发表，有的甚至取作者论文发表费用然后消失。

针对这种情况，发表论文前，作者一定要认真辨别期刊真伪，了解论文发表网站的信誉，口碑，不盲目轻信论文发表网站和假刊的一些过度宣传，避免上当受。

选择发表期刊前，要去新闻出版总署查看期刊的备案情况，再去相关的数据库查看期刊的收录情况，确保期刊正规合法，同时具备国际刊号ISSN号和国内统一刊号CN号，而不要被那些打着香港刊号或者书丛号的期刊所蒙蔽。

论文发表的介绍：

1、论文发表的介绍

学术论文首先应当具有独创性。要在论题涉及的范围内，言他人所未言，提他人所来提。要有所创新，有所发现，要有独特的、合乎客观实际的看法。

只是重复、模仿别人的意见，称不上学术论文。如在社会科学领域内，独创性常见于这样三条途径：

（1）结合新的社会实践对以往理论加以继承和发展，如，在社会主义建设中，结合中国国情，对马克思主义的完善；

（2）对新发现的资料加以研究，史学、考古学的研究常常如此；

（3）通过搜集、整理前人已有的成就的途径获得新结沦，例如哲学史、语言史的研究。

论文条理清晰结构合理，具有较强的说服力和感染力，深刻揭示客观事物的内部联系和规律，也就是言之有理，言之有据，言之有序。

专业性是指论文从题目、选材到文字表达，都要具有某一学科、专业的特色，要摸透“行情”，用“行话”，如图书馆学的论文常常要运用款目、标注、二次文献、情报检索语言等专业词汇。

法学论文则常用法人、主体意志、仲裁、诉权、罪行法定主义等等。学术论文不必人人都看懂。好的学术论文是独创性、科学性、专业性高度的统一和结合。

2、论文发表的必要性

随着学习及工作的深入，学习者及从业者对本专业及行业会有深入的研究，而研究水平的衡量标准则体现在了论文发表上。

即，要求在公开发行的学术期刊或报纸上发表具有一定学术价值的论文。论文发表，成了考量从业者水平的一个不可或缺甚至尤为重要的标准。

发表论文，有哪些需要注意的问题，论文发表有2种方式，一种是直接向杂志社投稿，一种是通过论文代理或期刊采编中心投稿。这2种方式，费用方面基本差不多，都是社里统一定的价格。

期刊采编中心或论文代理的优点至于大体差不多的文章，都基本可以安排通过审核，而且审核时间短，一般在2-5个工作日内就安排审核并给予答复了。

主要是采编中心是采用的集中递稿方式，一般采编中心都有编辑，会事先对论文做下初步审核，能帮修改完善的文章都会帮助修改完善。

再加上跟社里较熟，论文能通过的，社里一般不会为难。而对于直接投稿杂志社，审核比较慢，通过率低些。很多核心期刊，稿件投递后基本就是石沉大海。

3、论文发表格式

撰写论文，一定要遵循一定的格式，这样看起来一目了然，条理清晰。

1.在实际写作职称论文的过程中，则灵活运用，根据实际情况。最好开头有个引言部分，说一下目前的形势啊什么必要性的，引启性的开个头，再展开下面的论述。

2.论文要分条目展开，要条理清晰，层次分明，比如上文中，大条目下面都有小条目，看上去非常清晰。大标题用加粗突出显示，大标题后面不能有标点符号。

摘要控制在220字符内即可，最好能概括下全文的内容，切忌把开头当摘要，把文章标题罗列出来当摘要。关键词，3-5个为宜。