科研经历——8/1——第一次审稿教程

引言

  • 头一次被ICONIP选做审稿人,我还是听懵的,毕竟我也是主要的提交者之一,居然让我审人家的的文章,还是挺懵的!不过,还是很多有意义的,算是补全了我的科研生涯,虽然只有短短两年半,但是申请论文还有审阅论文都干了!
  • 下面就是记录一下审稿的过程!记录一下身高的流程!今天可能来不及准备秋招了,晚上还要进行笔试!

正文

审稿通知

在这里插入图片描述

  • 本来还是能够换文章的,但是校园邮箱太久没看了,已经过期很久了,现在只能硬着头皮审核了!

审核论文界面

在这里插入图片描述

  • 这里总共分到四篇文章,但是都不是我熟悉的领域,分别是机器人控制理论、人脑接口、优化等三个方面的,而且学校都挺好的。不过我觉得,做人脑交互的,一般实验室肯定做不了,投这个刊物?
Add review

Submission and Reviewer Information
在这里插入图片描述
这部分主要注意点如下

  • 如果还没有提交评审,不会展示其他评审人员对于文章的评审
  • 即使评审人员修订了他们的评审意见,原始评审仍然可见。
  • 评审分数也应是最终的、经过深思熟虑的分数。
  • 如果在修订评审时更改了评分,建议在评审中添加注释,解释为何更改评分。这有助于其他PC成员理解评分变化的原因。

这里是如果你让别人给你评审,它需要提供姓名合和邮箱,这里是我们自己评审,就不要写这部分了!

Evaluation评估
在这里插入图片描述
每一个问题的内容如下

  • 第一问:要求你在评审过程中对你所审阅的手稿主题的熟悉程度或信心进行评估

    • 很多领域都是我第一次接触到,所以应该都是最后一个NotConfident
  • 第二问:要求你评估并说明所评审的手稿与其提交的会议主题、特别会议或工作坊的相关性
    会议主题如下
    在这里插入图片描述
    在这里插入图片描述

  • 第三问:这个论文的语言怎么样

在这里插入图片描述

  • 第四问:评估一篇手稿是否对现有知识体系做出了贡献是评审过程中的一个重要方面
  • 第五问:要求提供一个详细的评论,给我们的评分提供一句。分数和依据都会展示给作者看!
    在这里插入图片描述
  • 第七问:这部分主要是给其他评审员看的内容,是关于评审的相关备注,可选的。我还是不写了

总结

  • 很多论文都不懂,所以会议GPT的对于摘要的评审意见为主,个人在检查一下,然后看看论文的图表,是否清晰直观,大部分论文都是给过的!但是不会给Strong accept,只会给普通的accept,因为我对这几个领域都不了解!

GPT的评审角度

  • 从语言使用、内容相关性以及结果的合理性,对这个摘要进行评审!
Request view

在这里插入图片描述

  • 这部分是对文章发起评审要求的,是你要求别人对这篇文章发起评审要求,我们没有下级人员,只能自己评审了!
  • 如果你给别人发送了评审要求,会受到下述的邮件,合着我是别人的下级,收到了别人评审请求

在这里插入图片描述
具体邮件内容如下

在这里插入图片描述

评审结果

没有给论文的得分是如下构成的,总共应该是10分,这里给了6分,应该可以过的!
在这里插入图片描述

总结

  • 具体文章的审核,这里就不放了,这里是贴了一个审核的教程,能力有限,并不能对文章提出一个很详细的审核,仅仅是借助GPT以及对于文章图表做一个初步的审核。
  • 算是没有遗憾了,不过感觉在秋招之际,让我的审核文章,还是蛮急躁的,因为时间本来就不够用!
  • 四篇论文都修改了,然后全部都给了accept,写一篇文章不容易,而且我看图表画的都挺好的!
  • 19
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值