怎么发论文
1.学习深度学习基础理论知识+pytorch常用操作(一俩月足矣,机器学习不用学)
2.明确自己的课题方向,下载最常用的数据集。
3.论文需要读那些:本方向的开山之作,经典sota,和近三年的顶会文章。
查论文可以用papers with code、arXiv、semantic scholar。
4.baseline模型选取,选择近三年的论文比较好,太老的审稿人可能会说你对比方法太老。
最新的SOTA的话太强,也不好优化,打不过。
选取的baseline模型最好是那种代码写的优雅的,readme写的详细的,各部分明确。
5.对baseline进行改进。我们需要做的只是改网络结构,网络结构基本上可以说是最简单的地方了,理解网络的每个部分,tensor输入输出的shape,然后就可以加一些模块,可以是a论文里的a模块,b论文里的b模块,c论文里的c模块等等。如果效果有提升,就可以做消融实验,以解释为什么加入a好,加入b好等等。像是提取多尺度特征,提取局部特征,提取全局特征等等。a的特点是什么,还有xx缺陷,b的特点是什么,但也有xxxx缺陷,我们设计了xxx,充分结合了ab的优点。
别的训练测试代码什么的都不用管,当然数据集的话也是要换成自己的。改网络结构大体五种方式:串联、并联、交互、融合、连接。
6.LaTeX写论文(overleaf),翻译(deepl、chatgpt)画图(ppt)ppt模板ML Visuals
对于实验结果的复现:
因为autodl的实例有时候没法一直开着,所以可能会需要再其他实例上跑实验。
如果在不同实例上提升的点比较多,可以不用做重复实验;
如果在实例上只提升了一个点,就需要做重复实验去避免实验结果的随机性。
审稿人
一篇论文能被复现,固然是一件大好事。但是,审稿人之所以不太在乎论文能否复现,是因为论文里面的实验结果并不是最关键的。
审稿人更加关心的是论文给大家提供的新的信息。也就是,论文给这个研究方向提供了哪些新的insight?这里说的insight是什么呢?