一、第一位审稿人
写作角度:
1.论文写作角度
动机不明确:
选择YOLOV5的原因(在论文里说明需要)
和其它检测压缩算法比的优缺点
应用场景受限(为什么只考虑水下)
3.参考文献角度:
除了参考文献[22]之外,YOLO还有很多轻量级算法。 然而,本手稿中没有讨论其他研究。 重新提交之前应进行更多的文献调查。
4.实验验证和分析不扎实,需要做更多的分析来支持结论。
5.应该进一步讨论当前工作的局限性,特别是其相关应用可能面临的挑战。 为了让读者更好地理解未来的工作,请给出具体的研究方向。
实验角度:
2.展示更多的实验角度:
数据集用工业数据集评估
手稿中应附有2022-2023年可用的一些研究,例如YOLOv7和YOLOv8。 此外,还应添加2022-2023年发布的一些模型压缩方法进行评估。
所提出的方法应该与 YOLOv5-n 和 YOLOv5-s 进行比较。
二、第二位审稿人
实验角度:
1.上下文是针对边缘设备的,本文没有进行有针对性的实验,也没有比较部署在边缘设备上的各种网络的准确性和计算速度。
2.水下物体检测需要对小目标和复杂背景进行更高的检测。如果模型可以轻量级,在小目标和复杂背景方面进行更多优化,那就更好了。
创新角度:
在创新方面,没有发现实质性的创新点。信道卷积应用于 YOLOv5,对于 C3 模块,不会修剪瓶颈。实验部分和可视化相当丰富,但在创新方面似乎还不够。
本质:
方法是原有的,只是换了个应用领域,所以创新不强
论文水平:二区末流或者三区
解决办法:修改剪枝方法,并增加模块
目前规划:
先解决暂时比较好解决的问题,先投出去评奖学金
需要买一个终端部署MiPc之类
方法创新代码+实验估计需要论文再投出去之后,再改,预估4个月
作者将信道修剪方法应用于YOLOv5s,并通过多组实验证明了其优越性。但是,考虑到上下文是针对边缘设备的,本文没有进行有针对性的实验,也没有比较部署在边缘设备上的各种网络的准确性和计算速度。水下物体检测需要对小目标和复杂背景进行更高的检测。如果模型可以轻量级,在小目标和复杂背景方面进行更多优化,那就更好了。出现了一个小问题,信道修剪部分是否直接取自原始论文。