1.为什么要读论文
- 构建知识体系
- 紧跟前沿技术
- 培养科研逻辑
- 写论文
- 找工作
2.论文类型
综述论文: 快速熟悉该领域发展历程、现状,领域内的基础概念及关键词
专题论文: 介绍具体算法,可学习设计思路、实验技巧、代码实现等
3.读哪些论文
高质量期刊会议: CVPR、ECCV、ICCV、AAAI、NIPS、ICLR、ICML等
高引论文: 同行间普遍认可,参考,借鉴的论文
知名团队: Yoshua Bengio、Yann LeCun等
有代码论文: 方便复现(推荐网站:http://paperswithcode.com)
4.如何找论文
未知论文题目:通过关键词搜索相关领域论文
1、知网:寻找优质综述,快速入门
2、百度学术、Google scholar
3、arXiv: https://www.arxiv.org 论文预印本(preprint)平台
4、顶会:CVPR、ECCV、ICCV、AAAI、NIPS、ICLR、ICML等
优质论文主要看IF(影响因子)
- sci-hub: 下载论文神器(外网网址,打开速度慢,可自行爬梯解决 )
https://sci-hub.tw
https://sci-hub.si
https://sci-hub.se - 百度学术 文献互助或者求助全文
5.整理论文
1、统一命名格式:
- 时间-作者-题目
- 时间-关键词-题名
2、按类别归档文件夹
3、利用检索工具检索,如Everything
4、论文管理工具(当论文有几百上千篇时):endnote(收费)、Mendeley(推荐,免费)、Zotero、Citavi等 中文文献推荐知网研学
6、读论文
三步走:泛读、精读、总结
1、泛读
- 快速浏览,把握概要:读标题、摘要、结论、所有小标题和图表。
- 泛读目标及效果:论文要解决什么问题,用了什么方法,达到了什么效果?
2、精读
- 选出精华,仔细阅读
- 精读目标及效果:所读段落是否详细掌握
3、总结
- 文中创新点,关键点,启发点等重要信息
阅读效果自测:
1、论文提出/采用什么方法,细节是什么
2、要解决什么问题\任务,其启发点或借鉴之处在哪
3、论文方法达到了什么效果
论文的结构:
1、Abstruct
论文简介,阐述工作内容,创新点,效果
2、Introduction
介绍研究背景,研究意义,发展历程,提出问题
3、Related work
相关研究算法简介,分析存在的缺点
4、Our Work
论文主要方法,实现细节
5、Experiments
实现步骤及结果分析
6、Discussion
论文结论及未来可研究方向
论文代码的复现:
1、任务定义
- 搞清楚程序的目的
- 为了实现什么任务
2、数据来源
- 源码获取渠道
- 数据集类型
- 数据集来源
3、运行环境
- 搭建环境
- 实验工具
- 第三方库
4、运行结果
- 能否运行成功
- 运行代码后出现什么样的结果
5、如何实现
- 代码整体架构
- 每部分实现细节
7、学习路径
基础知识
1、Python基础
2、数学基础
- 矩阵计算
- 概率论、信息论
3、神经网络基础知识
- 神经网络
- 多层感知器
- 卷积神经网络基础
- 循环神经网络
4、PyTorch入门
- PyTorch简介及安装
- PyTorch基础与手写数字分类
- PyTorch数据读取及数据增强
- PyTorch模型核心之Module模块
- PyTorch优化器Optimizer
- PyTorch可视化TensorBoard
- 图像分割Unet实现
- Faster RCNN实现
- RNN(循环神经网络)实现
- GAN(对抗神经网络)实现
- PyTorch文本处理相关的技巧
5、CV图像基础
- 图像基础知识
- 图像基本处理
- 图像处理进阶
- 视频及图像分割
- 人脸检测和识别
- 目标检测与识别
6、NLP基础知识
- 文本特征
- 词袋 bag of words BOW
- 分布特征 (distributional)
- tfidf权重
- n元语言模型
- 语言学特征:句法树
- nlp相关任务
- 文本分类
- 序列标注
- 翻译、摘要生成、信息抽取等
- 文本生成NLG
细分领域
CV:
- 图像分割系列论文
- 目标检测系列论文
- OCR-sunting
- 人脸识别
- 人体姿势识别
- 等
NLP:
- 预训练模型
- 文本分类
- 神经机器翻译
- 句子匹配
- 信息抽取(命名实体识别、关系抽取等)
- 等