阅读计算机视觉论文必须知道的六大要点

要点一

每篇论文都不会说自己的缺点，只会放大优点。但是引用别人的论文时，却总放大别人工作的缺点。当你对比阅读时，形成一个知识串，才会对某个问题有更清晰的认识。

要点二

论文为了出成果，一般只会选择对自己模型有力的数据集验证。对某一领域数据集的特征了解，便再也不会被作者蒙蔽双眼了。比如NAS(Neural Architecture Search)，很多论文喜欢在CIFAR-10/ CIFAR-100/SVHN等小数据集比实验结果，ImageNet性能表现避重就轻避而不谈；很多论文写state-of-art的性能，对实时性不谈；论文没有说的没有做的可能是个大坑。

要点三

论文因为要投稿和发表顶会，故意会云里雾里引入很多概念和公式，当对比代码，关键trick，才能返璞归真。Code+paper，才是论文最佳的阅读方式。

要点四

对于自己关注的领域，可能每篇有影响的，实验结果不是state-of-art也要关注，因为工作可能会撞车。对横向领域的论文，要关注state-of-art,说不定很多trick可以直接迁移到自己的工作。

要点五

重点关注数著名实验室/老师/三大顶会（CVPR,ICCV,ECCV）。2020年的CVPR投稿量都破万，各种水文鱼目混杂，实在是难以鉴别，个人倾向于 paper+code 模式。敢于开源code的论文，真金不怕火炼，作者有底气。没有code的论文，也许是商业或者其他授权暂时没有发布，但是发布了一两年还在遮遮掩掩，这些论文不看也罢。

要点六

最重要一点：拒绝二手知识。阅读一篇论文,google搜索题目可能有1000+篇的阅读笔记，阅读笔记的数量比论文的引用量都多；包括我在内的很多博客/笔记也喜欢摘抄，google翻译+复制粘贴造就阅读笔记的虚假繁荣。有些问答还是具有参考意义，比如知乎中常见的“如何评价Google Brain团队最新检测论文SpineNet？”，在这些如何评价的思想碰撞中，还是有些很好的火花。个人感觉不管是做科研学术工业界做项目，要摒弃完全从二手知识中学习，应该更多的直接从原文阅读思考、和作者邮箱联系寻找答案。