深度学习论文撰写实验对比分析时复现其它论文方法的问题

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝《超分辨率重建》
📝《语义分割》
📝《风格迁移》
📝《目标检测》
📝《暗光增强》
📝《模型优化》
📝《模型实战部署》

---

近来有学者咨询深度学习论文写作方面的问题，论文对比实验中的数据应该把其他模型自己跑一遍还是直接用模型作者自己的实验数据，由于有些模型没有开源，自己难以复现。

如果直接用了别人的模型数据，预测结果可视化中，该怎么用其他的模型预测结果？

一、测试数据问题

在对比实验中，使用标准数据集和基准模型是一个常见的方法。这可以确保实验结果的可比性和可重复性。选择广泛使用的公开数据集进行实验，同时选择已经开源并被广泛使用的基准模型作为对比对象。

二、数据对比问题

如果原作者已经在他们的论文中公开了实验结果和数据，并且这些数据是可信的和被广泛接受的，那就直接引用这些数据。

如果作者开源了代码，可以复现出来，则用复现后的方法自己跑一遍。

如果作者没有开源，实在复现不了，可以在论文中明确说明这一点，描述你所做的复现工作，包括遇到的具体问题。解释为什么无法复现，可能是由于缺乏足够的细节描述、数据不可用等。

三、对比预测结果可视化问题

论文中直接引用其他模型的结果是常见的做法，特别是在无法复现其他模型或这些模型的结果已经广泛接受的情况下。在论文中直接引用其他作者的实验结果时，需要明确标注引用来源，这不仅是为了学术诚信，也是为了让读者能够验证数据的真实性和出处。在可视化预测结果时，如果使用了其他模型的结果，需要清楚地标注哪些结果是来自其他模型的，这样做既是对原作者的尊重，也有助于读者理解不同模型的比较。

四、论文撰写框架

实际论文写作中实验数据对比部分，可以参考下面框架写：

4. 实验与对比

4.1 数据集

我们使用以下标准数据集进行实验：

• 数据集A：描述数据集的基本信息
• 数据集B：描述数据集的基本信息

4.2 对比方法

我们选择了以下几种方法进行对比：

• 方法A（作者模型）：引用原文中的实验结果。引用Smith et al. (2020)的实验结果【1】。
• 方法B（复现模型）：描述我们对其进行复现的过程和结果。
• 方法C（自己模型）：使用自己模型进行实验。

4.3 实验结果

方法A（作者模型）

根据Smith et al. (2020)的结果，方法A在数据集A上的表现如下：

• 准确率：xx%
• 召回率：xx%

方法B（复现模型）

我们尝试复现方法B，并得到如下结果：

• 准确率：xx%
• 召回率：xx%

方法C（自己模型）

使用自己模型进行实验的结果如下：

• 准确率：xx%
• 召回率：xx%

4.4 结果可视化

图1显示了各模型在数据集A上的预测结果对比。结果表明，方法A（来自Smith et al. (2020)）在准确率和召回率方面表现xxx，其它模型xxx，我们的模型xxx。

4.5 分析

我们发现方法A在数据集A上表现xxx，但由于模型没有开源，我们无法完全复现其结果。对于方法B，我们尝试复现但遇到了xxx问题，可能是由于xxx原因。自己模型的方法C效果xxx。

五、总结

以上就是深度学习论文拽写实验对比分析时复现其它论文方法，以及实验数据该怎么对比写，仅供参考，学者结合自己实验情况灵活写作。

感谢您阅读到最后！😊总结不易，多多支持呀🌹 点赞👍收藏⭐评论✍️，您的三连是我持续更新的动力💖

关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！