计算机视觉顶会上的灌水文都有哪些特征？-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

有一个观点我在不同场合讲过很多次：评价一个工作需要取决于评价者所占的立场以及背景。做理论的人觉得做应用的太水，做应用的人觉得做理论的毫无用处。所谓屁股决定脑袋，学会换位思考很重要。

贴一个我PhD毕业时总结里写的一部分：

问题八：什么是好的research？
首先说，这是一个见仁见智的问题，和每个人背景尤其相关。例如一个常见的鄙视环就是做理论的会鄙视做应用的，觉得毫无新意。做应用的反而觉得做理论的大多证明了一些毫无意义的定理，都不work。首先，懂得尊重别人的research，对自己不懂的东西不乱发表意见是一种美德。其次任何一个research可以至少从方法的创新性和性能这两方面划分，所以我们会有四种划分（为了方便表述，下面的好和差都是相对而言）：
创新性低，性能差：这样的research应该是每个人避免的，除了浪费自己和他人的宝贵时间，没有任何意义。可惜就算在顶级会议里这样的工作还是不少。
创新性低，性能好：这也可以算作一个solid的work，尤其是可以讲清楚为什么一些小的改动会提升性能，这些不起眼的trick往往包含着对问题本身的insight。工业界尤其欢迎这样的工作。
创新性高，性能差：俗称的“挖坑”的工作。这样的工作包括提出一个全新的问题或者对一个已有问题的全新解法。这样的工作虽然可能在文章中只提出了非常简单的baseline，或性能并不能比过最好的已有方法，但是可以启发大量后续的research。这是典型的学术界中的好工作。例如CVPR中的oral paper大多属于这个类型。
创新性高，性能好：这样的research自然是最好，不过大多数时候是可遇不可求的，往往需要“时势造英雄”。
就算是同一个人，在不同阶段对于什么是好的research的定义也会变化。例如我自己，在接触research的初期会比较喜欢fancy的模型，然后逐渐强调一个工作的性能，对一切性能达不到state-of-the-art的统统不感兴趣，再到现在能够相对客观地评价一个paper的优缺点，能从前面提到的第二类第三类的paper里分别汲取营养。我想这个过程也应该是PhD成长的必经经历吧。
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~