点上方蓝字计算机视觉联盟获取更多干货

在右上方 ··· 设为星标 ★，与你不见不散

编辑：Sophia
计算机视觉联盟  报道  | 公众号 CVLianMeng

转载于 ：王乃岩，已获授权

https://www.zhihu.com/question/54025865/answer/137963791

【人工智能资源（书籍+视频）全网收集，附下载！】

推荐文章【点击下面可直接跳转】：

如何快速下载不同网站文档！

AI博士笔记系列推荐：

博士笔记 | 周志华《机器学习》手推笔记“神经网络”

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）：

1. 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。

2. 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。

3. 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。

4. 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。

END

声明：本文来源于王乃岩

如有侵权，联系删除

联盟学术交流群

扫码添加联盟小编，可与相关学者研究人员共同交流学习：目前开设有人工智能、机器学习、计算机视觉、自动驾驶（含SLAM）、Python、求职面经、综合交流群扫描添加CV联盟微信拉你进群，备注：CV联盟  

最新热文荐读

GitHub | 计算机视觉最全资料集锦（含实验室、算法及AI会议）

Github | 标星1W+清华大学计算机系课程攻略！

Github | 吴恩达新书《Machine Learning Yearning》

收藏 | 2020年AI、CV、NLP顶会最全时间表！

收藏 | 博士大佬总结的Pycharm 常用快捷键思维导图！

笔记 | 深度学习综述思维导图（可下载）

笔记 | 深度神经网络综述思维导图（可下载）

内推 | 4399小游戏

内推 | 无人驾驶~小马智行Pony.ai 2020

内推 | 虎牙直播2020校招

内推 | 字节跳动内推

前沿 | 阿里达摩院发布2019十大科技趋势！未来无限可期！

点个在看支持一下吧