點擊上方「CVer」，選擇加"星標"或「置頂」
重磅乾貨，第一時間送達
編輯：Amusi
https://www.zhihu.com/question/327139341
本文僅作為學術分享，如果侵權，會刪文處理
2019年CVPR有哪些糟糕的論文?包括但不限於論文本身的寫作,創新點，提供的源碼，希望各位的真知灼見能給後來者啟發。
知乎高質量回答作者：匿名用戶
https://www.zhihu.com/question/327139341/answer/731891615
這麼多吐槽的，我就不說誰的論文不好了，我想說說我認為什麼樣的工作好。其實今天AI科研界和網紅界差不多，被大多數人認為所謂好的AI工作者和網紅一樣，都長得差不多，不都是寫著模式差不多的論文，灌了差不多的多少頂會麼。後面還有一堆新畢業的博士，在努力爭取長成網紅臉。在這個領域，你要長的不是網紅臉，你只能被當作異類處理。
這年月大家都在拿論文數量，引用，影響因子說事，特別是國內的老師學生，太看重這些了。我個人覺得這完全背離了科研工作的本意。這和武術變得主要要比誰一個跟頭落地能紋絲不動，花樣滑冰要比誰四周跳跳的多一樣，忘記了武術的本質是要充分利用人體結構來合理髮力，花樣滑冰的核心是追求音樂動作合一的表現力一樣，都走上了歧途。
這個世界做科研的，工作模式大致兩類，一個是到處挖坑的，一個是一輩子挖一個坑的。這兩種工作模式都可以，問題是挖坑一定要挖好東西，不能總挖垃圾。
我可以舉一例我看到的挖坑挖的好的人， S. Lloyd，此人是量子信息領域的到處挖坑的大牛，每個方向只挖一鏟子，挖完就走。他的主要貢獻：（1）證明了Feynman關於用量子計算模擬量子系統的一個想法，（2）最早做量子計算硬體的，（3）提出了從量子計算構建時空結構的一種方法，（4）提出了一個時間旅行的模型並用於分析黑洞信息問題，（5）提出了Shor, Grove之後的第三個實用化量子算法，主要用於量子機器學習，（6）提出量子雷達的概念，（7）考察了計算和物理規律的關係。這些只是我看到的他的一部分工作，這已經證明此人的牛叉之處了。問題是，他在每個方向都基本只寫一篇論文，最多也不會超過3篇，然後有點老子留下五千言後言盡於此的氣概，轉身而去，重新挖坑，留下一堆身後的人在他挖過的地方繼續挖，但是都很少能挖到他的高度。最近有一段時間沒看到他的消息了，不知道這位又在憋著挖什麼呢。
所以他的論文並不多，也就平均一年一篇吧（真正他寫的，掛名的不算，不過我也沒看到他有多少掛名的論文，有他名字的論文都是明顯能看到他的思想貢獻的），但是每一篇都是一個新思想新方向。我覺得這才是好的工作應該有的樣子。按照這個標準，大家可以對比一下，哪些工作可以叫垃圾。
順便提一句，如果可能，建議去看看S. Lloyd關於從量子計算構建時空的論文，對於理解深度網絡是大有益處的。可能說了也是白說，年輕的調參俠不相信除了他們誰還懂AI。
另外，如果聽報告的時候，介紹裡說此人寫了幾百篇論文，我建議大家轉身就走，因為此人不會有什麼深刻的思想傳達給你。
真心的建議大家進入科研領域後都仔細想想，是要一輩子做垃圾研究發一堆垃圾論文呢，還是沉下心來找好問題做好問題。對於一個科研人員來說，一輩子有一篇真正重要的論文就足夠了，甚至有可能在他死之前，論文的重要性都沒有被發現，這就是科研這份工作的規律。追求短期反饋絕對是違背科研規律的，對於個人評判工作好壞，是誤導，對於國家評判科研，是惡政。
楊振寧先生說，和小說一樣，科研和論文也有風格。一個領域應該有不同風格的工作和論文，風格多樣性是一個領域活力的體現。Schwinger的繁瑣嚴謹是一種風格，Feynman的靈動純粹也是一種風格，Dirac的透徹深邃還是一種風格，Einstein的宏大鳥瞰又是一類風格，這個世界的科研絕不只有一種風格一個模式，他們都是好工作。我個人的感覺，AI這個領域的論文風格過於單一了，除了一些偏理論的工作外，絕大多數與應用有關的工作風格嚴重雷同，思想嚴重雷同，這種論文真是讀起來面目可憎味同嚼蠟。我覺得這絕對不是好事情，這說明這個領域的思想過於單一。特別是小孩子們，一進入這個領域就被這個領域已有的固定思維帶著跑了，他們沒有時間去左顧右盼，去想想是否有其他可能性，他們只有沿著前人的路飛速的跑，否則他們就不能在這條路上跑得過別人，但我真的覺得，這個情況對於無論個人還是領域，都不是好事。
最後一點，AI作為新興領域，出現一個我認為是很不好的現象，就是大量本科生進入領域發表論文並且成為風氣。從我的角度看，本科生的工作做到我的標準之下所謂好的工作的，是非常非常罕見的（如果不是一個都沒有），我覺得時間這件事真的是不能隨便超越，人的認知水平一定和時間有關，本科生進入ＡＩ只是作為科研訓練，真的不能指望有什麼好工作出現，一個本科生做了半年一年就出好工作？對不起，我不信。我真心不希望ＡＩ這個領域鬧到和材料生化一樣成為灌水園地。
讓我們大家都保留一點科研工作的初心，爭取去做好的工作，學會辨別和欣賞好的工作，特別是年輕人，要培養好的科研品味，不要一上手就把味蕾弄壞了。我在知乎看到太多博士生朋友的味蕾已經完全壞了，根本不知道好的思想為何物，很不幸。
思想才是科研的核心，一個真正閃光的思想比一堆代碼和數據實驗都有價值，代碼和實驗是為思想服務的，絕不能替代思想。千萬別說talk is cheap了，愛因斯坦這輩子都在think and talk， 他的talk實在是他思想的精華。
卞子守函谷，終南紫氣多，借言屈子問，天機且如何。
算力方暴虎，AI正馮河，掛書青牛角，天工莫可奪。
作者：王峰
https://www.zhihu.com/question/327139341/answer/712075929
看到CVPR論文列表放出來了，忍不住看了一下人臉loss的幾篇論文。
ArcFace就不用說了，誰用誰知道，業界良心+業界標杆。唯一值得吐槽的是：怎麼才發表出來？
AdaptiveFace很有意思，想了一下確實能起到動態設置margin的作用，值得一試。
AdaCos和P2SGrad這兩篇之前放到arxiv了，我已經在人臉識別群裡吐槽過了，槽點太多，改天再寫。
重點說一下這三篇新放出來的文章吧：
http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhao_RegularFace_Deep_Face_Recognition_via_Exclusive_Regularization_CVPR_2019_paper.pdf
故事要從去年Weiyang Liu發的一篇NIPS文章說起：
http://wyliu.com/papers/LiuNIPS18_MHE.pdf
這篇文章講的是加個regularization來優化所有類中心的分布，讓各類中心儘量遠離。這是個很正確的想法，畢竟我們做人臉識別就是要類間更遠、類內更近嘛。
但是這個方法實在太麻煩了，很有Weiyang Liu的風格（我始終無法忘記手推Large Margin Softmax梯度的痛苦），所以還有改進的餘地。
但我改進的時候就發現，在sphereface上漲點明顯的regularization在AM Softmax上並不明顯，而且人家已經發了論文，小修小補還沒跨越式的進步實在沒啥意思，於是也就沒寫論文。
今天就看到了這三篇號稱進步巨大的文章了2333。。
總結一下，設 ，這個 就是個相似度度量，無所謂是cosine還是euclidean都行，那麼這三篇分別做了：
。。。。。。還真的各有不同呢。
其實這個方法我們幾個做人臉識別的小夥伴都試過了，這裡直接貼一下ArcFace的結果（Inter方法跟上邊說的幾個差不多），真的、真的不work！
不過還是要表揚一下第二篇論文，裡面還提出了一個Noise Resistance Softmax loss，這個損失的形式很複雜，但思想值得一看，應該能改進出一個更簡單的形式。
此外，第一第二篇連Weiyang Liu的那篇NIPS都沒引用，真當大家不知道你們的idea是從哪來的麼？
吐槽完畢，接著搬磚。
作者：匿名用戶
https://www.zhihu.com/question/327139341/answer/704989707
都是要吃飯的嘛，可能文不對題。。。超分就是每年在這麼刷榜，灌水
講一下圖像復原領域，超分，去噪，去模糊
上圖引用自：A Deep Journey into Super-resolution: A Survey
arXiv：https://arxiv.org/abs/1904.07523
作者：匿名用戶
https://www.zhihu.com/question/327139341/answer/714597074
這是cvpr19年的一篇文章
這是iccv17年的一篇文章
p3d是你發明的？
這也能中cvpr？
審稿人沒看過別的領域的文章？
作者：Hua Lin
https://www.zhihu.com/question/327139341/answer/712412721
媽媽問：寶寶，爸爸他天天玩遊戲是不是廢物？
寶寶：是！
媽媽：那我們不跟他學好不好？
寶寶：媽媽，我也想當廢物。
老師問：這群人天天灌水是不是廢物？
我：是！
老師：那我們好好搞研究，做出點成果？
我：老師，我也想當廢物。
作者：匿名用戶
https://www.zhihu.com/question/327139341/answer/706650813
其實都是由於Dead lock。
/*會議惡性循環*/
投稿量爆炸—>Reviewer不夠—>審稿人水平參差不齊 —> 錄取Paper水平參差不齊—>讀者看到水paper感覺這也能中—>模仿水paper生產科研—>投稿量爆炸
/*領域惡性循環*/
做實驗性能非常好—>強行尬解釋—>其實都是猜想，真正work的可能是trick—>產生糟糕的玄學paper—>讀者糟糕的閱讀體驗—>讀者模仿科研—>讀者做實驗使得性能非常好—>.
CVer學術交流群
掃碼添加CVer助手，可申請加入CVer-目標檢測交流群、圖像分割、目標跟蹤、人臉檢測&識別、OCR、超解析度、SLAM、醫療影像、Re-ID、GAN、NAS、深度估計、自動駕駛和剪枝&壓縮等群。一定要備註：研究方向+地點+學校/公司+暱稱（如目標檢測+上海+上交+卡卡）
▲長按加群
▲長按關注我們
麻煩給我一個在看！