新智元推荐  来源：专知【新智元导读】CVPR2020提交论文Deadline已结束！作为CV大会，今年论文注册id居然超过10000。如此多的提交论文，质量肯定是良莠不齐，对Reviewer也是很大压力。如何撰写高质量的CV论文，相信是所有CVer关心的话题。在前不久ICCV2019的论坛上，CV大神Ross Girshick分享他关于撰写好论文的经验《Writing Good Detection Research Papers》，非常值得学习！来新智元 AI 朋友圈与AI大咖们一起讨论吧～

　　Ross Girshick是Facebook人工智能研究院(FAIR)的一名研究科学家，致力于计算机视觉和机器学习的研究。2012年，他在Pedro Felzenszwalb的指导下获得了芝加哥大学的计算机科学博士学位。加入FAIR之前，Ross曾在微软研究院(Microsoft Research)、雷德蒙(Redmond)和加州大学伯克利分校(University of California, Berkeley)做研究员，并得到了Jitendra Malik和Trevor Darrell的建议。他的兴趣包括实例级别的对象理解和将自然语言处理与计算机视觉相结合的视觉推理挑战。他获得了2017年PAMI青年研究员奖，并以开发R-CNN(基于区域的卷积神经网络)方法来检测对象而闻名。2017年，Ross还凭借《Mask R-CNN》与何恺明齐获在ICCV获得马尔奖。

　　个人主页：

　　http://www.rossgirshick.info/

　　Writing Good Detection Research Papers

　　首先能从你的论文里学习到什么？

　　一篇论文应该是关于一个聚焦的想法或问题

　　“Idea”通常表示方法; 我应该学什么?

　　它在什么条件下工作?

　　什么时候不工作?

　　如果这个想法有多个组成部分，哪一个是最重要的?

　　哪些实现细节是重要的?

　　我首要关心的是从你的想法学习到让人感兴趣的东西

　　最简洁的方式表达你的想法

　　从一个可靠的基准线方法开始

　　运用你的方法

　　在最简单的设置下执行对比

　　Ablations：一个表，一条信息

　　支撑你的所有的Claim

　　所有的claim应该必须得到支持

　　通过引用

　　或者实验

　　否则，对语句进行限定

　　“Intuitively,增加X对Y是重要的...”这个声明你的直觉(not fact), 审稿人可能不同意!

　　“Increasing X可能导致改进Y...”表述不确定性或者一些条件可以申请

　　注意速度和准确性的声明

　　论文之间的比较常常是不受控制的

　　准确度随超参数变化(“配方”)

　　速度随低级优化(perf调优)和硬件的不同而不同

　　速度随推理细节而变化(例如，推理期间的批处理)

　　有人以编写快速代码为生(10 - 100倍的加速)

　　因此,速度/ acc。对结果不能全信

　　控制

　　使训练设置尽可能相似

　　使推理设置尽可能相似

　　确保底层优化公平性

　　对所有方法使用相同的硬件

　　所有的方法在一个代码库实现

　　通用R-CNN物体检测框架

　　https://alexander-kirillov.github.io/tutorials/visual-recognition-iccv19/

　　包括以下部分：

　　物体检测简述

　　通用R-CNN框架

　　物体检测挑战

　　物体检测方法体系

　　通用R-CNN框架

　　结论：

　　检测并非已被解决 - LVIS尝试

　　特征非常重要

　　检测器设计很重要

　　通用R-CNN

　　新智元AI朋友圈详细使用教程，8000名AI大玩家和实践者都在这里！

本文首发于微信公众号：新智元。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。