背景

近期在整理一些文档，发现了去年去参加ICCV 2019的时候，Facebook AI 的 Ross Girshick 做了一个关于目标检测和实例分割的 tutorial，最后用19页PPT讲解了如何写一篇好的科研论文，重新回顾了一下做个整理总结留用。

我能够从你的论文里学到什么？

首先，一篇论文应该是关于单个聚集的观点或问题；

“观点”意味着 方法；我能从中学到什么呢？

• 在什么条件下有效？
• 何时无效？
• 如果该方法有多个部件，哪些是最重要的？
• 哪些实施细节很重要？

如果你的观点加上了一些技巧得到了SOTA的结果，其实并不是很看重。

• 审稿人关注点是：我能够从你的观点里学到什么，有没有一些有趣的东西

论文写作：

• 从 基准线开始，在其上应用你的想法；
• 各类消融实验：注意每张表格只传达1个信息（One table， one message）

论证你的所有观点

所以的观点都需要引用已有观点或实验来支撑；

• Claim && Table/Figure

避免不合格的表达：

• 例如：Intuitively…, may

留意速度/准确率的论证

与当前算法的比较通常是不可控的，主要表现为：

• 使用不同参数时，算法准确率不同；
• 不同参数及硬件环境，算法速度不同；
• 接口细节不同时，算法速度不同；
• 有些是以优化算法速度为生的，他们可能做到10-100倍的提速；

因此，我们对于算法准确度和速度提升保持怀疑态度，做实验是，需要注意一下四项：

• 尽可能的让训练过程设置相同
• 接口设置尽可能相同
• 确保底层优化公平性
• 确保所有方法都使用相同硬件

原稿部分内容：

What Did I Learn from Your Paper?

A paper should be about a single focused idea or question
“Idea” usually means method; What should I learn?

• Under what conditions does it work?
• When does it not work?
• If the idea has multiple components, which are the most important?
• Which implementation details are important?

I seldom care “If your idea unrelated ideas/tricks”—>S.O.T.A. results

• My first priority: to learn some interesting things about your idea.

Support all of Your Claims

Beware of Speed/Accuracy Claims

Comparisons across publications are often uncontrolled

• Accuracy varies with hyper-parameters (‘recipe’)
• Speed varies with low-level optimization (perf tuning) and hardward
• Speed varies with inference details (e.g., batching during inference)
• Someone else writes fast mode for a libing ( 10-100x speedup)
• Therefore, speed/accuracy should be taken with a large grain of salt.

Implement all Methods in One Codebase

There are so many details that matter in detection
E.g., COCO mask AP increase ~1% AP (absolute) going from detectron (v1) to detectron 2 (same model)

• A baseline in detectron (v1) is not a valid comparison to a method in detectron2

Many good codebased now: mmdetection, simpledet, detectron2

• No excuses anymore;
• Use the same codebase greatest extent possible