深度学习（Deep Learning）
学数学看不起深度学习太正常了，因为中间还差好几层。 完整点的鄙视链是：学数学的 —> 学统计的 —> 学机器学习的 —> 学深度学习的 —> 学cv/nlp/dm/... 而且就算是数学里面，也有一条很长的鄙视链。十多年前混了一阵子组合数学，发现地位比较低。后来学了学李代数，发现还是底层居民。后来安心在cs里，因为不怎么烧脑细胞。遇到上层居民都是敬仰的绕路走。
匿名用户
说真的，看那么多人吹山世光我看着都尴尬，整个VIPL组20个研究员加副研究员，然后还养了接近50个PhD， CVPR ICCV之类还过得去的A会每年平均产出才20篇左右。 这种单个科研方向的人力放在美国像样点的院校每年能给你产出200篇Top CCF A你信不信？但看总量不看单人的质量没任何的价值。
匿名用户
对于CV的文章，个人感觉的大致排序 (同时考虑好工作以及mean) 如下: PAMI~三大会 > IJCV > TIP > BMVC/ACCV/WACV/MM/IJCAI/TMM > TCVST/ICME.
匿名用户
刚刚读完一片中稿论文，惊掉下巴，这种水文居然也能中nips，严重怀疑走后门。 SemMAE: Semantic-Guided Masking for Learning Masked Autoencoders 做掩码图像建模的，follow的凯明的MAE。 首先用iBOT人家预训练好的模型来提取特征学一个注意力图，无非是mlp加交叉注意力的常规操作，硬说能学到图像中目标的不同part，why?这操作不是都用烂了，咋到这就能学到不同part?最后那个从易到难的预训练任务非常trivial，而且没啥道理，因…
不服咱们碰一碰
差不多吧，看看何恺明就知道了，何恺明已经是cv领域第一人了吧？他最近这几年都没什么大的突破，其他的也就那么回事了，resnet以后，也就transformer算一个大创新，毕竟跟注意力机制一样，能产出很多改进和论文出来。 其他的什么半监督，弱监督，无监督，基本没什么理论上的进步呢，撑死就是一些横向应用，检测也差不多，yolov4升级到yolov5这种，算创新吗？那也算不算什么大成果，那种划时代的东西已经不存在了，现在也就是模型…
跟实验室导师产生矛盾， 导师阴阳怪气用他服务器。 得， 自谋生路。 选择Baidu AI Studio， 免费算力。 之前会PyTorch， Paddle 驾轻就熟。 Github 上还有 常用模型的 Paddle 实现， 根本不存在问题。 效果和我在服务器上用PyTorch跑的效果不能说有偏差吧， 只能说一模一样。
学生
李老师是自动化所出去的，我也凑个热闹，只有幸见过一次，就是18年毕业典礼，李老师是作为教师代表对毕业生发言。最深刻的就是当时穿个短裤就来了，讲话具体内容是不记得了，总的感觉就是特别学者气息。 看群里有的说受不了半夜打电话，我觉得李老师可能真的就是太投入了。和我现在的老师一样，我们有时半夜做实验2点发过去结果，（我自己就一回），他真的就立马回过来电话了，真的有对科研的热爱与责任。不过我的同学或者其他人…
与现代信号处理，机器学习，深度学习，故障诊断那些事
理论上是在2006年，爆发（广为人知）是在2012年，以前的神经网络两三层就可以了，多了效果太差太差，完全是为了拟合而拟合，加上数据和算力也不足，在某些数据集上，深层还不如浅层。 看一个极其简单的基于自编码器的手写数字图像识别的小例子，算是自编码器领域的hello world吧。首先导入手写数字图像，并随机看几个样本 for i = 1:20 subplot(4,5,i); imshow(xTrainImages{i}); end [图片] 首先测试一下第1个自编码器，隐层神经元数量…