ECCV論文需要怎么創(chuàng)新 tpami 和cvpr哪個(gè)更好

如何發(fā)表計(jì)算機(jī)視覺頂級(jí)論文CVPR，ICCV，ECCV？普通程序員如何向人工智能方向轉(zhuǎn)型？tpami 和cvpr哪個(gè)更好，在CVPR/ICCV/ECCV workshop發(fā)表論文是什么水平？eccv作為研究基礎(chǔ)行不行？

本文導(dǎo)航

• 如何發(fā)表計(jì)算機(jī)視覺頂級(jí)論文CVPR，ICCV，ECCV
• 普通程序員如何向人工智能方向轉(zhuǎn)型？
• tpami 和cvpr哪個(gè)更好
• 在CVPR/ICCV/ECCV workshop發(fā)表論文是什么水平?
• eccv作為研究基礎(chǔ)行不行

如何發(fā)表計(jì)算機(jī)視覺頂級(jí)論文CVPR，ICCV，ECCV

目前，公認(rèn)的計(jì)算機(jī)視覺三大會(huì)議分別為ICCV,ECCV,CVPR。

1、ICCV

ICCV的全稱是 IEEE International Conference on Computer Vision，國際計(jì)算機(jī)視覺大會(huì)，是計(jì)算機(jī)視覺方向的三大頂級(jí)會(huì)議之一，通常每?jī)赡暾匍_一次，2005 年 10 月曾經(jīng)在北京召開。

會(huì)議收錄論文的內(nèi)容包括：底層視覺與感知，顏色、光照與紋理處理，分割與聚合，運(yùn)動(dòng)與跟蹤，立體視覺與運(yùn)動(dòng)結(jié)構(gòu)重構(gòu)，基于圖像的建模，基于物理的建模，視覺中的統(tǒng)計(jì)學(xué)習(xí)，監(jiān)控，物體、事件和場(chǎng)景的識(shí)別，基于視覺的圖形學(xué)，圖片和的獲取，性能評(píng)估，具體應(yīng)用等。

ICCV是計(jì)算機(jī)視覺領(lǐng)域最高級(jí)別的會(huì)議，會(huì)議的論文集代表了計(jì)算機(jī)視覺領(lǐng)域最新的發(fā)展方向和水平。會(huì)議的收錄率較低，以 2007 年為例，會(huì)議共收到論文1200余篇，接受的論文僅為244篇。會(huì)議的論文會(huì)被 EI 檢索。

2、ECCV

ECCV的全稱是Europeon Conference on Computer Vision，兩年一次，是計(jì)算機(jī)視覺三大會(huì)議（另外兩個(gè)是ICCV和CVPR）之一。很明顯，ECCV是一個(gè)歐洲會(huì)議，歐洲人一般比較看中理論，但是從最近一次會(huì)議來看，似乎大家也開始注重應(yīng)用了，oral里面的demo非常之多，演示效果很好，讓人賞心悅目、嘆為觀止。不過歐洲的會(huì)有一個(gè)不好，就是他們的人通常英語口音很重，有些人甚至不太會(huì)說英文，所以開會(huì)和交流的時(shí)候，稍微有些費(fèi)勁。

3、CVPR

CVPR的全稱是Internaltional Conference on Computer Vision and Pattern Recogintion。這是一個(gè)一年一次的會(huì)議，舉辦地從來沒有出過美國，因此想去美國旅游的同學(xué)不要錯(cuò)過。正如它的名字一樣，這個(gè)會(huì)上除了視覺的文章，還會(huì)有不少模式識(shí)別的文章，當(dāng)然兩方面的結(jié)合自然也是重點(diǎn)。

普通程序員如何向人工智能方向轉(zhuǎn)型？

當(dāng)下，人工智能已經(jīng)成為越來越火的一個(gè)方向。普通程序員，如何轉(zhuǎn)向人工智能方向，是知乎上的一個(gè)問題。

一.目的

本文的目的是給出一個(gè)簡(jiǎn)單的，平滑的，易于實(shí)現(xiàn)的學(xué)習(xí)方法，幫助“普通”程序員踏入AI領(lǐng)域這個(gè)門。這里，我對(duì)普通程序員的定義是：擁有大學(xué)本科知識(shí);平時(shí)工作較忙;自己能獲取的數(shù)據(jù)有限。因此，本文更像是一篇“from the scratch”的AI入門教程。

二. AI領(lǐng)域簡(jiǎn)介

AI，也就是人工智能，并不僅僅包括機(jī)器學(xué)習(xí)。曾經(jīng)，符號(hào)與邏輯被認(rèn)為是人工智能實(shí)現(xiàn)的關(guān)鍵，而如今則是基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)占據(jù)了主導(dǎo)地位。最近火熱的深度學(xué)習(xí)正是機(jī)器學(xué)習(xí)中的一個(gè)子項(xiàng)。目前可以說，學(xué)習(xí)AI主要的是學(xué)習(xí)機(jī)器學(xué)習(xí)。

但是，人工智能并不等同于機(jī)器學(xué)習(xí)，這點(diǎn)在進(jìn)入這個(gè)領(lǐng)域時(shí)一定要認(rèn)識(shí)清楚。關(guān)于AI領(lǐng)域的發(fā)展歷史介紹推薦看周老師寫的《機(jī)器學(xué)習(xí)簡(jiǎn)介》。下面一個(gè)問題是：AI的門好跨么?其實(shí)很不好跨。我們以機(jī)器學(xué)習(xí)為例。

在學(xué)習(xí)過程中，你會(huì)面對(duì)大量復(fù)雜的公式，在實(shí)際項(xiàng)目中會(huì)面對(duì)數(shù)據(jù)的缺乏，以及艱辛的調(diào)參等。如果僅僅是因?yàn)橛X得這個(gè)方向未來會(huì)“火”的話，那么這些困難會(huì)容易讓人放棄?？紤]到普通程序員的特點(diǎn)，而要學(xué)習(xí)如此困難的學(xué)科，是否就是沒有門路的?答案是否定的。只要制定合適的學(xué)習(xí)方法即可。

三.學(xué)習(xí)方法

學(xué)習(xí)方法的設(shè)定簡(jiǎn)單說就是回答以下幾個(gè)問題：我要學(xué)的是什么?我怎樣學(xué)習(xí)?我如何去學(xué)習(xí)?這三個(gè)問題概括說就是：學(xué)習(xí)目標(biāo)，學(xué)習(xí)方針與學(xué)習(xí)計(jì)劃。學(xué)習(xí)目標(biāo)比較清楚，就是踏入AI領(lǐng)域這個(gè)門。這個(gè)目標(biāo)不大，因此實(shí)現(xiàn)起來也較為容易?！斑^大的目標(biāo)時(shí)就是為了你日后放棄它時(shí)找到了足夠的理由”。

學(xué)習(xí)方針可以總結(jié)為“興趣為先，踐學(xué)結(jié)合”。簡(jiǎn)單說就是先培養(yǎng)興趣，然后學(xué)習(xí)中把實(shí)踐穿插進(jìn)來，螺旋式提高。這種方式學(xué)習(xí)效果好，而且不容易讓人放棄。有了學(xué)習(xí)方針以后，就可以制定學(xué)習(xí)計(jì)劃，也稱為學(xué)習(xí)路線。下面就是學(xué)習(xí)路線的介紹。

四.學(xué)習(xí)路線

我推薦的學(xué)習(xí)路線是這樣的，如下圖：

這個(gè)學(xué)習(xí)路線是這樣設(shè)計(jì)的：首先了解這個(gè)領(lǐng)域，建立起全面的視野，培養(yǎng)起充足的興趣，然后開始學(xué)習(xí)機(jī)器學(xué)習(xí)的基礎(chǔ)，這里選擇一門由淺入深的課程來學(xué)習(xí)，課程最好有足夠的實(shí)驗(yàn)?zāi)軌蜻M(jìn)行實(shí)戰(zhàn)?；A(chǔ)打下后，對(duì)機(jī)器學(xué)習(xí)已經(jīng)有了充足的了解，可以用機(jī)器學(xué)習(xí)來解決一個(gè)實(shí)際的問題。

這時(shí)還是可以把機(jī)器學(xué)習(xí)方法當(dāng)作一個(gè)黑盒子來處理的。實(shí)戰(zhàn)經(jīng)驗(yàn)積累以后，可以考慮繼續(xù)進(jìn)行學(xué)習(xí)。這時(shí)候有兩個(gè)選擇，深度學(xué)習(xí)或者繼續(xù)機(jī)器學(xué)習(xí)。深度學(xué)習(xí)是目前最火熱的機(jī)器學(xué)習(xí)方向，其中一些方法已經(jīng)跟傳統(tǒng)的機(jī)器學(xué)習(xí)不太一樣，因此可以單獨(dú)學(xué)習(xí)。除了深度學(xué)習(xí)以外，機(jī)器學(xué)習(xí)還包括統(tǒng)計(jì)學(xué)習(xí)，集成學(xué)習(xí)等實(shí)用方法。

如果條件足夠，可以同時(shí)學(xué)習(xí)兩者，一些規(guī)律對(duì)兩者是共通的。學(xué)習(xí)完后，你已經(jīng)具備了較強(qiáng)的知識(shí)儲(chǔ)備，可以進(jìn)入較難的實(shí)戰(zhàn)。這時(shí)候有兩個(gè)選擇，工業(yè)界的可以選擇看開源項(xiàng)目，以改代碼為目的來讀代碼;學(xué)術(shù)界的可以看特定領(lǐng)域的論文，為解決問題而想發(fā)論文。

無論哪者，都需要知識(shí)過硬，以及較強(qiáng)的編碼能力，因此很能考察和鍛煉水平。經(jīng)過這個(gè)階段以后，可以說是踏入AI領(lǐng)域的門了?！皫煾殿I(lǐng)進(jìn)門，修行在個(gè)人”。之后的路就要自己走了。

下面是關(guān)于每個(gè)階段的具體介紹：

0.領(lǐng)域了解

在學(xué)習(xí)任何一門知識(shí)之前，首先第一步就是了解這個(gè)知識(shí)是什么?它能做什么事?它的價(jià)值在什么地方?如果不理解這些的話，那么學(xué)習(xí)本身就是一個(gè)沒有方向的舟，不知道駛向何處，也極易有沉船的風(fēng)險(xiǎn)。了解這些問題后，你才能培養(yǎng)出興趣，興趣是最好的引路人，學(xué)習(xí)的動(dòng)力與持久力才能讓你應(yīng)付接下來的若干個(gè)階段。關(guān)于機(jī)器學(xué)習(xí)是什么，能做什么，它與深度學(xué)習(xí)以及人工智能的關(guān)系，可以看我寫的博客從機(jī)器學(xué)習(xí)談起。

1.知識(shí)準(zhǔn)備

如果你離校過久，或者覺得基礎(chǔ)不牢，最好事先做一下準(zhǔn)備復(fù)習(xí)工作?！肮び破涫?，必先利其器”。以下的準(zhǔn)備工作不多，但足以應(yīng)付后面階段的學(xué)習(xí)。

數(shù)學(xué)：復(fù)習(xí)以下基本知識(shí)。線性代數(shù)：矩陣乘法;高數(shù)：求導(dǎo);概率論：條件與后驗(yàn)概率。其他的一些知識(shí)可以在后面的學(xué)習(xí)的過程中按需再補(bǔ);

英文：常備一個(gè)在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網(wǎng)頁;

FQ：可以隨時(shí)隨地上Google，這是一個(gè)很重要的工具。不是說百度查的不能看，而是很多情況下Google搜出來的資料比百度搜的幾十頁的資料還管用，尤其是在查英文關(guān)鍵字時(shí)。節(jié)省時(shí)間可是很重要的學(xué)習(xí)效率提升;

2.機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的第一門課程首推Andrew Ng的機(jī)器學(xué)習(xí)。這門課程有以下特點(diǎn)：難度適中，同時(shí)有足夠的實(shí)戰(zhàn)例子，非常適合第一次學(xué)習(xí)的人。cs229這門課程我這里不推薦，為什么，原因有以下：

時(shí)間：cs229的時(shí)間太早，一些知識(shí)已經(jīng)跟不上當(dāng)今的發(fā)展，目前最為火熱的神經(jīng)網(wǎng)絡(luò)一筆帶過。而Cousera上神經(jīng)網(wǎng)絡(luò)可是用了兩個(gè)課時(shí)去講的!而且非常詳細(xì);教學(xué)：Ng在cs229時(shí)候的教學(xué)稍顯青澀，可能是面對(duì)網(wǎng)絡(luò)教學(xué)的原因。有很多問題其實(shí)他都沒有講清楚，而且下面的人的提問其實(shí)也很煩躁，你往往不關(guān)心那些人的問題。這點(diǎn)在Coursera上就明顯得到了改善，你會(huì)發(fā)現(xiàn)Ng的教學(xué)水平大幅度改善了，他會(huì)對(duì)你循循善誘，推心置腹，由淺入深的教學(xué)，在碰到你不明白的單詞術(shù)語時(shí)也會(huì)叫你不要擔(dān)心，更重要的，推導(dǎo)與圖表不要太完善，非常細(xì)致清晰，這點(diǎn)真是強(qiáng)力推薦;字幕：cs229的字幕質(zhì)量比Coursera上的差了一截。Coursera上中文字幕翻譯經(jīng)過了多人把關(guān)，質(zhì)量很有保證;作業(yè)：cs229沒有作業(yè)，雖然你可以做一些，但不會(huì)有人看。這點(diǎn)遠(yuǎn)不如Coursera上每周有deadline的那種作業(yè)，而且每期作業(yè)提交上去都有打分。更重要的是，每期作業(yè)都有實(shí)際的例子，讓你手把手練習(xí)，而且能看到自己的成果，成就感滿滿!

3.實(shí)踐做項(xiàng)目

學(xué)習(xí)完了基礎(chǔ)課程，你對(duì)機(jī)器學(xué)習(xí)就有了初步了解?，F(xiàn)在使用它們是沒有問題的，你可以把機(jī)器學(xué)習(xí)算法當(dāng)作黑盒子，放進(jìn)去數(shù)據(jù)，就會(huì)有結(jié)果。在實(shí)戰(zhàn)中你更需要去關(guān)心如何獲取數(shù)據(jù)，以及怎么調(diào)參等。如果有時(shí)間，自己動(dòng)手做一個(gè)簡(jiǎn)單的實(shí)踐項(xiàng)目是最好的。

這里需要選擇一個(gè)應(yīng)用方向，是圖像(計(jì)算機(jī)視覺)，音頻(語音識(shí)別)，還是文本(自然語言處理)。這里推薦選擇圖像領(lǐng)域，這里面的開源項(xiàng)目較多，入門也較簡(jiǎn)單，可以使用OpenCV做開發(fā)，里面已經(jīng)實(shí)現(xiàn)好了神經(jīng)網(wǎng)絡(luò)，SVM等機(jī)器學(xué)習(xí)算法。項(xiàng)目做好后，可以開源到到 Github 上面，然后不斷完善它。實(shí)戰(zhàn)項(xiàng)目做完后，你可以繼續(xù)進(jìn)一步深入學(xué)習(xí)，這時(shí)候有兩個(gè)選擇，深度學(xué)習(xí)和繼續(xù)機(jī)器學(xué)習(xí);

4.深度學(xué)習(xí)

深度學(xué)習(xí)：深度學(xué)習(xí)是目前最火熱的研究方向。有以下特點(diǎn)：知識(shí)更新快，較為零碎，沒有系統(tǒng)講解的書。因此學(xué)習(xí)的資源也相對(duì)零散，下面是一些資源介紹。其中不推薦的部分并不代表不好，而是在這個(gè)初學(xué)階段不合適：

推薦，UFLDL：非常好的DL基礎(chǔ)教程，也是Andrew Ng寫的。有很詳盡的推導(dǎo)，有翻譯，且翻譯質(zhì)量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學(xué)習(xí)界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強(qiáng)烈推薦。如果只能讀一篇論文了解深度學(xué)習(xí)，我推薦此篇。這篇論文有同名的中文翻譯;推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達(dá)深刻的道理，雖然沒有翻譯，但是閱讀并不困難;推薦，Recurrent Neural Networks：結(jié)合一個(gè)實(shí)際案例告訴你RNN是什么，整篇教程學(xué)完以后，會(huì)讓你對(duì)RNN如何產(chǎn)生作用的有很清晰的認(rèn)識(shí)，而這個(gè)效果，甚至是讀幾篇相關(guān)論文所沒有的;不推薦，Neural Networks for Machine Learning University of Toronto Coursera：深度學(xué)習(xí)創(chuàng)始人教的課，最大的問題是太難，而且老先生的吐字有時(shí)不是很標(biāo)準(zhǔn);不推薦，Deep Learning (book)：同樣也是由深度學(xué)習(xí)大牛所寫的書，但感覺就像是第二作者，也就是他的學(xué)生所寫的。很多內(nèi)容都講了，但是感覺也沒講出什么內(nèi)容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個(gè)最大的問題，就是沒有字幕，雖然有youtube的自動(dòng)翻譯字幕，但有還不如沒有。

5.繼續(xù)機(jī)器學(xué)習(xí)

深度學(xué)習(xí)未必就是未來的一定主流，至少一些大牛是這么認(rèn)為的。傳統(tǒng)的機(jī)器學(xué)習(xí)有如下特點(diǎn)，知識(shí)系統(tǒng)化，有相對(duì)經(jīng)典的書。其中統(tǒng)計(jì)學(xué)習(xí)(代表SVM)與集成學(xué)習(xí)(代表adaboost)是在實(shí)踐中使用非常多的技術(shù)。下面是相關(guān)資源：

推薦，機(jī)器學(xué)習(xí)(周志華)：如果是在以前，機(jī)器學(xué)習(xí)方面的經(jīng)典教材首推PRML，但現(xiàn)在周老師的書出來以后，就不再是這樣了。首先推薦讀周老師的書。這本書有一個(gè)特點(diǎn)，那就是再難的道理也能用淺顯精煉的語言表達(dá)出來。正如周老師的名言：“體現(xiàn)你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個(gè)東西講難實(shí)在太簡(jiǎn)單”;

不推薦，Pattern Recognition And Machine Learning：當(dāng)前階段不推薦。PRML是以貝葉斯的觀點(diǎn)看待很多機(jī)器學(xué)習(xí)方法，這也是它的一大特色。但對(duì)于初學(xué)者來說，這種觀點(diǎn)其實(shí)并無必要。而且此書沒有中文翻譯，當(dāng)前階段硬啃很容易放棄;

6.開源項(xiàng)目

當(dāng)知識(shí)儲(chǔ)備較為充足時(shí)，學(xué)習(xí)可以再次轉(zhuǎn)入實(shí)踐階段。這時(shí)候的實(shí)踐仍然可以分兩步走，學(xué)習(xí)經(jīng)典的開源項(xiàng)目或者發(fā)表高質(zhì)量的論文。開源項(xiàng)目的學(xué)習(xí)應(yīng)該以盡量以優(yōu)化為目的，單純?yōu)樽x代碼而學(xué)習(xí)效果往往不太好。好的開源項(xiàng)目都可以在Github 里搜索。這里以深度學(xué)習(xí)為例。深度學(xué)習(xí)的開源優(yōu)秀庫有很多，例如torch，theano等等，這里列舉其中的兩個(gè)：

推薦，DeepLearnToolbox：較早的一個(gè)深度學(xué)習(xí)庫，用matlab語言撰寫，較為適合從剛學(xué)習(xí)的課程轉(zhuǎn)入學(xué)習(xí)。遺憾的是作者不再維護(hù)它了;

推薦，tensorflow：Google的開源庫，時(shí)至今日，已經(jīng)有40000多個(gè)star，非常驚人，支持移動(dòng)設(shè)備;

7.會(huì)議論文

較好的課程都會(huì)推薦你一些論文。一些著名的技術(shù)與方法往往誕生于一些重要的會(huì)議。因此，看往年的會(huì)議論文是深入學(xué)習(xí)的方法。在這時(shí)，一些論文中的內(nèi)容會(huì)驅(qū)使你學(xué)習(xí)數(shù)學(xué)中你不擅長的部分。有時(shí)候你會(huì)覺得數(shù)學(xué)知識(shí)儲(chǔ)備不夠，因此往往需要學(xué)習(xí)一些輔助課程。

當(dāng)你看完足夠的論文以后，在這個(gè)階段，如果是在校學(xué)生，可以選擇某個(gè)課題，以發(fā)論文為目的來學(xué)習(xí)研究。一般來說，論文是工作的產(chǎn)物。有時(shí)候一篇基于實(shí)驗(yàn)的論文往往需要你寫代碼或者基于開源項(xiàng)目。因此開源項(xiàng)目的學(xué)習(xí)與會(huì)議論文的工作兩者之間是有相關(guān)的。

兩者可以同時(shí)進(jìn)行學(xué)習(xí)。關(guān)于在哪里看論文，可以看一下CCF推薦排名，了解一下這個(gè)領(lǐng)域里有哪些優(yōu)秀的會(huì)議。

下面介紹兩個(gè)圖像與機(jī)器學(xué)習(xí)領(lǐng)域的著名頂級(jí)會(huì)議：

CVPR：與另兩個(gè)會(huì)議ICCV和ECCV合稱計(jì)算機(jī)視覺領(lǐng)域的三大會(huì)，注意會(huì)議每年的主頁是變動(dòng)的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：簡(jiǎn)稱NIPS，許多重要的工作發(fā)表在這上面，例如關(guān)于CNN的一篇重要論文就是發(fā)表在上面;

8.自由學(xué)習(xí)

到這里了，可以說是進(jìn)入這個(gè)門了。下面可以依據(jù)興趣來自由學(xué)習(xí)。前階段不推薦的學(xué)習(xí)資源也可隨意學(xué)習(xí)，下面是點(diǎn)評(píng)：

cs229：Ng寫的講義很不錯(cuò)，其中關(guān)于SVM的推導(dǎo)部分很清晰，想學(xué)習(xí)SVM推薦;Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對(duì)神經(jīng)網(wǎng)絡(luò)是怎么看的，往往會(huì)讓你有種原來如此的感悟。其實(shí)看這門課程也等同于讀論文，因?yàn)閹缀趺抗?jié)課的參考資料里都有論文要你讀;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識(shí)，還有詳細(xì)的作業(yè)。國內(nèi)應(yīng)該有團(tuán)隊(duì)對(duì)字幕進(jìn)行了翻譯，可以找找;PRML：作為一門經(jīng)典的機(jī)器學(xué)習(xí)書籍，是很有閱讀必要的，會(huì)讓你對(duì)機(jī)器學(xué)習(xí)擁有一個(gè)其他的觀察視角;

五.總結(jié)

本文的目的是幫助對(duì)AI領(lǐng)域了解不深，但又想進(jìn)入的同學(xué)踏入這個(gè)門。這里只說踏入，是因?yàn)檫@個(gè)領(lǐng)域的專精實(shí)在非常困難，需要數(shù)年的積累與努力。在進(jìn)行領(lǐng)域?qū)W習(xí)前，充分認(rèn)識(shí)自己的特點(diǎn)，制定合適的學(xué)習(xí)方法是十分重要的。

首先得對(duì)這個(gè)領(lǐng)域進(jìn)行充分了解，培養(yǎng)興趣。在學(xué)習(xí)時(shí)，保持著循序漸進(jìn)的學(xué)習(xí)方針，不要猛進(jìn)的學(xué)習(xí)過難資源;結(jié)合著學(xué)習(xí)與實(shí)踐相輔的策略，不要只讀只看，實(shí)際動(dòng)手才有成就感。學(xué)習(xí)某個(gè)資源時(shí)要有充分的目的，不是為了學(xué)開源項(xiàng)目而看代碼，而是為了寫開源項(xiàng)目而看;不是為了發(fā)論文而寫論文，而是為了做事情而寫論文。

本文來自公眾號(hào)：“大技術(shù)技術(shù)匯”，guanzhu了解大數(shù)據(jù)行業(yè)學(xué)習(xí)大數(shù)據(jù)技術(shù)和學(xué)習(xí)路線，還有免費(fèi)學(xué)習(xí)資料放送。

如果一個(gè)學(xué)習(xí)資源對(duì)你過難，并不代表一定是你的問題，可能是學(xué)習(xí)資源的演講或撰寫人的問題。能把難的問題講簡(jiǎn)單的人才是真正有水平的人。所以，一定要學(xué)習(xí)優(yōu)質(zhì)資源，而不是不分青紅皂白的學(xué)習(xí)。最后，牢記以興趣來學(xué)習(xí)。學(xué)習(xí)的時(shí)間很長，過程也很艱難，而只有興趣才是讓你持之以恒，攻克難關(guān)的最佳助力。

tpami 和cvpr哪個(gè)更好

我來個(gè)像樣的回答吧。

T-PAMI是機(jī)器學(xué)習(xí)領(lǐng)域的頂刊，目前來講，我是將其拜為第一把交椅的。鄙人不才，中過幾篇，也有幸應(yīng)邀審稿。

CVPR ICCV，ECCV是模式識(shí)別領(lǐng)域的頂會(huì)，CVPR鄙人認(rèn)為他是第一，如上幾人所述，這幾年隨著機(jī)器學(xué)習(xí)，人工智能的大火，有水的成分了，兩年一度，文章越來也多了。

這兩者沒有可比性，為什么說沒有可比性能呢。先說2017年以前吧，我們實(shí)驗(yàn)室想中一個(gè)T-PAMI，首先要中三大頂會(huì)之一，然后，我們?cè)跁?huì)議論文的基礎(chǔ)上對(duì)研究結(jié)果進(jìn)行深挖擴(kuò)展，基本中T-PAMI就很簡(jiǎn)單了。2017年之后，實(shí)驗(yàn)室陸續(xù)出現(xiàn)硬上T-PAMI的現(xiàn)象了。頂會(huì)中的也就多了。

最后呢，關(guān)于大家說論文變水了。其實(shí)不然，鄙人不才，說一句話：機(jī)器學(xué)習(xí)逐漸變成一門實(shí)驗(yàn)科學(xué)了，跟生物醫(yī)學(xué)，生化環(huán)材一樣，注重實(shí)驗(yàn)。所以呢，實(shí)驗(yàn)室的年輕本科生自己搭建一個(gè)新穎的，了不起的模型，識(shí)別率突破、實(shí)現(xiàn)的功能創(chuàng)新等，也可以中頂會(huì)，我認(rèn)為這是合理的，畢竟純搞理論也是不對(duì)的。

有說錯(cuò)的地方，業(yè)內(nèi)大牛可以指正。

在CVPR/ICCV/ECCV workshop發(fā)表論文是什么水平?

還可以。

CVPR的workshop審稿還是很嚴(yán)格的。雖然reviewers和主會(huì)不是一套班子，但也都是來自Google/Facebook的頂級(jí)學(xué)者。難度上，CVPR workshop=B類主會(huì)>C類主會(huì)。

CVPR錄用標(biāo)準(zhǔn)

CVPR有著較為嚴(yán)苛的錄用標(biāo)準(zhǔn)，會(huì)議整體的錄取率通常不超過30%，而口頭報(bào)告的論文比例更是不高于5%。而會(huì)議的組織方是一個(gè)循環(huán)的志愿群體，通常在某次會(huì)議召開的三年之前通過遴選產(chǎn)生。CVPR的審稿一般是雙盲的，也就是說會(huì)議的審稿與投稿方均不知道對(duì)方的信息。

通常某一篇論文需要由三位審稿者進(jìn)行審讀。最后再由會(huì)議的領(lǐng)域主席(area chair)決定論文是否可被接收。

eccv作為研究基礎(chǔ)行不行

eccv作為研究基礎(chǔ)行
ECCV(歐洲計(jì)算機(jī)視覺大會(huì))雖然競(jìng)爭(zhēng)加劇，接收率不斷降低，百度AI的ECCV 2020之行依然取得驕人戰(zhàn)績(jī)，共入選10篇論文，其中1篇Oral和1篇Spotlight論文，涵蓋了自動(dòng)駕駛識(shí)別&定位、聲源定位&場(chǎng)景識(shí)別、目標(biāo)跟蹤、多模態(tài)&度量學(xué)習(xí)等眾多領(lǐng)域，彰顯了AI領(lǐng)軍者的風(fēng)范和深厚的技術(shù)底蘊(yùn)以及持續(xù)創(chuàng)新能力。
未來，百度將繼續(xù)深耕人工智能領(lǐng)域，加速技術(shù)迭代，推動(dòng)語音、人臉、NLP、OCR等人工智能技術(shù)邁向新的高度，真正做到理論與應(yīng)用并舉，助力全球人工智能行業(yè)不斷發(fā)展的同時(shí)，向國際展示中國AI的實(shí)力。