2020年的今天，我们的专业是deep learning，但是我们要keep learning，每天早上一睁眼，arxiv每天更新上百篇的论文，著名微博博主@爱可可-爱生活保持也在推送最新的deep learning资讯和论文。

我们不缺少计算机视觉论文，我们缺少的是鉴别哪些应该读。无论是泛读还是精度，海量论文总是让我们迷失双眼，Github搜索awesome有成百上千个repo，但是缺少比较和注解。我们应该去哪里找值得读的论文，我们打开pdf论文的姿势正确吗？

论文应该怎么读

海量论文看不够，自己萌发了分门别类写阅读笔记的习惯。好记性不如烂笔头，更何况计算机视觉方向众多，对自己不熟悉的领域，每次都从头阅读，感觉很费劲。当我分门别类阅读计算机视觉的科研论文，查询和检索如此简单。比如对于目标检测领域，有综述，人脸检测，目标检测，样本不平衡问题，one-stage 检测，每片论文都有阅读等级，解决的主要问题，创新点，可能存在的问题，TODO等，随时随地和查询过去的知识点。复习某一领域的知识，只要一根绳子就串起来。

个人阅读计算机视觉论文，会横向和纵向发散，考虑更多的问题：

要点一

每篇论文都不会说自己的缺点，只会放大优点。但是引用别人的论文时，却总放大别人工作的缺点。当你对比阅读时，形成一个知识串，才会对某个问题有更清晰的认识。

要点二

论文为了出成果，一般只会选择对自己模型有力的数据集验证。对某一领域数据集特征了解，再也不会被作者蒙蔽双眼了。比如NAS(Neural Architecture Search)，很多论文喜欢在CIFAR-10/ CIFAR-100/SVHN等小数据集比实验结果，ImageNet性能表现避重就轻避而不谈；很多论文写state-of-art的性能，对实时性不谈；论文没有说的没有做的可能是个大坑。

要点三

论文因为要投稿和发表顶会，故意会云里雾里引入很多概念和公式，当对比代码，关键trick，才能返璞归真。Code+paper，才是论文最佳的阅读方式。

要点四

对于自己关注的领域，可能每篇有影响的，实验结果不是state-of-art也要关注，因为工作可能会撞车。对横向领域的论文，要关注state-of-art,说不定很多trick可以直接迁移到自己的工作。

要点五

重点关注数著名实验室/老师/三大顶会（CVPR,ICCV,ECCV）的连续剧。2020年的CVPR投稿量都破万，各种水文鱼目混杂，实在是难以鉴别，个人倾向于paper+code模式。敢于开源code的论文，真金不怕火炼，作者有底气。没有code的论文，也许是商业或者其他授权暂时没有发布，但是发布了一两年还在遮遮掩掩，这些论文不看也罢。

要点六

最重要一点拒绝二手知识。阅读一篇论文,google搜索题目可能有1000+篇的阅读笔记，阅读笔记的数量比论文的引用量都多；包括我在内的很多博客/笔记也喜欢摘抄，google翻译+复制粘贴造就阅读笔记的虚假繁荣。有些问答还是具有参考意义，比如知乎中常见的“如何评价Google Brain团队最新检测论文SpineNet？”，在这些如何评价的思想碰撞中，还是有些很好的火花。个人感觉不管是做科研学术工业界做项目，要摒弃完全重二手知识中学习，直接从原文阅读思考、和作者邮箱联系寻找答案。

安利一个论文阅读查找

安利一个机器学习（包含计算机视觉的）网站（已经被Facebook收购），将ArXiv上的最新机器学习论文与GitHub上的代码（TensorFlow/PyTorch/MXNet /等）对应起来。据网站开发者介绍，里面包含了 966 个机器学习任务、515 个评估排行榜（以及当前最优结果）、8625 篇论文（带源码）、704 个数据集。

paperwithcode网站广泛涉及了各类机器学习任务，包括计算机视觉、自然语言处理、医疗、方法（Methodology）、语音、游戏、图、时序、音频、机器人、音乐、推理、计算机代码、知识库、对抗等方面的内容。

感受一下网站风格，再也不怕找不到最好看的论文，加上ahong007007的awesomeCV，三个月一个疗程，计算机视觉从入门到入坑，三个疗程，可以治愈计算机视觉脸盲的问题。网站地址：https://paperswithcode.com

awesomeCV什么时候能被Facebook和paperwithcode网站收购那，让我们拭目以待。

阅读论文书籍，探讨读书意义

写到这里有跑题之嫌，但是我觉得阅读计算机视觉的专业文献，和读书有些共同之处。

我每天阅读一篇专业论文，也在坐地铁时间打卡微信阅读。在豆瓣写了5年的书评，在微信阅读打卡280小时。

理工科读paper读专业书籍，都有一把尺子——各种实验数据集，能衡量理解的对不对，每天都有可能推翻之前的state-of-art，经典书籍可能10年100年不过时；论文会用实验数据表明我的工作好不好，有Related Work横向和纵向比较谁更好，书没有答案，没有学科综述，全靠你去总结。一般经典书籍不会说别人对不对，但是每个观点都能自圆其说。

但是对于人文学科的思想和精神财富，没有评价标准和答案，只有根据个人的阅历，读懂引起心灵共振的段落。当阅读时候，一定要有自己的思考，延伸，才会让血肉之躯留下更多的精华。当我再拿起书，我会知道我应该辩证去看，这篇文章的有没有abstract在哪里，introduction该怎么说，有没有Related work可比较一下，backbone是干嘛的，method做了没，Experiments该怎么做，看完书应该得出什么conclusion。

读一篇论文，会第一时间看看Experiments做的好不好；读书，也要第一时间翻到最后，作者写的虎头蛇尾，说明作者才华不足以完整整个工作，就不要花费过多的精力了。

用理工科的思维去读书，也挺有意思：理解背后的动机，原理，当过了N年，即使不记得那本书，还记得那个思想理论和背后的故事。也许会推导出以前读过的结论、也许是推翻以前的结论。

为了帮助大家更好的阅读论文，我们整理了一份硬核干货：计算机视觉顶会资源大合集，内容包含：

CVPR资源合集：400篇CVPR2020论文合集+解读/CVPR2019论文合集+解读+代码+大会Oral视频+分享会/CVPR2018/CVPR2017/CVPR2016
ICCV/ECCV资源合集：ICCV2019论文合集+解读+全部开源代码/ECCV2018 论文合集+解读/ICCV2017论文合集+解读
ICLR/NeurIPS/AAAI/Valse资源合集
……

扫描下方二维码，回复极市平台即可获得上述资源