看论文的方法论

2024-06-12 06:08
文章标签 论文 方法论

本文主要是介绍看论文的方法论,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

读论文需要区分精读和略读。对于重要的、经典的论文,需要精读,其他的可以快速地略读简单了解一下就好了。

关注要关注一下几个重点:

  1. 论文背景是什么?解决的是什么难题?(what)
  2. 用什么方法解决?(how)
  3. 为什么可以解决?(why)

一般读的顺序,个人建议,先读摘要abstract,然后接着看介绍introduce和最后的结论conclusion,再结合expiriment的结果和图表丰富性,明白大概的what和how就好了。这一步也能再次筛选出论文值不值得精度下去。我个人是喜欢先看结论,再看过程,毕竟工作目标first。如果值得深入读下去,就好好看看实验设计得合不合理,对比的算法或者标准是不是够多和前沿。很多水论文会拿一些已经过时的算法做比较,或者在一些小的数据集上测试,或者做对照试验变量控制没做好。如果这些要求没达到,理论再好也不要轻易相信。过了结论关,就可以去看看里面的重要思想了。Relative work是一个可以快速拓展领域知识面的好专题,对整个背景有一个大致的了解,也可以从中索引文献挖出很多历史好文。在读的过程中,最好边读边画重点,因为是英文论文,对英文的敏感度远不及中文,很多看过后再看,还是会花很多时间。重点就是上面提到的几个问题。最后再写一下总结。

举个栗子,最近在研究人脸识别中的大角度识别问题,通过搜索看到了一篇知名度挺高的论文《Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis》,简称TP-GAN。在摘要我画出了以下重点:

1)从一张侧脸合成正脸用于人脸识别的专题。(what)

2)TP-GAN网络,这个网络通过同时提取全局结构和局部信息来把单张大角度侧脸图片生成正脸图片。(how)

3)核心是对抗生成网络,结合了像素损失,对抗损失,对称损失,身份信息保留损失,使用全局和局部双通道编码解码的生成方式,使生成的照片不仅真实,还利于直接提高人脸识别的准确率。

4)各种损失函数的公式和意义。

5)实验的比对作用。对比损失函数的增减对准确率的影响;对比实验模型和不同的人脸识别模型的性能。

花点时间做下笔记和总结,否则读完之后过一段时间便忘得一干二净。这是需要毅力的。为什么很多人都做不到呢?包括我自己经常也是。读完之后会有一种如释重负的感觉,感觉完成了一件心头大事,就开开心心去做的了,这是一个原因。还有一个很大的原因就是因为懒。记笔记和写总结多麻烦呀~。看似会做很多工作,但其实从长远的角度来说,不做笔记下次再看会做更多的工作。也有人会说,看完我也不一定会再看了,也不一定用得上,何必再麻烦呢?其实即使用不上,这也是一种积累,是生命留下的痕迹,努力过的痕迹,更关键的是,它还是一种习惯。习惯养成了,受益终生。

 

 

 


这篇关于看论文的方法论的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1053398

相关文章

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型,提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练,提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的?使用了哪些 NLP 已有的技术和思想?哪些是 BERT 的创新? 1标题 + 作者 BERT: Pre-trainin

[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

引言 今天带来第一篇量化论文LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale笔记。 为了简单,下文中以翻译的口吻记录,比如替换"作者"为"我们"。 大语言模型已被广泛采用,但推理时需要大量的GPU内存。我们开发了一种Int8矩阵乘法的过程,用于Transformer中的前馈和注意力投影层,这可以将推理所需

2024 年高教社杯全国大学生数学建模竞赛 C 题 农作物的种植策略 参考论文 无水印

持续更新中,2024年数学建模比赛思路代码论文都会发布到专栏内,只需订阅一次!  完整论文+代码+数据结果链接在文末!  订阅后可查看参考论文文件 第一问 1.1 问题重述 这个问题围绕的是华北山区的某乡村,在有限的耕地条件下,如何制定最优的农作物种植策略。乡村有 34 块露天耕地和 20 个大棚,种植条件包括粮食作物、蔬菜、水稻和食用菌。除了要考虑地块的面积、种植季节等,还要确保

论文精读-Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes

论文精读-Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes 优势 1、构建了一个用于监督原始视频去噪的基准数据集。为了多次捕捉瞬间,我们手动为对象s创建运动。在高ISO模式下捕获每一时刻的噪声帧,并通过对多个噪声帧进行平均得到相应的干净帧。 2、有效的原始视频去噪网络(RViDeNet),通过探

2024年全国大学生数学建模A题借鉴论文

问题  1: 舞龙队的动态位置与速度计算 1. **螺旋线的几何建模**:根据题目描述,舞龙队沿着等距螺旋线前进。螺旋线的螺距为 55 cm, 需根据极坐标公式确定每节板凳的位置。 -  极坐标螺旋线方程:\( r = a + b\theta \), 其中  \( b \)  是螺距, 可以利用该方程计算 每秒舞龙队的各个节数的坐标。 2. **速度计算**:给定龙头的行进速度为 1 m/s ,