译者： 哈工大SCIR 袁建华
李飞飞：现任美国斯坦福大学人工智能实验室和视觉实验室主任，主要研究方向为机器学习、计算机视觉、认知计算神经学 。
请记住：
每年有超过1000+的计算机视觉论文被发表，
只有5-10篇值得阅读并被记住
由于你们中的很多人正在写自己的论文，我觉得我要和你分享一下这些想法。我可能在我们的组会、个人会面中多次谈论过这些内容。但这些天，当我继续我的AC评审时（70份论文，200+评审—在我和我的AC搭档之间），接下来的几点不断被提及。没有足够多的人从事第一流的研究，也没有足够多的人写作优质的论文。
每一项研究项目的开展、每一份论文的创作都应该有一个超凡的目标：真正地推动计算机视觉领域的发展。所以，当你构思和开展你的工作时，你需要以最苛刻的方式不断地问自己这个问题——『在将来，我的工作会定义或者重塑***（问题、领域、技术）吗？』这意味着，发表论文并不是关于『之前，这还没被发表过或者没写过，让我来做吧』，也不是关于『让我找一个鲜有人问津的小问题，使我能得到一张简单的海报』。它是关于『如果我做了这个，我可以为这个重要的问题提供一个更佳的解决方法』，或者『如果我做了这个，我能够为这个领域增添一份真正新颖并且重要的知识』你应该总是以你的研究能被更多的人直接使用来开展。你在开展研究时，总要怀着它能被很多人（或者工业界）直接使用的目标。换言之，你的研究主题应该有很多的'消费者'，你的解决方案会是他们想要用的那个。
一个好的研究课题，不是关系过去（即获得一个比之前N篇论文都好的性能），而是关系未来（即激发未来N篇论文追随、引用你，N->inf ）。
一篇在Caltech101上性能取得95%的CVPR‘09投稿，今年获得了444（3个轻微反对），将会被拒掉。这是迄今我看到的在Caltech101上最好的表现。那么为什么这篇论文被拒了呢？因为它没有教给我们任何东西，没有人会用它干点别的。它使用了一个已知的技术（至少对很多人来说）加上针对该数据集的过分调节的参数，而且这个数据集已经不再是现实世界图像数据的一个好的反映。它使用了不含对象层面理解的BoW表示。所有的评审员（从不同的角度）问了相同的问题“我们可以从你的方法中学到什么？”我能想到的唯一合理的解释就是，Caltech101不再是一个好的数据集。
爱因斯坦过去常说：每件事都该变得尽可能简单，而不是简化。对解决一个问题，你的方法/算法应该是你能想到的最简单、有条理且有原则的。计算机视觉研究，与工程和科学研究中的很多其他领域一样，是关于问题而非公式的。没有人会欣赏一个使用了花里胡哨的推理技术但在本质上和一个简单SVM取得相同效果的图像模型——除非它能提供其他更简单模型无法给出的对你的数据的深入理解。一个需要你手动调节很多参数的方法不会被认为是有原则或者有条理的。
这可能听上去平淡无奇，但它是对的。你是世界上最好的大学之一里的博士生。这意味着你代表了当今人类最高程度的智慧。这意味着你不是一个技术员，不是一个程序猿。当你写论文时，你会去交流，这就是论文的价值所在。这应该是你处理写作的方式。不仅在完成论文的那天或那周，还是在接下来的很多年里，你都需要为它感到骄傲。
为自己设立一个远大的目标——事实上，只要你用心去做，你就能完成它。当你思考你的论文时，问问你自己如下的问题：我的论文会成为2009年计算机视觉领域人们记住的10篇论文之一吗？如果不会，为什么不会呢？真相是，每年只有10+/-ε的论文会被记住。绝大部分论文只是无意义的出版游戏。你简历上一长串平庸的论文清单至多能给你带来一份谷歌软件工程师的工作（如果有的话——2009.03更新：不，谷歌不再为此工作雇佣PhD）。几篇影响深远的论文就可以使你在顶级大学里获得教职。这是大部分毕业生不知道、或者没有机会去了解的事实。
评审过程是高度随机的。但一个能经受时间和随机性考验的黄金准则是——写得糟糕的论文只会得到差劲的评审。就是这样，点子、结果、引用的好坏关系不大，一点也不。写作至关重要——并且这很讽刺，因为工程师们是一所大学里所有学科中写作训练最糟糕的作者。你需要训练自己：留出时间来写作，深入思考写作，不断地重复写作直到它和你所想的一样精炼。
最后但同样重要的是，请记住这条规则：重要的问题（启发性的想法）+严谨、新奇的理论+令人信服、分析透彻的实验+优秀的写作=创新的研究+杰出的论文。如果你的论文中任何一部分薄弱了，那么评议得分会受损。
“哈工大SCIR”公众号
编辑部：郭江，李家琦，徐俊，李忠阳，俞霖霖
本期编辑：李忠阳
长按下图并点击 “识别图中二维码”，即可关注哈尔滨工业大学社会计算与信息检索研究中心微信公共号：”哈工大SCIR” 。点击左下角“阅读原文”，即可查看原文。