深度学习发论文不会找创新点？谷歌大佬总结：8个快速“水”论文必备绝招

深度学习发论文不会找创新点？谷歌大佬总结：8个快速“水”论文必备绝招

那你一定不要错过谷歌大佬（@知乎甜菜欣欣）总结的这8个绝招，论文闭眼发！

具体看，大佬把思路分为传统深度学习和大模型时代两个阶段！

传统时代方法主要有：

• 微改网络结构 + 旧数据集 = 我发明了新的网络结构

• 旧网络结构 + 新数据集 = 我开源了新的数据造福人类

• 跑了一堆微改的网络结构，找到那个0.3%领先的 = 我大大改进了现有网络结构

• 旧网络结构 + 旧数据集 + 新的应用领域 = 我开辟了深度学习在X领域的应用

• 旧网络结构 + 旧数据集 + 新的评估方法 = 我认为这样评估模型更合理

• 微改网络结构（视觉transformer） + 旧数据集 + 新的应用领域

参考文章：Fast and Interpretable Face Identification for Out-Of-Distribution Data Using Vision Transformers

但巧妇难为无米之炊，为了让伙伴们更好的发论文，我还给大家准备了69个即插即用模块及代码，你可以无缝集成到自己的论文中，快速涨点！常用的注意力机制魔改、卷积变体、特征融合魔改等都有。此外，我还给大家准备了121篇CVPR24、ECCV24代码可复现的论文，帮助大家找到灵感启发！

扫描下方二维码，回复「找创新点」

免费获取全部论文合集及项目代码
 

言归正传，进入大模型时代，发论文有了新姿势。

大模型时代的方法：

• 旧的网络结构 + 旧数据集 + 加大算力 = 大力出奇迹

• 旧的应用领域 + 新出的大模型 = 站在巨人的肩膀上

参考文章：Segment Anything Model for Road Network Graph Extraction

方法：论文提出了一个名为SAM-Road的模型，它是对SAM的改进，用于从卫星图像中提取大规模的矢量化道路网络图。SAM-Road模型无需昂贵和复杂的后处理启发式规则，能够直接预测大面积区域的图顶点和边缘，构建跨越数平方公里的完整道路网络图，速度快且精度可与现有最先进方法相媲美。