关于阅读论文的一些感想
最近看了一些论文，也和同学在交谈中学习到了一些关于阅读时应该有的态度，这里记录一下。
关于实验部分，受到 语雀用户[@xiaoqi skr~skr(xiaoqizhao)] 的指导，在阅读论文时应该关注这样几个点：
- 不要被作者的描述带偏，阅读的时候要留心，作者文字给你的图和给你的表述都是他想让你认为是这样的，你更多需要自己的判断，结合自己的经验。
- 甚至你可以对论文提出的观点进行尝试，有用的东西终究会是有用的。但是要注意，提出的方法可能会有局限，多尝试才会有更全面的了解。例如BASNet中使用的SSIM损失，对于MAE的降低确实有帮助，但是似乎也对maxF有一定的负面影响。
- 文章提出的各个模块是否进行了分别的实验，是否进行了充分的“组合”实验，一般提出n个模块，就得有对应的个关于模块的实验，也就是消融实验至少要做个，包含基线模型。如果有缺失，那要么是作者忘了:)，要么是作者刻意忽略了:(，这都会是论文实验的不足。
- 模块提升的性能在0.003（对于显著性检测差不多是这样的）以内，基本可以认为没有提升。因为深度学习的训练本身波动性比较大，结果会带有一定的随机性，但是大的范围还是基本可以固定的。
- 关于模块的效果以及最终模型的效果，更合适的比较是在不同的主流backbone上进行消融测试（例如VGG、ResNet、ResNeXt等，主要是考虑以前论文使用过的模型），因为不同backbone特征提取能力有些差异，不同模块接上去后带来的效果也会有所不同，应该进行充分的测试。
- 关于后处理方法的使用，也应该进行充分的测试，类似与CRF这样的方法，并不一定会完全带来效果的提升，有时候反而会降低。而且最好的也应该进行不同backbone模型上的测试。
个人的一些想法：
- 一等的论文——创意，论文的观点和方法都是开创性的，甚至是开创一个领域的，也就是挖坑或者铺路级别的工作。：
- 绝佳的创意，详实的分析。
- 绝佳的创意，分析一般。
- 二等的论文——新意，这样的文章更多是在改进和推动领域的发展，可能是借鉴其他领域的方法思路解决当前领域的问题，可能是自己基于现有的方法进一步的组合或者改进等等：
- 还算不错的新意，详实的分析。
- 还算不错的新意，分析一般。
- 三等的论文——一般，观点是旧的，效果可能有好坏，这样的文章更多的看作者做实验写论文的态度与技巧了：
- 观点一般，实验详实丰富。
- 观点一般，分析也一般，也就是水文无疑了。
