如何高效阅读人工智能研究论文

导读: 在刚迈入科研时，人人都说读论文很重要，但是很少有人能完整地教你应该如何读论文。论文不仅揭示了行业的最新进展和趋势，而且为我们提供了改进技术和解决复杂问题的思路。然而，由于学术论文常常包含密集的技术细节和专业术语，新手可能会觉得门槛较高。

本教程内容：

0. 方法

我将把阅读人工智能研究论文的过程分为两部分：广泛阅读和深度阅读。没有固定的先后顺序，这里有一个建议的顺序：

1. 针对完全没有接触过深度学习或机器学习的小白，建议先挑一个简单的任务进行深度阅读(代码加论文）

2. 针对有一定基础的同学来说，开始调研新的领域时，建议从广泛阅读着手，然后再精挑一两篇进行深度阅读。

广泛阅读意味着浏览文献，并阅读各个论文的小部分内容。广泛阅读的目标是构建和改进我们对研究主题的整体认知。一旦在广泛阅读中确定了你想要深入理解的关键技术点，就可以开始进行深入阅读：我一般是指完全理解代码细节以及论文每一个公式。广泛阅读和深入阅读都是必需的，且可能互相迭代，尤其是在你刚开始的时候。

我将以我自己研究的方向-语义分割(semantic segmentation)为例，作为我们想要探讨的假设主题，非常具体地向你介绍如何进行广泛阅读和深度阅读。

1. 深度阅读

让我们从简单的搜索引擎(谷歌/必应/百度)或者大模型搜索“语义分割 (semantic segmentation)”开始。建议一开始可以从中文看起，毕竟比较好理解，基本概念都掌握之后，要多用英文搜索，现在有翻译，也比较方便。

我们可以先了解有关语义分割的定义。在脑海里建立了一个初步的印象，就是对图像像素进行分类。但是在代码层面如何实现你肯定还是一头雾水，接下来就是需要具体跑代码。接下来介绍两个寻找代码非常有用的链接：

1.1Papers With Code

Papers with Code 是一个社区项目，其使命是创建包含机器学习论文、代码、数据集、方法和评估表的免费开放资源。我自己以及身边人都经常使用它。

我们需要开始做笔记，所以让我们打开一个文档（可以用自己经常用的，我推荐用在线的一些文档管理比如飞书，或者记录在本地，也可以用typora软件）。

让我们看到下面带有代码的论文的 Benchmarks (基准测试)部分。下面列举了在不同数据集下，最先进的模型，以及论文和代码。

点击ADE20K，会跳转到下面这个链接，说明在2023年出现了一种最先进的方法（你可能听说过 SOTA）。方法称之为ViT-Adapter-L。排行榜非常有用：它向我们展示了包括和类