如今搞计算机视觉还有不卷的方向吗？

最近火出天际的ChatGPT让大家看到了人工智能的无限可能，堪称眼下AI圈新晋“顶流”。尤其是随着深度学习的突破性进展，AI在很多大数据集和具体任务上面的表现已经超过了人类。

可以预见的是，未来AI相关的各个方向，将会越来越卷，CV里像目标检测，语义分割等等主赛道任务，都已经被研究透了。发顶会论文的孩子现在都是卷主赛道的分支，比如增量学习。

AI落地的一个很普遍的模式就是“预训练+微调”。例如CV中的迁移学习，也就是下载在其它大型图像数据集上训练好的模型，然后在自己的数据集上面进行微调是一样的。

无论是CV还是NLP，大模型追求的都是在数据集上面的分数，在一个特定的场景中，分数就会越刷越高。这里面会出现的一个问题就是，如果没有那么多的算力资源，我们很难刷出来更强大的模型。

所以，增量学习就显得如此不同并且让人惊喜，在增量学习的Setup中，关注点并不是在于模型有多厉害，而在于当任务改变的时候，比如说数据分布发生了变化，这时候模型有没有足够的能力去适应新的任务，同时还能够保有原来的知识。

2月22日，我们邀请中科院博士Shawn老师，带大家精读增量学习前沿论文，分析未来研究趋势，带大家寻找科研创新点及idea。Shawn老师在相关研究领域以一作发表论文近10篇，累计发表论文20余篇，在计算机视觉、语义分割等领域有非常丰富的经验，同时是多个计算机顶会顶刊审稿人。

扫码预约直播

领取CV 600+篇paper合集

增量学习(Incremental Learning)，也称为持续学习(Continual Learning)或终身学习(Life-Long Learning)，是机器学习的方法之一，当前增量学习主要解决的是被称为“灾难性遗忘(Catastrophic Forgetting, CF)”的问题。传统的单任务机器学习一般基于一个假设——所有批次数据都是独立同分布(identically distributed, i.i.d.)的，因而我们在每一个批次优化参数，可以期望得到一个对总体数据最优的模型。然而这个假设在增量学习中不再适用，增量学习的数据流(data stream)的分布并不是固定的(nonstationary)。

扫码预约前沿论文带读

领取最新CV顶会论文、书籍

研究各大厂招聘要求就会发现，有没有顶会论文已经成为一项重要的考核指标，而想要从科研小白变身顶会大神，我觉得有两点至关重要：

1、紧跟风口，把握住最近的热门研究风向。

尤其是对于科研还没什么思路的小白，顺着领域内的研究趋势确定自己的方向，是一个正确的选择，毕竟热门研究方向意味着，创新点和idea远比其他非热门领域多。比如刚刚推荐的画质增强。

2、有一位有经验有能力的前辈指导。选对一个好的老师，掌握正确的科研思路和写作方法！

都说SCI论文只有0篇和无数篇的区别，这句话告诉我们，其实做科研写论文也是有方法有套路可循，掌握了窍门，后面的路才会走得通畅。

但是作为一个小白，还在“蹒跚学步”阶段，怎么去掌握窍门？来自前辈的指点必不可少。

一个好的指导老师的作用是，没有课题，能够结合所在课题组具体情况，结合最近热门研究方向，帮你规划课题，如果有了课题而缺少创新方向，老师能够快速帮你找到几种切入点，几种框架，甚至连需要读哪些文献都帮你想好了......

为了论文，大家都在努力的设计新网络、新策略、新training算法，只要能够在某一问题上做到一个很好的performance，论文就水到渠成。而想要快速达到，来自前辈的指点不可或缺。

扫码获取大佬的科研指导

领取最新CV顶会论文、书籍

作为日常为了论文而忙碌的科研人，小编知道大家一定很需要一些资料。因此，小编精心整理了一份超过1T的AI顶会论文大礼包！包含最新顶会论文、书籍等资料，以及英文论文写作指导保姆级资料，从文献阅读到论文写作，全部帮你整理好~

扫码免费领课程资料↑

-END-