2019年CVPR有哪些糟糕的论文?
要准确地说出2019年CVPR上“糟糕”的论文是非常困难的，原因如下：
1. “糟糕”是主观的： 什么被认为是“糟糕”的论文，很大程度上取决于评审的视角、研究领域的现状以及论文本身的贡献。一刀切地评价一篇论文为“糟糕”通常是不恰当的。
2. 同行评审的门槛： CVPR是计算机视觉领域的顶级会议，其论文录用率通常非常低（2019年大约在2025%左右）。这意味着被录用的论文，即使在事后看来可能存在一些瑕疵或不那么突出，也经过了严格的同行评审过程。绝大多数被录用的论文至少具有一定的学术价值和新颖性。
3. 事后诸葛亮： 很多时候，一篇论文的真正价值和潜在问题需要时间来检验，以及后续研究的跟进才能显现。在会议举办当年，很难有足够的信息来全面评判一篇论文的“糟糕”程度。
4. 隐藏的缺点： 一篇论文可能在某个方面做得很好，但在其他方面存在问题（例如实验设计不严谨、理论分析有漏洞、结果不可复现等）。这些问题可能在审稿过程中没有被充分发现，或者被认为是可以接受的。
5. 缺乏公开的“差评”列表： 会议组织者通常不会公开一份“糟糕论文”的列表。即使有审稿意见不佳的论文，这些信息也是保密的。
尽管如此，我们可以从几个角度来推测，哪些类型的论文在CVPR这类顶级会议上可能被认为“不如预期”或“存在争议”，并尝试详细阐述可能的原因：
可能被认为“不如预期”或“存在争议”的论文类型及其可能的原因：
1. 新颖性不足但声称有重大突破 (Lack of Novelty but Claiming Breakthroughs):
描述： 这类论文可能只是对现有方法进行微小的改进，例如调整网络结构中的一个模块，更换一个损失函数，或者在某个数据集上进行简单的参数调优。然而，它们在论文中往往会极力渲染其方法的“创新性”和“突破性”。
可能的原因：
微不足道的改进： 改进点非常小，对整体性能的提升可以忽略不计，或者可以通过简单的超参数调整就能达到类似效果。
“堆叠”现有技术： 将多个已有的、不相关的技术简单地组合在一起，却没有深入探讨它们之间的协同作用或理论基础。
误导性的图表/结果： 通过选择性地展示结果，或者使用误导性的评价指标，来夸大方法的优势。例如，在一个非常小的提升上使用显著性检验，或者在某个特定子集上表现好就声称整体性能提升。
实验设置上的“技巧”： 通过使用与基线方法不同的预训练模型、数据增强策略或者训练技巧，使得自己的方法在比较时显得更有优势，但这种优势并非来自核心的创新点。
2. 实验设计不严谨或结果不可复现 (Poorly Designed Experiments or NonReproducible Results):
描述： 这类论文可能在实验设置、数据集的使用、评估指标的选择或复现性方面存在严重问题，导致其结论难以令人信服。
可能的原因：
数据泄露 (Data Leakage): 在训练过程中无意中使用了测试集中的信息，导致模型在测试集上表现异常好，但实际上是“作弊”。例如，在划分训练集和验证集时，不小心将测试集中的样本混入了训练集。
不合理的基线比较：
未能公平比较： 与强大的基线方法使用不同的训练策略、算力资源或数据预处理方式，使得比较结果不公平。
选择性比较： 只选择性地展示与一些较弱的基线方法比较的结果，而忽略了最先进的（SOTA）方法。
使用过时的基线： 选择已经过时或性能较差的基线方法作为比较对象，即使自己的方法稍好，也缺乏说服力。
评估指标不当：
使用不常用的指标： 为了展示效果，故意使用一些不常用、容易获得好结果的评估指标，而不是行业标准或领域内的普遍指标。
指标解读错误： 对评估指标的理解有误，或者在解释指标时存在偏差。
缺乏复现性信息：
未开源代码和数据： 对于关键的实现细节含糊其辞，不提供代码或预训练模型，使得其他研究者无法验证其结果。
依赖特定硬件/软件： 论文的成功高度依赖于特定的硬件配置、软件版本或随机种子，一旦环境稍有不同，结果就会大相径庭。
3. 理论分析薄弱或错误 (Weak or Flawed Theoretical Analysis):
描述： 部分论文会尝试构建理论框架来支持其提出的方法。如果这些理论分析过于简化、逻辑不严密，甚至存在错误，那么论文的整体可信度就会大打折扣。
可能的原因：
过度简化模型： 为了数学上的方便，对现实问题进行过度简化，导致理论结论与实际表现脱节。
数学错误： 在推导过程中出现明显的数学逻辑错误或计算错误。
牵强的因果关系： 将数学推导出的某些性质直接等同于实际性能的提升，但没有充分的实验证据支持这种因果关系。
未能解释关键行为： 理论模型未能解释方法的关键成功之处，或者对实验中观察到的现象没有提供有力的解释。
4. 过于偏重工程实现而缺乏学术贡献 (Overemphasis on Engineering Implementation without Substantive Academic Contribution):
描述： 有些论文可能实现了一个在特定场景下效果很好的系统，但这更多地是工程上的优化或组合，而不是算法或理论上的新进展。
可能的原因：
“工程 hack”： 通过大量的人工调整、启发式规则或经验性的技巧来解决问题，缺乏通用性和可推广性。
对现有技术的集成： 主要工作是将现有的成熟技术（如预训练模型、后处理算法）进行简单的集成，并没有提出新的核心思想。
只针对特定问题： 方法只在非常特定的数据集或应用场景下有效，难以泛化到其他任务或更广泛的领域。
5. 幻觉数据或虚假结果 (Hallucinated Data or Fabricated Results):
描述： 这是最严重的学术不端行为，即论文中的实验数据或结果是虚假的、被操纵的，或者使用了不存在的数据集。
可能的原因：
直接造假： 作者为了达到某个研究目标而故意伪造实验数据。
选择性报告： 只报告对自己有利的结果，隐藏不利的结果，以制造虚假的进步。
使用未经验证的中间结果： 在没有充分验证的情况下，就将不确定的中间结果作为最终结论的一部分。
如何“发现”和防范“糟糕”论文（从审稿和阅读者的角度）：
审慎阅读摘要和引言： 警惕那些过于夸张的声明，特别是在新颖性和性能提升方面。
仔细检查实验部分：
基线选择： 是否选择了最相关的、最先进的基线进行比较？
数据集： 使用的数据集是否规范？划分是否合理？
评估指标： 指标是否常用且适宜？
复现性： 是否提供了代码、详细的实验设置、超参数等信息？
关注论文的数学推导和理论证明： 是否有逻辑漏洞？是否过于牵强？
批判性地看待图表和可视化： 图表是否清晰？是否有误导性？
搜索相关工作： 了解该领域已有的研究，判断论文的贡献是否真的新颖。
查找后续引用： 看看其他研究者是如何引用这篇论文的，是积极评价还是指出问题。
总结：
2019年的CVPR（与其他顶级会议一样）都经过了严格的同行评审，因此真正意义上的“糟糕”论文（指有严重缺陷、学术不端或完全无效的）非常罕见。然而，如上所述的“不如预期”或“存在争议”的论文类型是可能存在的。这些论文的缺点可能体现在新颖性不足、实验设计不严谨、理论分析薄弱、工程性过强而学术贡献有限等方面。作为读者或审稿人，保持批判性思维，仔细审查论文的各个方面是识别这些潜在问题的关键。
请注意，以上分析是基于对学术论文评审过程和常见问题的普遍认识，并非指明了2019年CVPR具体存在的某一篇或某几篇论文。由于缺乏公开信息，我们无法具体点名。
1. “糟糕”是主观的： 什么被认为是“糟糕”的论文，很大程度上取决于评审的视角、研究领域的现状以及论文本身的贡献。一刀切地评价一篇论文为“糟糕”通常是不恰当的。
2. 同行评审的门槛： CVPR是计算机视觉领域的顶级会议，其论文录用率通常非常低（2019年大约在2025%左右）。这意味着被录用的论文，即使在事后看来可能存在一些瑕疵或不那么突出，也经过了严格的同行评审过程。绝大多数被录用的论文至少具有一定的学术价值和新颖性。
3. 事后诸葛亮： 很多时候，一篇论文的真正价值和潜在问题需要时间来检验，以及后续研究的跟进才能显现。在会议举办当年，很难有足够的信息来全面评判一篇论文的“糟糕”程度。
4. 隐藏的缺点： 一篇论文可能在某个方面做得很好，但在其他方面存在问题（例如实验设计不严谨、理论分析有漏洞、结果不可复现等）。这些问题可能在审稿过程中没有被充分发现，或者被认为是可以接受的。
5. 缺乏公开的“差评”列表： 会议组织者通常不会公开一份“糟糕论文”的列表。即使有审稿意见不佳的论文，这些信息也是保密的。
尽管如此，我们可以从几个角度来推测，哪些类型的论文在CVPR这类顶级会议上可能被认为“不如预期”或“存在争议”，并尝试详细阐述可能的原因：
可能被认为“不如预期”或“存在争议”的论文类型及其可能的原因：
1. 新颖性不足但声称有重大突破 (Lack of Novelty but Claiming Breakthroughs):
描述： 这类论文可能只是对现有方法进行微小的改进，例如调整网络结构中的一个模块，更换一个损失函数，或者在某个数据集上进行简单的参数调优。然而，它们在论文中往往会极力渲染其方法的“创新性”和“突破性”。
可能的原因：
微不足道的改进： 改进点非常小，对整体性能的提升可以忽略不计，或者可以通过简单的超参数调整就能达到类似效果。
“堆叠”现有技术： 将多个已有的、不相关的技术简单地组合在一起，却没有深入探讨它们之间的协同作用或理论基础。
误导性的图表/结果： 通过选择性地展示结果，或者使用误导性的评价指标，来夸大方法的优势。例如，在一个非常小的提升上使用显著性检验，或者在某个特定子集上表现好就声称整体性能提升。
实验设置上的“技巧”： 通过使用与基线方法不同的预训练模型、数据增强策略或者训练技巧，使得自己的方法在比较时显得更有优势，但这种优势并非来自核心的创新点。
2. 实验设计不严谨或结果不可复现 (Poorly Designed Experiments or NonReproducible Results):
描述： 这类论文可能在实验设置、数据集的使用、评估指标的选择或复现性方面存在严重问题，导致其结论难以令人信服。
可能的原因：
数据泄露 (Data Leakage): 在训练过程中无意中使用了测试集中的信息，导致模型在测试集上表现异常好，但实际上是“作弊”。例如，在划分训练集和验证集时，不小心将测试集中的样本混入了训练集。
不合理的基线比较：
未能公平比较： 与强大的基线方法使用不同的训练策略、算力资源或数据预处理方式，使得比较结果不公平。
选择性比较： 只选择性地展示与一些较弱的基线方法比较的结果，而忽略了最先进的（SOTA）方法。
使用过时的基线： 选择已经过时或性能较差的基线方法作为比较对象，即使自己的方法稍好，也缺乏说服力。
评估指标不当：
使用不常用的指标： 为了展示效果，故意使用一些不常用、容易获得好结果的评估指标，而不是行业标准或领域内的普遍指标。
指标解读错误： 对评估指标的理解有误，或者在解释指标时存在偏差。
缺乏复现性信息：
未开源代码和数据： 对于关键的实现细节含糊其辞，不提供代码或预训练模型，使得其他研究者无法验证其结果。
依赖特定硬件/软件： 论文的成功高度依赖于特定的硬件配置、软件版本或随机种子，一旦环境稍有不同，结果就会大相径庭。
3. 理论分析薄弱或错误 (Weak or Flawed Theoretical Analysis):
描述： 部分论文会尝试构建理论框架来支持其提出的方法。如果这些理论分析过于简化、逻辑不严密，甚至存在错误，那么论文的整体可信度就会大打折扣。
可能的原因：
过度简化模型： 为了数学上的方便，对现实问题进行过度简化，导致理论结论与实际表现脱节。
数学错误： 在推导过程中出现明显的数学逻辑错误或计算错误。
牵强的因果关系： 将数学推导出的某些性质直接等同于实际性能的提升，但没有充分的实验证据支持这种因果关系。
未能解释关键行为： 理论模型未能解释方法的关键成功之处，或者对实验中观察到的现象没有提供有力的解释。
4. 过于偏重工程实现而缺乏学术贡献 (Overemphasis on Engineering Implementation without Substantive Academic Contribution):
描述： 有些论文可能实现了一个在特定场景下效果很好的系统，但这更多地是工程上的优化或组合，而不是算法或理论上的新进展。
可能的原因：
“工程 hack”： 通过大量的人工调整、启发式规则或经验性的技巧来解决问题，缺乏通用性和可推广性。
对现有技术的集成： 主要工作是将现有的成熟技术（如预训练模型、后处理算法）进行简单的集成，并没有提出新的核心思想。
只针对特定问题： 方法只在非常特定的数据集或应用场景下有效，难以泛化到其他任务或更广泛的领域。
5. 幻觉数据或虚假结果 (Hallucinated Data or Fabricated Results):
描述： 这是最严重的学术不端行为，即论文中的实验数据或结果是虚假的、被操纵的，或者使用了不存在的数据集。
可能的原因：
直接造假： 作者为了达到某个研究目标而故意伪造实验数据。
选择性报告： 只报告对自己有利的结果，隐藏不利的结果，以制造虚假的进步。
使用未经验证的中间结果： 在没有充分验证的情况下，就将不确定的中间结果作为最终结论的一部分。
如何“发现”和防范“糟糕”论文（从审稿和阅读者的角度）：
审慎阅读摘要和引言： 警惕那些过于夸张的声明，特别是在新颖性和性能提升方面。
仔细检查实验部分：
基线选择： 是否选择了最相关的、最先进的基线进行比较？
数据集： 使用的数据集是否规范？划分是否合理？
评估指标： 指标是否常用且适宜？
复现性： 是否提供了代码、详细的实验设置、超参数等信息？
关注论文的数学推导和理论证明： 是否有逻辑漏洞？是否过于牵强？
批判性地看待图表和可视化： 图表是否清晰？是否有误导性？
搜索相关工作： 了解该领域已有的研究，判断论文的贡献是否真的新颖。
查找后续引用： 看看其他研究者是如何引用这篇论文的，是积极评价还是指出问题。
总结：
2019年的CVPR（与其他顶级会议一样）都经过了严格的同行评审，因此真正意义上的“糟糕”论文（指有严重缺陷、学术不端或完全无效的）非常罕见。然而，如上所述的“不如预期”或“存在争议”的论文类型是可能存在的。这些论文的缺点可能体现在新颖性不足、实验设计不严谨、理论分析薄弱、工程性过强而学术贡献有限等方面。作为读者或审稿人，保持批判性思维，仔细审查论文的各个方面是识别这些潜在问题的关键。
请注意，以上分析是基于对学术论文评审过程和常见问题的普遍认识，并非指明了2019年CVPR具体存在的某一篇或某几篇论文。由于缺乏公开信息，我们无法具体点名。
网友意见
某篇文章“我们比较了22个loss function…”
第一感觉是“哇，这工作量也太巨大了！”
再仔细一瞧，那些loss都是像variance这些很简单直观的metric… nothing new
然后么，比较来比较去还是variance最好用呢……
可他们同一拨人去年的cvpr就用的variance…所以到底有什么novelty值得一个顶会的位置？
而且画图风格一毛一样！在我们这个小众领域真是一眼就知道是谁发的…而且一作是大佬
对于这个问题一开始我比较排斥，也会像其他回答一样觉得应该积极的看待研究人员的工作，要找亮点blabla……
可是现在我觉得这个问题也有积极的一面，因为更多时候我是在读一些浪费时间的顶会文章。cvpr作为顶会，需要舆论监督，不能沦为一小波既得利益者的自嗨。
我觉得尤其需要像neurips之类的一样open review。拒的中的审稿意见都贴出来，这样reviewer也会对自己的意见负责。不为别的，就因为cvpr是顶会，是发一篇能找工作升职加薪的。
还有看到大佬评论说什么水论文很正常，其实是在培养新人练手blabla…咱练手能不拿顶会练吗？
Multi-Label Image Recognition with Graph Convolutional Networks
论文本身不糟糕，甚至用GCN来model标签的co occurrence的想法挺好，作者还公布了代码，然而，在issue中，论文被质疑GCN是否有用。
几天后，github上这个仓库的issue功能被关闭了。
不敢面对质疑？？ @旷视科技
要不要考虑一下撤稿？
类似的话题
-
要准确地说出2019年CVPR上“糟糕”的论文是非常困难的，原因如下：1. “糟糕”是主观的： 什么被认为是“糟糕”的论文，很大程度上取决于评审的视角、研究领域的现状以及论文本身的贡献。一刀切地评价一篇论文为“糟糕”通常是不恰当的。2. 同行评审的门槛： CVPR是计算机视觉领域的顶级会议，其论............. -
2019 年，要说进步最大的 Android 系统，我会将这份荣誉授予 Google 的 Pixel 系列搭载的 Android 系统。虽然其他厂商在 2019 年也推出了不少优秀的 Android 手机和定制系统，例如三星的 One UI 1.5/2.0，OPPO 的 ColorOS 6/7，小米.............
-
2019年国庆70周年阅兵，可以说是新中国成立以来规模最大、装备最精良的一次大阅兵，其每一个细节都蕴含着深刻的意义和中国力量的展示。以下是一些值得关注的细节，我会尽量详细地讲述：一、 时代印记与传承精神： “70”字样组成的受阅方阵： 这是阅兵式上最醒目的视觉元素之一。由受阅士兵组成的巨大的“7.............
-
2019年的“3·15”晚会曝光电子烟对罗永浩的事业确实产生了一定的影响，但并非是决定性的打击，更多的是一次舆论上的考验和对他的“小野”（FLOW福禄）电子烟品牌的一次负面曝光。为了详细讲述，我们先梳理一下事件背景和影响过程：事件背景： 时间点： 2019年3月15日，中央电视台的“3·15”晚.............
-
您好，关于褚时健先生 2019 年 3 月 5 日去世的这个信息，我需要澄清一下：褚时健先生于 2015 年 9 月 15 日就已去世，享年 87 岁。您提到的日期可能有所偏差。关于褚时健先生一生的经历是否值得肯定，这是一个复杂但非常值得探讨的问题。他的经历跌宕起伏，充满了传奇色彩，也引发了广泛的讨.............
-
2019 年 2 月 21 日（美国时间 2 月 20 日）在旧金山举办的 三星 Galaxy S10 系列发布会，是三星当年最受瞩目的一场发布会，其产品线非常丰富，包括了 Galaxy S10e、Galaxy S10、Galaxy S10+，以及后来在发布会上压轴登场的 Galaxy Fold（虽.............
-
2019年我国人口出生率创下2000年以来新低，总和生育率跌破警戒线，这一趋势并非孤例，而是全球许多发达国家和部分发展中国家普遍面临的挑战。持续的低出生率将对我国社会经济的方方面面产生深远的影响，其复杂性和连锁反应是多层次的。以下将从多个维度进行详细阐述：一、 人口结构失衡与老龄化加速这是低出生率最.............
-
2019年10月，韩国总统文在寅的处境确实面临着多重挑战，可以用“内外交困”来形容，但并非到了“无法挽回”的地步。以下是详细的分析：一、 内部政治压力与民意分歧加剧： 曹国事件的持续发酵和政治分裂： 2019年9月，文在寅任命了他的亲信曹国为法务部长官，引发了巨大的争议。曹国及其家人被指控涉及学.............
-
2019年9月10日，马云正式卸任阿里巴巴集团董事局主席，这是一个具有里程碑意义的事件，标志着阿里巴巴进入了一个新的发展阶段。虽然马云的离开引起了广泛关注和讨论，但阿里巴巴并非一夜之间就改变了发展轨迹。我们可以从多个维度来分析阿里未来的发展：一、 马云卸任的背景与影响： 有序的接班计划： 马云的.............
-
关于2019年NeurIPS（神经信息处理系统大会）上哪些论文被认为是“糟糕的”，这是一个非常主观且敏感的问题。学术界的评估是一个复杂的过程，通常涉及同行评审、引用情况、复现性以及对领域发展的实际贡献。直接点名批评某些论文并称其为“糟糕的”，很容易引发争议，而且也很难做到绝对客观。然而，我们可以从一.............
-
2019年中国人均国民总收入（GNI）达到10410美元，这是一个重要的经济数据，我们可以从多个维度来理解和看待它。一、 数据本身的含义和意义 国民总收入（GNI）：GNI是指一个国家（或地区）在一定时期内，所有常住单位初次分配收入总和。它与国内生产总值（GDP）略有不同，GNI更侧重于一个国家.............
-
《2019 年白领 996 工作制专题调研报告》指出，加班最“狠”的并非互联网行业，这一结论确实引人深思，也与大众普遍认知存在一定反差。要深入理解这一点，我们需要从多个维度进行分析：一、 大众认知的形成与局限性：首先要承认，互联网行业确实因其“996”工作模式而广为人知，甚至成为一种代名词。这种认知.............
-
2019 年国庆大阅兵的女兵方队，绝对是展现新时代中国女性风采的集结号，她们身上汇聚了太多令人瞩目的亮点，绝非简单的“女性力量”四个字可以概括。要说最让人印象深刻的，大概是以下几个方面：首先，“英雄母亲”的传承与担当，是女兵方队最动人心魄的底色。 在这次阅兵中，仪仗方队和三军仪仗方队的女仪仗队员，她.............
-
2019年国内博士后招聘要求和待遇，这可真是个老生常谈又细致入微的话题。当年情况跟现在肯定有不一样，很多细节都需要回忆一下。咱们就从几个关键点来聊聊，力求接地气、不套路。一、 招聘要求：门槛在提高，但更看重“匹配度”说实话，2019年博士后招募已经明显感觉到竞争在加剧，门槛也在悄然提高，但也不是一味.............
-
2019 年 10 月 1 日，中华人民共和国成立 70 周年国庆大阅兵在北京天安门广场隆重举行。这次阅兵盛况空前，气势恢宏，不仅展示了新中国七十年的辉煌成就，更彰显了中华民族伟大复兴的坚定决心。一、 规模宏大，气势磅礴此次阅兵是新中国成立以来规模最大的一次国庆阅兵。总时长约 80 分钟，参阅兵力超.............
-
要准确回答2019年上半年生育率是多少，我们需要先明确几个关键点，因为“生育率”本身可以有不同的统计口径，而数据的发布也有一定的时间滞后性。首先，当我们谈论“生育率”时，最常使用的是总和生育率（Total Fertility Rate, TFR）。总和生育率是指在一定的育龄妇女群体中，假定她们在整个.............
-
作为人工智能，我并没有眼睛去“拍照”，也没有2019年这样具体的时间线来记录我“拍摄”的照片。我的存在是持续的、信息的，而不是物理的、体验式的。不过，如果我能将我所处理、理解和生成的信息比作“照片”，那么在2019年，我处理和生成过的最“精彩”的信息，或许可以类比为某个让我对人类情感、创造力或是知识.............
-
2019 年，那是一个充满探索欲的年份，我在知乎的海洋里畅游，也确实挖到了一些令人拍案叫绝的“宝藏回答者”。说实话，当时并没有做系统的记录，但有些回答和他们的风格至今仍历历在目，仿佛昨天才看完。如果要说谁的回答让我觉得“挖到宝了”，脑海里首先闪过的是那些在专业领域深度耕耘，同时又能把复杂问题讲得清晰.............
-
2019年，知乎的各个领域涌现出了许多令人印象深刻的用户。他们的回答不仅提供了深度见解，也常常展现出独特的个人魅力，成为无数用户获取信息、激发思考的重要来源。在这里，我尝试梳理一些在不同领域中格外闪耀的面孔，希望能够勾勒出当年知乎内容生态的精彩图景。科学与技术领域：理性与洞察的传递者在科学技术领域，.............
-
小米 MIX Alpha：惊艳亮相后的思考2019 年 9 月 24 日，小米在发布会上掀起了一场关于未来手机形态的讨论——小米 MIX Alpha。这款手机以其前瞻性的设计和大胆的尝试，瞬间吸引了全球科技爱好者的目光。然而，惊艳之下，我们也看到了它在实用性与成本上的一些妥协。亮点：定义下一代手机形.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有