我身边学长，一年7篇CVPR，4篇ECCV和5篇ICCV，真的太容易发了，只要你能想到不同的鸟屎配方。
当然这里只探讨iros和icra里面做大robot system paper，纯simulation和纯design和小电子发明的paper，一律按C类处理。
这个评比，跟英联邦大学世界排名一样，水漫金山
2024 QS排名
墨尔本大学比加州理工排名还高
你相信吗？
你拿CVPR去跟ICRA比CV
=墨尔本大学去跟Caltech比法律
不是搞笑吗？
就问一句致命的问题：
高贵的CCF A会的机器人可以叠衣服，端茶倒水了，还是可以像波士顿动力这样跑酷了？
还是就学CVPR，AAAI这样，天天刷imageNet这样的八股文？
客观总结：
ICRA的CV= MIT的音乐专业
CVPR的Robotics=茱莉亚音乐学院的数学
做机器人控制和系统的可以靠一篇所谓的CCF C的IROS进DeepMind，各位有多少篇CCF A连Meta和亚马逊都进不了呢？？
人家的IROS：
6个月研究从力学计算，经历系统平衡不稳定性的崩溃，6个月年做关节机械设计，经历过各种公差不配合，自由度冗余，设计想法太天真，一改二改，2年电路控制和设计，各种信号和线路出问题，一条线一条线debug，6个月3D制造加工，过材料疲劳的崩溃，材料成型的裂痕，6个月搭建ROS通讯，编译C++各种问题，往上都找不到解决方案，moveit几千个底层编译和config文件夹一个一个找，一个一个client的msg核对，10个月仿真器搭建…….，物理环境搭建….，6个月做Sim2real转换，发现方针跟现实差距巨大，各大paper里面的模型都是过于理想，前人没碰是因为真的巨难，后期算法搭建，更复杂，感慨波士顿动力的天下无敌，一步步测试debug，全都是难关，然后历经9981难投了IROS paper，然后开心死了，然后不忘夸赞一下还是你们CS系的强啊……
你的CVPR：
网上20分钟下载，公开数据集，师兄师姐导师给你找好benchmark，10分钟下载Github代码跑跑baseline，2周读下文献学习人家如何魔改网络，添加Tricks，然后任务巨简单，“图像识别or分割”，在你的特定的context下，又又又改进了0.1%（没有改进只是trick不够多），然后3周搭建算法，3周跑跑benchmark，然后4周开始写paper，然后2周完善补充benchmark，2周编故事，然后2周时间强行数学证明下，总共耗时5月，投了，然后发现你朋友3月就一篇，感叹一句好卷好卷好卷，然后IROS好弱好弱好弱……ccf c的会议，好水好水好水….
本文对，CV，Robotics，生化环材，医学的水准进行综合比较。
最强梯队
CV：Nature/ Science封面 （全年3篇）
Robotics：Science/Nature 正刊（2篇）
生化环材医：科学突破奖/斯拉克奖/沃夫奖/未来科学 （全年25人获）
对应学术职位：top 20 university 院长
对应工业界：OpenAI/DeepMind/波士顿动力/达芬奇机器人/辉瑞/Moderna
第二梯队
CV：Nature / Science 正刊 （全年10篇）
Robotics：Science Robotics / Nature machine intelligence （control track 全年10篇）
生化环材医：麦克阿瑟奖/美国科学院奖 （全年300人）
对应学术界职位：C9 院士
第三梯队
CV：Nature Machine Intelligence/ ICML ICLR NeurIPS best paper （全年200篇）
Robotics：IJRR/TRO/ ICRA best paper/ RSS （全年150篇）
生化环材：Nature Science Cell 封面 （全年150篇）
医学：3 篇 Nature Science，柳叶刀，NEJ 封面 （全年200篇）
对应职位：C9的首席教授
第四梯队
CV：ICML ICLR NeurIPS oral （300篇）
Robotics：CoRL oral （全年40篇）
生化环材：Nature Science 正刊 （全年3000篇）
医学：3篇 Nature 柳叶刀 新英格兰杂志 （全年3000篇）
对应职位：C9 正教授（杰青）
第五梯队
CV：Nature Communications/CVPR ICCV oral paper/ ICML ICLR NeurIPS poster （全年800篇左右）
Robotics：CoRL posters （全年100篇）
生化环材：Cell, Joule （全年800篇）
医学：Nature 柳叶刀 新英格兰杂志 （全年3000篇）
对应职位：中上 985 正教授
第六梯队
CV：TPAMI/CVPR/ICCV/ACL/MIA （全年4000篇）
Robotics：ICRA/RAL/Soft Robotics （全年2000篇）
生化环材：Nature Communications/ Advanced Materials/ Cell Research/ Immunity/
医学：JAMA/ BMJ/ Nature Medicine/ Annals of Oncology/Nature Review Cardiology （全年1000篇）
第七梯队
CV：ECCV/AAMAS/MICCAI （全年3000篇）
Robotics：IROS/Frontiers AI robotics/ Robot Soft/JFR （全年1500篇）
生化环材：Nano energy/matter/nature microbiology （全年800篇）
医学：CANCER CELL/ NEURON/GUT/ NEURON （全年2000篇）
对应职位：985优秀副教授
再仔细讨论一下cv和robotics 领域，各大会议 2023 发文量
CV 领域：
NeurIPS: 3218
ICML: 1824
ICLR: 1575
CVPR: 2359
ECCV: 1629
机器人领域：
RSS: 103 (极低)
CoRL: 130 （极低）
ICRA: 1345
IROS: 1196
最重要的分析来了 ！
-
举个例子，一项完备的现代科研任务，我们可以分为5个最关键的过程：
-
数据采集系统的搭建（难度15星，耗时10星）占工作量 20% （肿瘤仪器）
-
数据的采集（难度2星，耗时8星）占工作量 10% （肿瘤图像）
识别算法的建立（难度5星，耗时2星）占工作量 10% （cv识别算法）
CV 领域为啥有这么庞大的发文量，因为他们只管10%的工作量，
1）数据系统搭建不用管
2）海量数据采集不用管
3）最最最关键的复杂的控制”不用管
4）控制系统搭建不用管
比如识别肿瘤，cv肿瘤数据是已经拿到了，识别了肿瘤，cv的工作就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了？就很离谱，这就结束了？？？？？？？？
所以机器人的门槛远远高于cv，你觉得你算法创新，你为啥老是在公开数据集+最简单的任务上，跑几行python呢？你试试找个强化学习大牛，来控制下机器人倒水，拖地，分分钟算法 divergent， 系统 crash。
大部分CV 领域的：花里胡哨的novel算法+最最最简单的任务。
自诩算法创新，没有意识到，这些创新建立在，你任务太简单的基础上
即使cv界大牛，包括李飞飞组，包括sergey levine，无一例外的，全都是最简单的机器人任务，抓+放 （pick-place），任务极其简单，然后弄一大堆花里胡哨的算法，刷benchmark，然后投每年上万篇paper接受的会议，然后觉得自己ccf a高级了。。。
