点击下方
卡片
，关注
「计算机视觉工坊」
公众号
选择
星标
，干货第一时间送达
转自：3DCV | 编辑：计算机视觉工坊
添加小助理：cv3d007，咨询论文辅导。文末附行业细分群
扫描下方二维码，加入
3D视觉知识星球
，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：
近20门视频课程（星球成员免费学习）
、
最新顶会论文
、
计算机视觉书籍
、
优质3D视觉算法源码
等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！
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。
这个评比，跟英联邦大学世界排名一样，水漫金山
2024QS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: 3218I
CML: 1824I
CLR: 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）
-
控制算法的建立（难度20星，耗时10星）占工作量40% （机器人contro 手术切除算法）
-
控制系统的搭建（难度15星，耗时20星）占工作量20% （机器人手术的器材搭建）
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。。。
当然，AI 界也有良心的，没有为了水novelty而找个最最最简单任务的，比如deepmind，人家找的是蛋白质折叠任务，所以人家可以发nature science。
因此做个综合benchmark：
CVPR = 最简单任务（1星）* novel算法（4星）=4星
ICML = 最简单任务（1星）* novel算法（4星）* 严谨数学证明（3星） = 12 星
ICLR = 普通任务（2星） * 十分novel算法（5星）= 10 星
NeurIPS = 最简单的任务（1星） * 魔改网络算法 （4星）=4 星
RSS = 复杂任务（4星）* 复杂且novel算法 （4星）= 16星
CoRL = 复杂任务 （3星） * novel算法 （3星）= 9星
ICRA = 复杂任务（3星） * 相对novel算法 （2星） = 6 星
IROS = 普通任务（2星）* 相对novel算法 （2星）= 4 星
再次强调，任务本身难度，是衡量一个研究本身水准的最关键因素之一，抛开任务本身谈novelty，没有意义，没有任何意义。
注意，这里的Robotics指非CV类track的paper，不要说CVPR转投ICRA。
你CMU的CS转投哈佛还能中呢，你去跟哈佛比CS，你先说哈佛整体不如CMU？
你伦敦艺术学院，去投MIT的art也能中呢，你想说MIT不如伦艺, 所以学CV的人去投robotics的CV track=申请清华的新闻专业，哈佛的计算机，MIT的艺术管理。
有人私信让我补充：Medical Imaging和无人机水准，到底处于什么位置。
医学图像：
这个领域是水paper大户，身边朋友一年2篇NeurIPS，CVPR的大有人在，对比传统CV，可能要自降一级，CVPR的医学图像，水准远远低于robotics，大概IROS的水准。
无人机/自动驾驶/通讯
这个领域也非常容易产paper，得益于无人机本身考虑到运动复杂度非常低，因此可以近似看成一个点的运动，而且无人机本身任务相对机器人简单（主要是导航规划），可以套各种数学模型（因为简单所以好建模），因此无人机发CoRL大概也差不多机器人本身IROS的水准。
通讯就不说了，三个月一篇，是常事，水paper巨户。
最后回答几个大家最关注的问题
-
计算机类会议排名：ICRA和IROS是B和C
艺术类高校排名：清华上交的也是B和C
很多人考不上央美，中国美术学院，甚至连第二流的美术院校都考不上，就转投了清华，同济，上交，重庆大学等985的艺术院校。难道这能证明央美比清华牛皮？
你来robotics投，你连机器人都没有，你ROS也不会用，去比CV刷imageNet，投ICRA，你咋不去MIT学厨师呢？
-
为什么RAL的impact factor才5，很多生化环材医都是30多分？
数学顶刊：Annals of Mathematics （5）
自动化控制顶刊：Automatica（6.5）
理论物理顶刊：PRL（9.6）
机器人顶刊：TRO （7.8）
医学顶刊：Lancet（168）
生物顶刊：Cell （66）
材料顶刊：NRM （76）
环境顶刊：NREE（42）
化学顶刊：CR（62）
基本上有个规律，领域的顶刊影响因子越大，该领域的论文就越容易水
本文仅做学术分享，如有侵权，请联系删文。
计算机视觉工坊交流群
目前我们已经建立了3D视觉方向多个社群，包括
2D计算机视觉
、
大模型
、
工业3D视觉
、
SLAM
、
自动驾驶
、
三维重建
、
无人机
等方向，细分群包括：
2D计算机视觉：
图像分类/分割、目标/检测、医学影像、GAN、OCR、2D缺陷检测、遥感测绘、超分辨率、人脸检测、行为识别、模型量化剪枝、迁移学习、人体姿态估计等
大模型：
NLP、CV、ASR、生成对抗大模型、强化学习大模型、对话大模型等
工业3D视觉：
相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。
SLAM
：
视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。
自动驾驶：
深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、BEV感知、Occupancy、目标跟踪、端到端自动驾驶等。
三维重建：
3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等
无人机：
四旋翼建模、无人机飞控等
除了这些，还有
求职
、
硬件选型
、
视觉产品落地
、
最新论文
、
3D视觉最新产品
、
3D视觉行业新闻
等交流群
