CVPR论文可以说是世界顶级水平论文。
图片来源于网络
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。这是一个一年一次的会议，举办地从来没有出过美国。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。
下面是前几年CVPR论文的接收情况：
图片来源于网络
cvpr录用标准相当严格，通常会议整体的录取率不超过25%，而口头报告的论文比例更只占5%不到。其会议的组织方是一个循环的志愿群体，其成员遴选一般会在某次会议召开的三年前进行。cvpr的审稿过程中会议的审稿方与投稿方均不知道对方的信息。而且一篇论文经常需要由三位审稿者进行审读。最后再由会议的领域主席决定是否接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议。
cvpr论文相当于sci一区论文吗？解析如下：
sci一区是泛指一大类期刊。里面有很多高水平杂志，也有很多一般水平杂志，cvpr是顶尖级的，国内外很多教授穷其一生都无法在其上面发表哪怕一篇文章，它的含金量非常高。
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。
美国《科学引文索引》(Science Citation Index, 简称 SCI )于1957 年由美国科学信息研究所(Institute for Scientific Information, 简称 ISI)在美国费城创办，是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。
SCI(科学引文索引 )、EI(工程索引 )、ISTP(科技会议录索引 ) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。
目前，公认的计算机视觉三大会议分别为ICCV,ECCV,CVPR。1、ICCV ICCV的全称是 IEEE International Conference on Computer Vision，国际计算机视觉大会，是计算机视觉方向的三大顶级会议之一，通常每两年召开一次，2005 年 10 月曾经在北京召开。会议收录论文的内容包括：底层视觉与感知，颜色、光照与纹理处理，分割与聚合，运动与跟踪，立体视觉与运动结构重构，基于图像的建模，基于物理的建模，视觉中的统计学习，监控，物体、事件和场景的识别，基于视觉的图形学，图片和的获取，性能评估，具体应用等。ICCV是计算机视觉领域最高级别的会议，会议的论文集代表了计算机视觉领域最新的发展方向和水平。会议的收录率较低，以 2007 年为例，会议共收到论文1200余篇，接受的论文仅为244篇。会议的论文会被 EI 检索。2、ECCVECCV的全称是Europeon Conference on Computer Vision，两年一次，是计算机视觉三大会议（另外两个是ICCV和CVPR）之一。很明显，ECCV是一个欧洲会议，欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。3、CVPRCVPR的全称是Internaltional Conference on Computer Vision and Pattern Recogintion。这是一个一年一次的会议，举办地从来没有出过美国，因此想去美国旅游的同学不要错过。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。
CVPR的workshop审稿还是很严格的。虽然reviewers和主会不是一套班子，但也都是来自Google/Facebook的顶级学者。难度上，CVPR workshop=B类主会>C类主会。
CVPR录用标准
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。
通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定论文是否可被接收。
第一届CVPR会议于1983年在华盛顿由金出武雄和Dana Ballard举办，此后每年都在美国本土举行。会议一般在六月举行，而举办地通常情况下是在美国的西部，中部和东部地区之间循环。
例如，2013年该会议在波特兰召开。而2014年有超过1900人参加了在哥伦比亚举办的会议。而接下来的2015,2016和2017年，该会议分别于波士顿，拉斯维加斯和夏威夷举办。
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。
而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定论文是否可被接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议 。在巴西教育部的排名中排名为A1。基于微软学术搜索(Microsoft Academic Search)2014年的统计，CVPR中的论文总共被引用了169,936次。
大名鼎鼎的DenseNet，17年CVPR的best paper（当然有争议是后话），不得不读。黄高博士的扛鼎之作，之前在读他的Snapshot-Ensembles时感觉就很舒服，整个文章逻辑很清楚，实验对比做的也十分全面，相信这篇best paper更是没有问题，会给读者一种爽的感觉。
2019.2.20 2852次。绝对值很高，但相比其他经典网络，ResNet，GoogLeNet之类，有些差距。
本篇在16年8月挂到arXiv上，中了2017年CVPR，是继16年何大神的ResNet之后，第二个华人的best paper， 这里 有个作者本尊的talk，现场讲解。一作Gao Huang（黄高）05年北航的本科生（GPA第一），15年清华博士毕业（读了6年。。），后来在康奈尔待了3年做博后，此刻在清华作青椒，本篇是在康奈尔时的工作。二作刘壮（同等贡献）也是碉堡，现在在伯克利做博士生，之前是清华姚班的（13级），发这篇文章时还在清华，也就是说 本科生 。。。最近以一作的身份新发了一篇《Rethinking the Value of Network Pruning》，中了19年的ICLR，同时也是18年NIPS的best paper award。。这个世界太疯狂了，这都不是潜力股了，而是才华横溢溢的不行了。
官方实现在这里：
黄高个人主页在这里：
刘壮个人主页在这里：
先前的研究中说明只要网络包含短路连接，基本上就能更深，更准确，更有效的训练。本文基于这个观察，引入了密集卷积网络（DenseNet），它以前馈方式将每个层连接到所有层。传统的卷积网络L层有L个连接，而DenseNet有 个直接连接。对于每一层，它前面所有层的特征图都当作输入，而其本身的特征图作为所有后面层的输入（短路连接被发挥到极致，网络中每两层都相连）。DenseNet具有几个引入注目的优点： 可以缓解梯度消失问题，加强特征传播，鼓励特征重用，并大幅减少参数数量。
随着CNN变得越来越深，一个新的研究问题出现了：随着输入信息或梯度通过多层，它在到达网络结尾（或开始）处就消失了。ResNets和Highway Networks通过恒等连接将信号从一层传输到下一层。Stochastic depth通过在训练期间随机丢弃层来缩短ResNets，以得到更好的信息和梯度流。FractalNets重复组合几个并行层序列和不同数量的卷积块，以获得较深的标准深度，同时在网络中保持许多短路径。尽管上述方法的网络结构都有所不同，但它们有一个共同特征：创建从早期层到后期层的短路径。
本文提出一个简单的连接模式：为了确保网络中各层之间的最大信息流， 将所有层（匹配特征图大小）直接相互连接 。为了保持前向传播性质，每个层从所有前面的层获得附加输入，并将其自身特征图传递给所有后续层。
至关重要的是，与ResNets相比，在传递给下一层之前， 不是通过求和来合并特征，而是通过concat来合并特征 。因此， 层有 个输入，包括所有先前卷积块的特征图。其特征图被传递到后续所有 层。这在L层网络中引入了 个连接，而不是传统架构的L个连接。正是因为这种密集连接模式，所以称本文方法为密集连接网络（ Dense Convolutional Network DenseNet）。
相比传统卷积网络，这种密集连接模式有有一点可能违反直觉的是，它需要更少的参数，因为无需重新学习冗余的特征图。本文提出的DenseNet架构显式区分了添加到网络的信息和保留的信息。DenseNet的层非常窄（如每层只有12个滤波器），只给网络的"集体知识"增加一小组特征图，并保持其余的特征图不变。
除了更好的参数利用率之外，DenseNet的一大优势是它改善了整个网络中的信息流和梯度，使得网络更易于训练。每层都可以直接访问损失函数和原始输入信号的梯度（ 我屮，这不就是GoogLeNet当时为解决梯度消失而在中间层引入分类器那种ugly办法的替代吗 ），从而导致隐式的深度监督。这有助于训练更深的网络。
与DenseNet相似的级联结构早在1989年就提出来了。。Adanet的提出差不多是与DenseNet并行的，跨层连接也相似（话说竞争真激烈。。）
本文作者提出的另一个网络Stochastic depth说明并非所有层都需要，在深度残差网络中存在大量冗余的层。本文的部分灵感也来源于此。
相比从极深或极宽的架构中提取表示能力，DenseNet是通过 特征重用 来利用网络的潜力，得到易于训练和高参数效率的压缩模型。相比从不同层拼接特征的Inception网络，DenseNet更简单有效（看来Inception因其结构复杂性没少被批判）。
定义 为单张输入图像，网络由 层组成，每一层实现非线性变换 ，其中 为层的索引号。 可以是BN，ReLU，Pooling，Conv等操作的复合函数，定义 层的输出为 。
传统的层连接： 。ResNets增加了跳跃连接： 。ResNets的一个优势是梯度可以通过恒等函数直接从后面的层流向前面的层。然而，恒等函数和 的输出通过加法合并，有可能会阻碍网络的信息流。
本文引入与ResNets不同的连接模式：从任意层到所有后续层的直接连接（图1）。结果就是，第 层接收所有之前层的特征图作为输入： 。为了便于实现，concat 的多个输入为单一张量。
受ResNet v2启发，定义 为三个连续运算的复合函数：BN，ReLU，3 x 3 Conv
当特征图的大小改变时，concat运算是不可能的，然鹅，卷积网络的一个关键组成部分就是下采样层，通过它可以改变特征图大小。为了便于在架构中进行下采样，将网络划分为多个密集连接的密集块（dense blocks），如图2所示。
将密集块之间的层称为过渡层（transition layers），它们进行卷积和池化。本文实验中的过渡层由BN，1 x 1卷积和 2 x 2平均池化组成。
如果每个函数 生成 个特征图，它后面跟着的 层有 个输入特征图，其中 是输入层的通道数。DenseNet和现有网络架构的一个重要区别是DenseNet可以有非常窄的层，如 。本文将超参数 定义为网络的成长率（growth rate）。对此的一种解释是，每一层都可以访问其块中所有前面的特征图，即，网络的『集体知识』。可以将特征图视为网络的全局状态。每一层增加自己的 个特征图到这个状态。成长率反映了每层由多少新信息对全局状态有贡献。全局状态一旦写入，就可以被网络中的任何地方访问，而不像传统网络那样，无需从一层复制到另一层。（全文精华应该就是这一段了）
1x1 conv非常有用（提升计算效率），本文也大用特用。本文定义DenseNet-B的 为 BN-ReLU-Conv(1x1)-BN-ReLU-Conv(3x3)
为了使模型更紧凑，可以减少过渡层的特征图数量。如果密集块包含 个特征图，定义接下来的过渡层生成 个特征图，其中 表示压缩率。定义 的DenseNet为DenseNet-C，本位实验中设置为 。当同时使用瓶颈层和压缩过渡层时，定义模型为DenseNet-BC。
非ImageNet数据集采用同一个架构，由3个密集块构成。ImageNet的架构如表1所示
CIFAR SVHN ImageNet
所有网络都用SGD。
CIFAR和SVHN的batch size为64，epoch分别为300和40，初始学习率为0.1，在50%和75%的epoch时分别除10。
ImageNet的batch size为256，90个epoch，初始学习率为0.1，在30和60epoch时分别除10。
weight decay为 ，动量为0.9。用He初始化。
对于CIFAR和SVHN，还在每个卷积层后接了dropout层（除第一个卷积层外），丢失率为0.2。
看表2的最后一行
DenseNet可以利用更大更深模型表示能力的增长。
如图4所示
主要用DenseNet-BC和ResNet作比较。
表面上看，DenseNets和ResNets没什么不同，两个式子的差别仅仅是输入从加法变为concat，然而，这种看似很小的修改导致两种网络架构的行为明显不同。
因为鼓励特征重用，所以得到更紧凑的模型。
如图4所示。
对DenseNets准确率提升的一种解释是各个层通过短路连接从损失函数接收额外的监督（某种深度监督）。DenseNets用隐式的方式执行相似的深度监督：网络顶部的单个分类器通过最多两到三个过渡层为所有层提供直接监督。 然而，由于在所有层之间共享相同的损失函数，因此DenseNets的损失函数和梯度基本上不那么复杂。
和随机深度的对比，随机深度有点类似DenseNet：如果所有中间层都随机丢弃，那么在相同的池化层之间的任意两层都有可能直接连接。
DenseNet就是好，就是好啊就是好。在遵循简单的连接规则的同时，DenseNets自然地整合了恒等映射，深度监督和多样化深度的属性。
又是一篇没有什么数学公式的paper，越来越感觉深度学习像物理，很多结果都是基于做实验得到的。通过对实验的观察对比分析，找出实验中的缺陷不足，从而去改进，然后发paper。黄高博士的写作套路还是非常讨喜的，特别是开头的地方，娓娓道来，一步一步告诉你为什么要这么做，为什么要引入这一步。此外，DenseNets和作者本人的工作『随机深度』也有千丝万缕的关系，看来功夫做扎实了，沿着一条道路是可以出一系列成果的。
这是个好问题。。是要进一步衍生ResNet吗？
提出密集连接结构，将ResNet的跳跃连接发扬光大为两两连接
效果比ResNet还好，通过减少滤波器个数（文中称作成长率），参数量也下来了
感觉效果提升并没有那么明显，被后续出来的ResNeXt超过了
各种网络结构的实现：
黄高本人视频讲解：
作者本人的解答： CVPR 2017最佳论文作者解读：DenseNet 的“what”、“why”和“how”
DenseNet的3个优势：
CVPR论文可以说是世界顶级水平论文。
图片来源于网络
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。这是一个一年一次的会议，举办地从来没有出过美国。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。
下面是前几年CVPR论文的接收情况：
图片来源于网络
cvpr录用标准相当严格，通常会议整体的录取率不超过25%，而口头报告的论文比例更只占5%不到。其会议的组织方是一个循环的志愿群体，其成员遴选一般会在某次会议召开的三年前进行。cvpr的审稿过程中会议的审稿方与投稿方均不知道对方的信息。而且一篇论文经常需要由三位审稿者进行审读。最后再由会议的领域主席决定是否接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议。
挺难的，相当于顶级SCI期刊，你觉得呢~
各种“学霸”的传说盛行“江湖”。惊叹于他们“神一样的存在”，更激发我们一探“学霸是如何炼成的”。之所以成为“学霸”，自有不可忽视的天赋、基因使然，但，除此之外，他们还有许多“过人”之处。这里，我们走近红极网络的著名“学霸”，一起探究“学霸”为什么能成为“学霸”，我们能向他们学到什么？吴佳俊在参加清华大学“地球村”活动 “我没有异于常人的学习方法，可选的作业和项目，就尽量都去完成。提供的参考书目，尽量都去读。如果有可能的话，就再多读几本。” 在清华园南北贯通的主干道——学堂路上，从郁郁葱葱到秋叶飘零，一年四季道路两旁耸立的白杨树下不时更换着各种海报：或“学术新秀”或“特奖学生”或“科技创新”，吴佳俊就是这海报中的普通一员，但他又是网上“传说”的那般非比寻常。 两篇论文已发表于计算机视觉顶级会议CVPR并被邀请为论文审稿人；与麻省理工学院、普林斯顿大学、微软亚洲研究院等多名世界级教授合作；“清华大学特等奖学金”“国家奖学金”“微软亚研院优秀成果奖”等重量级奖项数不胜数；以近满分的成绩连续三年第一；利用经济学双学位开展与计算机交叉的激励机制在肾脏交换网络中的运用；热爱社会实践和公益，从甘肃农村到瑞士、日本、中国香港都有他的足迹…… 从计算机到交叉学科，从科学研究到社会工作，这位清华大学交叉信息院计算机科学实验班的大四本科生，简历在网上曝光后，关于他“学霸”“神一样存在”的“神话”风起云涌。 “其实我真的很普通，就和园子里的很多同学一样。”初见吴佳俊，这位面庞清秀、鼻梁高挺的92年小伙子就迫不及待地告诉记者，这也是和他接触中听到最多的一句。当被问及网上的各种“传说”时，并不过多关注社交网站的他只是羞涩一笑。 1月初，刚从美国交流归来的吴佳俊仍然像往常一样，骑着略微陈旧的自行车穿梭于清华园：听讲座、做实验、改论文。 没有异于常人的学习方法 9月，年仅18岁的吴佳俊通过全国信息学奥林匹克竞赛从上海华东师范大学第二附属中学保送至清华大学。 和吴佳俊一起经历过高中竞赛的蒋林浩时常回忆起他们的“战友”岁月：“当时我们学校专门指导信息学竞赛的老师离职了，新换的老师还不熟悉，大家几乎只能自学。佳俊就把大家召集起来一起学习、经常请高年级同学做指导，发起‘互相出题和讲解’的活动。最后我们寝室四个人三个都考来了清华。” 入校后，校内二次招生选拔使成绩优异的他进入了有着中国计算机人才“摇篮”之称的清华计算机科学实验班。 在清华园，这个班级还有一个亲切的称呼——“姚班”，它由世界著名计算机科学家、计算机科学最高奖“图灵奖”得主姚期智院士创办。然而，在这个通过层层筛选汇集的30余人的精英班级里，吴佳俊的开始并不顺利：“大一上学期的几门考试成绩都不理想，一些基础课程如《计算机入门》等比较复杂，学起来有点吃力。” 吴佳俊又重拾起高中的学习方法，经常找班里的同学一起琢磨课业上的难题。“那时他经常忙到很晚，除了学习，还要花几个小时处理社团的事，有时候我们都睡了，他才回到宿舍。第二天起来，他已经离开了，几乎是‘晚二朝七’的节奏。”吴佳俊的室友杜超总会忍不住琢磨：“你究竟是如何在尽量少的睡眠下又保证不困的呢？”吴佳俊笑着回答：“人一天睡5个小时就够了，多了就是浪费时间。” “其实，我也没有异于常人的学习方法，可能就是比要求的多做一点点，可选的作业和项目，就尽量都去完成；提供的参考书目，尽量都去读。如果有可能的话，就再多读几本。”在吴佳俊看来，课业学习的重要性不仅在于具体的知识点，更在于培养思维能力以及在科研工作中的运用。 “科研之路漫漫，吾愿上下求索” 进入大二，吴佳俊开始了在“姚班”的科研探索之路。那年暑假，他申请到了微软亚洲研究院实习的机会，就此打开了一片新的视野。 也正是这年起，吴佳俊开始了和加州大学圣地亚哥分校教授两年多的合作。这段宝贵的经历使他领略到处于计算机科学和认知科学交汇处的计算机视觉领域的魅力：是否可以从静态的图片中去识别其他物体的动作。如仅从一张梅西踢足球的静态照片而不是整个视频就可获取动态信息？如何将这些方法更好地应用在物体识别和图像分割上？这些都成了他关注的重点。 此后，上课之余，他把大量时间“泡”在研究上，为了方便，实验室的沙发随便一蜷就是一晚。“过去几年，熬夜测试算法对他而言，几乎是家常便饭。甚至在特奖答辩结束当晚，他还马不停蹄地连续奋战两晚，完成了几篇论文的最后修改工作。”杜超说。 “佳俊是一个非常负责任的人。我们合作的时候我在清华而他在美国的实验室交流，我们只能通过Skype等方式交换意见。虽有12小时的时差，但我每一次有问题找他，几乎都能在网上第一时间联系到。他除了负责自己的，也不忘适时提醒其他人的工作。”吴佳俊的科研合作伙伴，和他同在“姚班”的汪一宁说。 正是对这些领域的专注，吴佳俊已有两篇论文，即《基于多示例学习的物体聚类》和《互联网图片的中层概念学习》，刊发在计算机视觉领域的顶级会议——IEEECVPR（国际计算机视觉与模式识别会议），一个在领域内得到极高认可，甚至被许多世界一流大学作为博士毕业标准的论文会议。 吴佳俊的研究成果很快得到学术界的认可，随后他先后接受了麻省理工、加州大学圣地亚哥分校和普林斯顿的实验室访问邀请。这期间，他又以第一作者的身份向CVPR2015提交了三篇论文，包含交互图像分割、大数据动作识别等主题。 谈及科研，他用了最朴素的两个字——“坚持”来概括：“无论我们想在哪一行取得一些成绩，都需要一个漫长的积累过程。在这个过程中，我们可能遇到种种困难与挫折，我们想要放弃或退缩，但只有克服这些困难，才能迈上新的高度。” 同行的人比到达的地方更重要 “我很幸运自己能在‘姚班’和清华这样一个宽松的环境中成长，当你看到这样一群有抱负的青年聚集在一起跃跃欲试的时候，是很难不热血沸腾的。”这是10月，吴佳俊在清华大学特等奖学生答辩时讲到的一句话。 在吴佳俊眼中，自己所在第一集体“姚班”确实有这样的魔力：从清华到王府井怎么走路程最短？男女生如何选择约会对象成功率最高？在课堂上“悬赏”必胜客出题，90%的同学都能在激励下25分钟内解出。这就是“姚班”首席教授姚期智先生亲自上课时的情景。 正如姚期智先生所言：“一批优秀同龄人共同营造的竞争氛围，是一个能够发现兴趣、激发潜力的模式环境。”姚先生曾不止一次地表示“清华这些学生完全不比世界其他国家一流大学培养出来的学生差，毕业生在国外已经获得相当大的名声。只要找到适合他们的方式，让他们由内而发对学术研究工作产生热情，这才是促成创新性学术成果的原动力。” 四年的大学时光，吴佳俊不仅专注于学业和科研，还将大量的精力放在自己的第二集体——清华大学“思源计划”，投身公益活动和社会实践。 在这个每年从全校选拔36人的新生队伍里，他们秉承“饮水思源服务社会”的理念，每年暑假走西部，赴基地，做调研。 回首三年的“思源”生活，吴佳俊在总结中写道：“武威支教中，黄羊川镇土坯房中学生的求学环境给了我很大的触动；成都的高新企业考察让我看到国内既有广阔天地和蒸蒸日上的事业，又有热情的伙伴，我们绝没有退缩的理由。” 学习工作之余，宿舍也是吴佳俊和伙伴们“打”成一片的地方：一起说三国杀、侃大山、互相推荐交流好书…… 科技让生活更美好 如今已经大四的吴佳俊已向多所顶尖大学的计算机科学博士项目提交了申请，在谈及未来时，吴佳俊腼腆一笑：“我想把做学问当成一生的理想。” 这个理想的形成，很大程度上要归功于他的“偶像”——姚期智先生。2004年，这个在美国生活30余年的科学家离开其任教的普林斯顿，回到清华园。针对国内基础学科教学，融合国际先进方法，为清华学生专门制定了二十几门全英文专业课程覆盖计算机科学前沿领域，并亲自执教其中的6门。 大学四年，姚先生每一次用平淡话语回首往事和学生交流时，他那“虽千万人吾往矣”的理想主义风骨都潜移默化地影响着吴佳俊： “上大学的目的是什么？我觉得最重要的是能发现这个世界，更重要的是发现你自己，了解自己的兴趣、能力在哪里。” “理想的事情是你找到一件事情你又有相当的能力，然后你又很有兴趣。如果一个人能满足这两点要求，并趁年轻努力工作，这个人就相当幸福了。” “我所学的东西能有机会在我出生的中国生根，有条件在该领域为中国培养出世界级的研究人员来，我觉得这是一件非常有意义的事情。” ………… “我其实就是想在计算机科学研究这条道路上一直走下去。希望能把这门在生活领域的改变带给普通人，让他们感知到科技带给生活的美好和幸福。”这些愿景，吴佳俊相信会是一个长期积累的过程，不需要着急，“我们常说要为祖国健康工作五十年。花五十年的时间来实现这些愿望，希望时间足够。”
cvpr论文相当于sci一区论文吗？解析如下：
sci一区是泛指一大类期刊。里面有很多高水平杂志，也有很多一般水平杂志，cvpr是顶尖级的，国内外很多教授穷其一生都无法在其上面发表哪怕一篇文章，它的含金量非常高。
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。
美国《科学引文索引》(Science Citation Index, 简称 SCI )于1957 年由美国科学信息研究所(Institute for Scientific Information, 简称 ISI)在美国费城创办，是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。
SCI(科学引文索引 )、EI(工程索引 )、ISTP(科技会议录索引 ) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。
可以。发表论文在个人晋升、评奖、毕业等领域都可以发挥一定的作用。在研究生和博士生的学术生涯中，发表cvpr是一个常见的要求，奖学金的评估也是如此事实上，获得奖金是次要的，CVPR论文给作者带来的好处绝对不能用金钱来衡量。
还可以。
CVPR的workshop审稿还是很严格的。虽然reviewers和主会不是一套班子，但也都是来自Google/Facebook的顶级学者。难度上，CVPR workshop=B类主会>C类主会。
CVPR录用标准
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。
通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定论文是否可被接收。
可以。发表论文在个人晋升、评奖、毕业等领域都可以发挥一定的作用。在研究生和博士生的学术生涯中，发表cvpr是一个常见的要求，奖学金的评估也是如此事实上，获得奖金是次要的，CVPR论文给作者带来的好处绝对不能用金钱来衡量。
cvpr论文相当于sci一区论文吗？解析如下：
sci一区是泛指一大类期刊。里面有很多高水平杂志，也有很多一般水平杂志，cvpr是顶尖级的，国内外很多教授穷其一生都无法在其上面发表哪怕一篇文章，它的含金量非常高。
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。
美国《科学引文索引》(Science Citation Index, 简称 SCI )于1957 年由美国科学信息研究所(Institute for Scientific Information, 简称 ISI)在美国费城创办，是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。
SCI(科学引文索引 )、EI(工程索引 )、ISTP(科技会议录索引 ) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。