DeepMind大佬4年读博日记！10组数据「定量分析」：6篇 ...

百视互联投影仪

关注“FightingCV”公众号
回复“AI”即可获得超100G人工智能的教程
点击进入→FightingCV交流群
【From 新智元】真实的博士生是什么样？来自德国的DeepMind研究员，用10组数据，总结了他在攻读计算机科学博士学位时最真实的生活。各类论坛中，有一个话题被不断提起：该不该读博？
现在，有人现身说法，通过一组数据给纠结的人们一些启发。
DeepMind研究人员David Stutz在个人博客上发布了名为《博士生数据》的文章，向大家展示了计算机科学博士生的真实生活。
Stutz称，他写这篇文章的初衷，是因为博士研究可能是一项长期的工作，涉及的内容远远超过撰写论文。
同时，在面试博士候选人期间，他认为很多面试者对博士日常工作的实际情况仍有误区。
因此，Stutz检查了他在博士期间实际花费的时间，并在这篇博文中用数字总结。希望通过这种方式，能够阐明真实的博士生活。
1169天



我的博士持续了四年半。请注意，这些日子不包括周末。遗憾的是，由于抱负和文化差异，我发现博士生经常在周末工作，例如，为了赶上最后期限或去出差。
23次出差



我参与了3个会议和3个暑期学校项目。这些都是在我攻读博士学位的前两年——在大流行之前完成的。
通常情况下，每个活动持续5-7天，期间没有假期，但通常包括周末旅行。此外，我参与了3次闭门会议以及2次演讲和领奖的会议。
疫情期间，我参加了12场线上会议或研讨会。通常情况，我只用线下会议所需时间的一小部分，便能完成演讲的录制。
9场会议



4年半的博士生活中，我一共向会议投递9篇论文，其中有5篇论文被接收，大部分发生在博士生活即将结束之时。
这是因为，一些论文被拒绝了一次或多次后，使该项目被「人为地」延长到博士即将毕业时再被接收，这会让许多博士生在读博后期的研究成果显得更加丰硕。
我所有投递的论文中，将近80%在第一次尝试中都没有成功。这也表明，拒绝、重新提交和撤回是进行原创研究不可或缺的一部分。
4份期刊



发刊论文可以在大改或小改的条件下，被期刊接受发表。而在会议上，这篇论文可能会被直接拒绝。
因此，在期刊上，如果论文展现的想法或实验足够新颖，它可能会在修改后被接受。然而，这是以显著延长发布过程为「代价」的。当然，这些修订是我所有期刊论文投稿和发表的一部分。
1308条代码提交



当你的论文涉及实证研究时，你就需要进行大量的编码工作。
不巧的是，我还要将所有的repo从Mercurial迁移到Git。以每周提交代码5.59次，我在过去234周总共提交了1308次代码——这还只是为实验所编写的代码。
去掉假期和出差，我平均每个工作日就要提交一次代码。此外，我还需要提交5次LaTeX文件来制作论文、PPT和Poster演讲。
我将所有的源代码（包括实验代码和LaTeX代码）上传至25个GitHub的repo中。通常情况下，这涉及代码清理、重构和记录的大量工作。
97篇审稿



除了发表文章，我还花了很多时间为会议和期刊审稿。不考虑研讨会上论文审阅的情况下，我总共评审了97篇论文。
假设评审一篇论文要两个小时，再加上一个小时用于反驳/讨论或修改，我一共花了36个工作日进行这项工作。
就我个人而言，我建议研究人员尽早开始评审，因为这也有助于提高自己的写作水平，同时能保持自己在领域的洞察力。
35次演讲



对我来说，博士生活的另一个重要部分是各种形式的报告——包括演讲和Poster。博士期间，我总共进行了17次外部报告，包括在研讨会或会议上的汇报以及在其他研究小组中的受邀演讲。
此外，我进行了大约18次内部报告。例如，在研讨会、阅读小组或团队会议上的汇报。虽然内部会谈通常无需过多准备，但对于博士生来说，内部报告同样重要。
23098封邮件



从2017年10月到2022年3月，我收到了17343封邮件，发送了5755封电子邮件。
平均下来，我每天会收到15封电子邮件，需要发送5封电子邮件，而且这不包括自动回复的邮件。
此外，为了准备与博士生导师的会面，我制作了大约2549张幻灯片，为大约211次会议做准备。我有两名博士生导师，带给我的一个「优势」是开会的频率：我几乎每周都要开会。
26名面试者



与学生一起工作，是攻读博士学位的另一个有趣部分。博士期间，我与5名学生一起工作并指导了两篇论文。
这两篇论文都被会议接收，但在此之前，我一共面试了26名学生才找到合适的候选人。
还有0
最后，我还想强调博士期间的0——那些我根本没有做过的事情。我看到许多博士生在其中一些事情上花费了大量时间，所以我想强调一下：

• 组织了0个研讨会——尝试举办过，但没有成功。
  
• 对Vitis的0研究——主要是由于疫情耽误，后来去了DeepMind实习。
  
• 组织了0次闭门会议——虽然我们小组的闭门会都由博士生组织。
  
• 担任过0个助教职位——我负责IT工作。
  
  

关于作者



本文作者David Stutz是DeepMind的一名研究科学家，研究方向是鲁棒和安全的深度学习。
在此之前，Stutz是德国马克斯·普朗克研究所（Max Planck Institute ）的一名博士生。攻读博士学位期间，Stutz与IBM TJ Watson研究中心合作。
Stutz在比特差错鲁棒性方面的研究在CVPR 2021 CV-AML上被选为优秀论文。多年来，Stutz还被评为CVPR、ICML和NeurIPS的杰出/顶级评审。
参考资料：
https://davidstutz.de/a-phd-in-numbers/

往期回顾

基础知识
【CV知识点汇总与解析】|损失函数篇

【CV知识点汇总与解析】|激活函数篇

【CV知识点汇总与解析】| optimizer和学习率篇

【CV知识点汇总与解析】| 正则化篇
【CV知识点汇总与解析】| 参数初始化篇

【CV知识点汇总与解析】| 卷积和池化篇 （超多图警告）

【CV知识点汇总与解析】| 技术发展篇 (超详细！！！)


最新论文解析
NeurIPS2022 Spotlight | TANGO：一种基于光照分解实现逼真稳健的文本驱动3D风格化
ECCV2022 Oral | 微软提出UNICORN，统一文本生成与边框预测任务
NeurIPS 2022 | VideoMAE：南大&腾讯联合提出第一个视频版MAE框架，遮盖率达到90%
NeurIPS 2022 | 清华大学提出OrdinalCLIP，基于序数提示学习的语言引导有序回归

SlowFast Network：用于计算机视觉视频理解的双模CNN
WACV2022 | 一张图片只值五句话吗？UAB提出图像-文本匹配语义的新视角！
CVPR2022 | Attention机制是为了找最相关的item？中科大团队反其道而行之！
ECCV2022 Oral | SeqTR：一个简单而通用的 Visual Grounding网络
如何训练用于图像检索的Vision Transformer？Facebook研究员解决了这个问题！
ICLR22 Workshop | 用两个模型解决一个任务，意大利学者提出维基百科上的高效检索模型

See Finer, See More！腾讯&上交提出IVT，越看越精细，进行精细全面的跨模态对比！
MM2022｜兼具低级和高级表征，百度提出利用显式高级语义增强视频文本检索
MM2022 | 用StyleGAN进行数据增强，真的太好用了

MM2022 | 在特征空间中的多模态数据增强方法

ECCV2022|港中文MM Lab证明Frozen的CLIP 模型是高效视频学习者

ECCV2022｜只能11%的参数就能优于Swin，微软提出快速预训练蒸馏方法TinyViT

CVPR2022|比VinVL快一万倍！人大提出交互协同的双流视觉语言预训练模型COTS，又快又好！

CVPR2022 Oral｜通过多尺度token聚合分流自注意力，代码已开源

CVPR Oral | 谷歌&斯坦福（李飞飞组）提出TIRG，用组合的文本和图像来进行图像检索

鱼片汤

顶起出售广告位