ICCV 2019上，Facebook AI 的 Ross Girshick 做了一个关于目标检测和实例分割的 tutorial，最后用19页PPT讲解了如何 writing good research papers，对这部分做个总结。
1. what did I learn from your paper
（1）一篇论文必专注于一个idea；（2）idea往往包含下面因素：在哪些场景下可以工作？什么时候可以工作？如果它有多个部分组成，哪个部分是最关键的？哪一部分实现细节是最重要的？（3）如果你的 idea 加上一些 trick 得到了 state-of-the-art的结果，审稿人也不是特别看重。审稿人更加重视的是能不能从你的 idea 中得到一些有趣的东西。
论文写作时，要用最简单的方式展示你的 idea：一般要从 solid baseline 开始，把你的想法应用在上面。接着要 perform ablations under simple settings。
2. Ablation实验要注意的是：One table, One message
Ross 用他的 Mask R-CNN 为例，论文中有很多表格，每张表都只表达1个信息。
3. Support all of your claims
所有的 claim 应该用 citation 或者 experiment 来支持。否则，不要出现不合格的表达，比如：
-
“Intuitively, increasing X is important for Y…”
This statement is your intuition (not fact), the reviewer may disagree! -
“Increasing X may lead to improved Y…”
Expresses uncertainty or that some conditions may apply
Ross举了一个例子，在Mask R-CNN论文中，论文中说alignment非常重要，因此提出了 RoIAlign，为了支持这个观点，有一个实验结果表格来支撑。
4. 当心 speed/accuracy claims
与当前算法的比较经常是不可控的（uncontrolled）。主要表现为如下五个方面：
- 使用不同参数时，算法准确率不同
- 不同参数及硬件环境中，算法速度不同
- inference details 不同时，算法速度不同
- 有些人是以优化算法速度为生的！他们能做到10-100倍速度提升
因此，我们对于算法准确率及速度的提升保持怀疑态度（taken with a large grain of salt）。而我们在做实验时，注意下面四项即可：
- Making training settings as similar as possible
- Making inference settings as similar as possible
- Ensuring low-level optimization fairness
- Using the same hardware for all methods
5. One more thing ... ...
还有三页PPT，是专门用于目标检测的，这里不再具体描述，我把PPT粘在下面了。
