趁著今天的meeting比較少，花時(shí)間看了下CVPR中的一個(gè)workshop，叫Scholars and Big Models - How Can Academics Adapt (https://sites.google.com/view/academic-cv/)，學(xué)到了很多，也做了些思考，簡(jiǎn)單記錄下，以免后面忘了。

1. 在計(jì)算機(jī)視覺(jué)高速發(fā)展中，大家shared concern，excitement。

Random Thought?- 1:?

最近會(huì)被學(xué)生問(wèn)到，我實(shí)驗(yàn)室的工作時(shí)長(zhǎng)，我的回答：這是你們自己的PhD項(xiàng)目，我只負(fù)責(zé)最大程度上提供幫助，但我不是監(jiān)工，如果自己不上心，不能夠在規(guī)定的時(shí)間內(nèi)完成某個(gè)project，整個(gè)community會(huì)為你提供penalty signal，意味著你前期的所有時(shí)間，準(zhǔn)備工作都付之東流。另外，更遺憾的是，你的advisor還會(huì)放心把好的idea給你來(lái)做嗎？ Unfortunately，this is how the community works at the moment.

2. 計(jì)算機(jī)視覺(jué)研究中各行業(yè)的角色

3. 有太多的領(lǐng)域/問(wèn)題值得去進(jìn)一步探索和解決，

Random Thought?- 2:

在最近幾個(gè)月中，伴隨著幾個(gè)大模型的開(kāi)放使用，例如，ChatGPT，SAM，CLIP等，整個(gè)視覺(jué)領(lǐng)域的研究范式的確發(fā)生了顛覆性的改變，別的不說(shuō)，幾乎所有研究都從之前vision-only research，轉(zhuǎn)為vision-language joint representation learning，因?yàn)樵趌anguage的空間中，人類(lèi)先驗(yàn)知識(shí)能夠更兼容易的被編碼，能夠更好的用來(lái)guide visual representation learning。

但實(shí)話說(shuō)，目前的CV model，總是給我一種一瓶子不滿，半瓶子逛游的感覺(jué)，為什么這么說(shuō)哪，比如

（1）我想對(duì)圖像進(jìn)行編碼或分類(lèi)，想著來(lái)用用CLIP，全局編碼，沒(méi)有細(xì)節(jié)，分類(lèi)也并不是很準(zhǔn)，

（2）我想對(duì)圖像進(jìn)行caption，想著用用BLIP2，用了一下，發(fā)現(xiàn)就那么回事兒，大體說(shuō)的話不是很離譜，但完全沒(méi)有任何細(xì)節(jié)，例如顏色， 大小，形狀等，

（3）我想對(duì)圖像或視頻提取object-centric representation，來(lái)個(gè)SAM模型用用吧，也就那么回事兒，依然是難以處理extreme pose，occlusion，large vocabulary，

（4）生成一張圖，來(lái)個(gè)diffusion model吧，生成的怎么樣哪？sometimes impressive，sometimes rubbish, 連幾只狗，品種都搞不清楚，

盡管public?benchmark上看起來(lái)一片大好，perception解決了嗎，沒(méi)覺(jué)得.......?

Personal Notes:?

Anyway，看了大家激烈的討論，還是很受益的，逼迫自己坐下來(lái)花時(shí)間思考思考。同時(shí)也感到很慚愧，反思自己每天都在瞎忙活，真正坐下來(lái)讀論文和思考的時(shí)間被擠壓的很少。后面一定要多思考，多拒絕，少答應(yīng)一些沒(méi)用的事兒。。。。。