阅读步骤

第一遍

第一次通过的目的是大致了解论文。
阅读作者姓名、标题、摘要、简介、小节标题，简单浏览method、experiment 中的图表，并阅读结论。不要阅读任何数学公式。检查论文中提到的参考资料。
第一次通过时不要花超过15分钟，到阅读结束后，你应该知道论文正在解决什么问题，已经得出了什么结论，最重要的是，这篇论文写得很好，是否足够让你花更多时间在上面，筛选论文。

第二遍

第二遍详细看下method、experiment中的图表，还是可以忽略其数学公式，在experiment 中它的算法和别人算法之间的对比，一些重点文献引用圈出来，精读。

第二遍阅读完后，检查论文中是否有任何GitHub的教程，并尝试重新运行以复制结果。这个阶段应该会在50到90分钟之间。
如果您对论文的内容感到满意，并且总体而言，你认为它将帮助您实现目标，然后才面向第三遍阅读

第三遍

沿着作者的思维，去想象针对遇到什么问题，提出什么样的方法，用什么什么去实现这个方法，或者如果是自己遇到这种问题（基于当前自己的知识系统改如何处理这类型的算法问题）。

在这个阶段，花很多时间在纸上，试图理解它的每个单词。
如果您的目标只是熟悉一种新方法，那么也许第二遍阅读就足够了，但如果您手头有一项特定任务，您正在试图找到其解决方案，那么请继续进行第三遍阅读。
在第三次阅读中，彻底阅读数学公式部分，搞定些术语概念。

上哪里找论文

paperswithcode

🔗https://paperswithcode.com/sota

这里论文分类得很好，所以你可以按照分类的方法，选择一个感兴趣的领域，比如语义分割，并阅读15-20篇论文，以很好地理解这个领域。更重要的是，你可以找到论文的代码。

也可以从不同计算机应用中，看到不同算法的实现效果（用指标对比）和算法的发展趋势

connectedpapers

https://www.connectedpapers.com

这个网站可以通过搜索文献和关键词，查找论文，通过知识图谱知道对应论文其中的文献引用，和被引用的关系，有助于我们知道这个学科的一些最新前沿。

这个知识图谱有三个特点：

• 论文发表时间越新：颜色越深
• 论文引用度越高：圆圈越大
• 论文之间联系越强：连线越黑

labml.ai 深度学习论文实现

🔗https://nn.labml.ai/index.html
这是一个用pytorch架构实现大量神经网络相关算法的集合网站。这些实现代码都有记录注释。您可以在了解如何通过Pytorch实现它，并同时阅读论文。

目前主流的深度学习架构还是pytorch

labml.ai 热门研究论文

推特等社交媒体上最受欢迎的研究论文。您可以轻松找到下载论文、论文摘要、解释视频和讨论的链接。

另外我认为从大多数学习者来说，更希望，获得每一年IT的某一个领域。最热门的几篇论文，或者一些具有代表性的论文就可以了，不想自己去找，一个个论文摘要浏览。

我想快速知道今年2022年计算机视觉有哪些代表性的论文成果，就可以先着手观看历史到现在，那些最具代表性的算法所被第一次提出时的论文，又或者说参考别人提供推荐（注意一定要看热门博主或者播放量多的）