搞深度学习，论文看了几十篇，最后可能还是不知道自己能做什么。
后来我发现，与其漫无目的地找创新点，不如先从下面这5个位置排查👇看完你就有思路了：
PS：为了帮助大家轻松科研，我打包了90个深度学习数据集/100个医学数据集、各方向参考论文、366个即插即用模块，基本覆盖找问题、找数据、找参考、找方法到做实验全流程，大家可扫码加小享让TA及时无偿发你！
① 数据：数据变了，模型还靠谱吗？
噪声、遮挡、光照、尺度、不同场景、不同数据分布……很多时候模型本身没变，但数据一换，原方法的问题就暴露出来了。
所以可以观察当前方法对什么数据最敏感？换一个数据分布后，性能还稳定吗？
如果准备从这条路线切入，数据就很重要。
我自己整理了90个深度学习数据集 + 100个医学数据集，覆盖检测、分割、缺陷、遥感、医学影像等不同方向，找数据会方便很多。
② 模型：别急着改，先找它哪里不好用
可以重点看：速度慢？参数量大？收敛困难？小目标效果差？后处理复杂？泛化能力差？
找到一个具体问题之后，再考虑怎么改。这时候参考论文就特别重要。
这里教大家一个看论文的方法，顺着“现有方法有什么问题 → 作者为什么这样改 → 改完解决了什么 → 这个问题还能不能继续往下做”这个思路。
这里我也整理了一批各方向参考论文，热门的基本都有，主要用来帮大家找研究问题和创新切口。可以加小享给TA发你的方向，有对应论文合集会直接发给你。
③ 结构：现有模块能不能换？
确定问题以后，就可以考虑：有没有成熟的方法，刚好能解决这个问题？比如注意力、特征融合、多尺度、卷积、Mamba等。
但注意一个点：加了一个Attention” ≠ “有了创新”。真正要讲清楚为什么这里需要改？为什么这个模块适合解决这个问题？
这部分我整理了
366个即插即用模块，可以按照我已经分类好的功能和结构去找，比一个个翻论文、找代码省事很多。
④ 场景：通用方向太卷，就看看特殊场景
夜间、水下、遥感、工业、医学、鱼眼……很多特殊场景都有自己的数据分布和任务难点。
如果刚进入一个研究方向，与其直接硬卷通用模型，不如先看这个场景有什么特殊问题，是现有通用方法没解决好的？这往往更容易找到具体的研究问题。
⑤ 组合：不是从零造模型，也可以形成工作
如果暂时没有能力从头设计一个复杂网络，也可以从“现有框架 + 针对性模块 + 特定问题 + 实验验证”开始。
关键不是“缝了几个模块”，而是要有明确的问题驱动。
所以现在如果让我重新找一个深度学习论文创新点，我一般会按这个顺序：先找问题 → 再看论文 → 决定改数据还是模型 → 找对应模块 → 最后用实验验证。
