论文主体写完了，导师看完评价“工作量有点不够。”所以到底是该补实验、改模型，还是重新找研究方向？
我的建议是，不要盲目加模块、跑实验，你可以尝试从这三个方面排查：研究改动太少、实验验证不充分、已有工作没有充分呈现。每个对应的补充思路完全不同。
今天就和大家分享一些经验，同时也整理了两类实用资料：90多个深度学习公开数据集，按任务类型分类，方便寻找合适的数据补充实验、验证模型泛化能力；399个即插即用模块，按照改造位置分类，可以参考不同网络结构的设计思路，寻找模型改进方向。
需要的可以先领，后面会讲到具体用途。
第一步：先判断究竟缺在哪里
判断方法不难，翻一下自己的实验章节：
- 只有一个数据集、一套实验设置，缺少消融和对比：实验验证不充分。
- 实验做了不少，但方法基本只是简单拼接已有模块：研究改动不足。
- 实验结果已经比较完整，却缺少特征可视化、案例分析等：已有工作没有充分呈现。
注意，实验数量多不等于工作量足够，关键是每组实验能不能回答一个具体的研究问题。
第二步：实验不充分，就从验证维度扩展
可以考虑增加不同数据集测试、跨域泛化实验、不同Backbone对比、消融实验和典型案例分析。
比如目标检测模型在自然光数据集上效果不错，但换到红外场景就明显掉点，这时候就可以进一步研究模型在不同成像条件下的适应能力。
但前提是任务和数据确实匹配。如果手里缺少合适的数据集，可以参考我整理的90多个公开数据集，按任务类型分好了，多数据集和跨域测试都能直接挑。
第三步：研究改动太少，就重新审视模型结构
一个常见的误区是把“在baseline里拼了两个顶会模块”当成工作量，这种在答辩时很容易被问住，因为本质上是拼接。
更稳的做法是往模块内部改：比如原方法采用串行特征融合，你可以分析它在多尺度信息交互上的不足，再尝试并行融合、残差连接等结构，比较不同设计的效果。重点不是改得多复杂，而是能不能说明原结构存在什么问题，你的改动为什么有必要。
这里可以用到399个即插即用模块，它们按改造位置分了类，你可以在同一个位置上找同类结构做对照，看别人试过哪些变体。
第四步：已有实验没体现出来，就补充分析
如果数据已经有了，不一定非要重新训练。
最省事的两个补法：用t-SNE或者UMAP把中间层特征画出来，说明你的模型把类别分得更开；再挑几个baseline做不好、你的方法做得住的样本，做成case study。
这两个都不是凑数，前提是差别真实存在。只能靠挑样本才看得出优势的话，写进去反而会被追问。
最后，毕业论文工作量不够，最忌讳的就是为了增加工作量而盲目堆实验、拼模块。先找到真正缺失的环节，再利用参考数据集、网络结构和已有论文寻找合适的补充方向，往往比一味增加实验数量更有效。
如果你现在也卡在毕业论文工作量不足，不妨先对照这三个方面检查一下。90多个公开数据集和399个即插即用模块也已经整理好了，需要的可以领取一份，后续找实验数据、参考网络改进思路都能用得上。
