前言：

目前主流方向的模型基本都做到了很高的精度，你能想到的方法，基本上前人都做過了，並且還做得很好，因此越往後論文越來越難發，創新點越來越難找。

那如何尋找自己的創新點呢？如何在前人的基礎上改進呢？在本文將提供幾種思路。

思路

常見的思路我臨時給它們取了幾個名字：無事生非，後浪推前浪，推陳出新。

1. 在原始的資料集上加一些噪聲，例如隨機遮擋，或者調整飽和度什麼的，主要是根據具體的任務來增加噪聲或擾動，不可亂來。如果它的精度下降的厲害，那你的思路就來了，如何在有遮擋或有噪聲或其他什麼情況下，保證模型的精度。（無事生非）

2. 用它的模型去嘗試一個新場景的資料集，因為它原來的模型很可能是過擬合的。如果在新場景下精度下降的厲害，思路又有了，如何提升模型的泛化能力，實現在新場景下的高精度。（無事生非）

3. 思考一下它存在的問題，例如模型太大，推理速度太慢，訓練時間太長，收斂速度慢等。一般來說這存在一個問題，其他問題也是連帶著的。如果存在以上的問題，你就可以思考如何去提高推理速度，或者在儘可能不降低精度的情況下，大幅度減少引數量或者計算量，或者加快收斂速度。（後浪推前浪）

4. 考慮一下模型是否太複雜，例如：人工設計的地方太多，後處理太多，需要調參的地方太多。基於這些情況，你可以考慮如何設計一個end-to-end模型，在設計過程中，肯定會出現訓練效果不好的情況，這時候需要自己去設計一些新的處理方法，這個方法就是你的創新。（後浪推前浪）

5. 替換一些新的結構，引入一些其它方向的技術，例如transformer，特徵金字塔技術等。這方面主要是要多關注一些相關技術，前沿技術，各個方向的內容建議多關注一些。（推陳出新）

對於加噪聲或者隨機遮擋的問題，可以參考下面這篇《資料增強方法總結》

對於輕量化，或者加快推理速度，或者減少引數量等方面的方法，可以參考下面兩篇文章

《CNN結構演變總結（二）輕量化模型》

《CNN結構演變總結（三）設計原則》

本文來源於公眾號CV技術指南的技術總結系列，更多相關技術總結請掃描文末二維碼關注公眾號。

​

公眾號其它技術總結內容

特徵金字塔技術總結

CV方向的高效閱讀英文文獻方法總結

資料增強方法總結

CNN結構演變總結（一）經典模型

CNN結構演變總結（二）輕量化模型

CNN結構演變總結（三）設計原則

CNN視覺化技術總結(一)-特徵圖視覺化

CNN視覺化技術總結（二）--卷積核可視化

CNN視覺化技術總結（三）--類視覺化

CNN視覺化技術總結（四）--視覺化工具與專案

池化技術總結

NMS總結

&n