要點一
每篇論文都不會說自己的缺點，只會放大優點。但是引用別人的論文時，卻總放大別人工作的缺點。當你對比閱讀時，形成一個知識串，纔會對某個問題有更清晰的認識。
要點二
論文爲了出成果，一般只會選擇對自己模型有力的數據集驗證。對某一領域數據集的特徵瞭解，便再也不會被作者矇蔽雙眼了。比如NAS(Neural Architecture Search)，很多論文喜歡在CIFAR-10/ CIFAR-100/SVHN等小數據集比實驗結果，ImageNet性能表現避重就輕避而不談；很多論文寫state-of-art的性能，對實時性不談；論文沒有說的沒有做的可能是個大坑。
要點三
論文因爲要投稿和發表頂會，故意會雲裏霧裏引入很多概念和公式，當對比代碼，關鍵trick，才能返璞歸真。Code+paper，纔是論文最佳的閱讀方式。
要點四
對於自己關注的領域，可能每篇有影響的，實驗結果不是state-of-art也要關注，因爲工作可能會撞車。對橫向領域的論文，要關注state-of-art,說不定很多trick可以直接遷移到自己的工作。
要點五
重點關注數著名實驗室/老師/三大頂會（CVPR,ICCV,ECCV）。2020年的CVPR投稿量都破萬，各種水文魚目混雜，實在是難以鑑別，個人傾向於 paper+code 模式。敢於開源code的論文，真金不怕火煉，作者有底氣。沒有code的論文，也許是商業或者其他授權暫時沒有發佈，但是發佈了一兩年還在遮遮掩掩，這些論文不看也罷。
要點六
最重要一點：拒絕二手知識。閱讀一篇論文,google搜索題目可能有1000+篇的閱讀筆記，閱讀筆記的數量比論文的引用量都多；包括我在內的很多博客/筆記也喜歡摘抄，google翻譯+複製粘貼造就閱讀筆記的虛假繁榮。有些問答還是具有參考意義，比如知乎中常見的“如何評價Google Brain團隊最新檢測論文SpineNet？”，在這些如何評價的思想碰撞中，還是有些很好的火花。個人感覺不管是做科研學術工業界做項目，要摒棄完全從二手知識中學習，應該更多的直接從原文閱讀思考、和作者郵箱聯繫尋找答案。