CVPR世界第二僅次Nature！谷歌2024學術指標出爐，NeurIPS、ICLR躋身前十
谷歌2024學術指標，剛剛出爐了！
最新排名是針對2019-2023年之間發表的文章的統計，還包含了截至2024年7月在Google Scholar中被引的所有文章數。
今年，依據h5-index，排在前十的期刊/國際頂級學術會議中，Nature已經連續霸榜多年。
除了Nature，還有新英格蘭醫學雜志、Science、自然通訊、柳葉刀、Advanced Materials、細胞國際期刊進入前十。
此外，CVPR、NeurIPS、ICLR三大頂會躋身TOP 10，分別位列第二、第七和第十。
2023學術指標中，CVPR位列第四，NeurIPS位列第九。ICLR排名不變。
網友們紛紛驚嘆道，「CVPR已經攀升至第二，僅次Nature」！
「看到CVPR比Science有更大一個影響力，和Nature相差不遠，簡直太瘋狂了」。
CVPR、NeurIPS頂會排名躍升如此之高，說明了什么問題？
加拿大滑鐵盧大學計算機教授Gautam Kamath稱，要么是很多人引用了這些頂會中的論文，要么是很多人在頂會中發表了論文。也就是說，這一現象主要反映了該研究領域的增長。
AI五大頂會沖進TOP 20
除了開頭我們提到了三個頂會位列前十，在總榜前20名中，還有ICCV、ICML兩個機器學習/計算機視覺頂會入選。
其中，ICCV位列第13，ICML位列第17。
接下來，一起分別看看這5大頂會，近5年來（2019-2023年）被引最高的文章。
CVPR：StyleGAN、LDM
首先來看CVPR，h5-index為440，h5-median為689。
在前20篇高被引的論文中，優秀的產出成果分別聚集在2019年、2020年、2022年中，分散在2021年、2023年的論文只有零星幾篇。
這里，有幾篇極具代表性，每個人或多或少熟知的作品：
由何凱明、謝賽寧等人聯手在2020年提出的動量對比（MoCo）算法被引最高，達11878次。這是一種構建大型且一致的詞典的方法，用于無監督學習。
還有英偉達團隊提出的StyleGAN算法，讓AI可以生成無數個細節豐富、逼真的人臉，很難看出偽造的痕跡。
Runway的AI視頻模型從Gen-1到Gen-3 Alpha完成多次進化，離不開的是「潛在擴散模型」（LDM）。
還有謝賽寧帶領團隊發表的A ConvNet for the 2020s，帶來全新純卷積模型ConvNeXt，性能反超Swin Transformer，直接在CV圈里掀起了模型架構之爭。
2023年有一篇YOLOv7的論文進入TOP 20，現在這一算法已經改進到了YOLOv10（清華團隊）。
NeurIPS：GPT-3、CoT、RAG
在NeurIPS中，h5-index為337，h5-median為614。
在前20篇高被引的論文中，優秀的產出成果分別聚集在2019-2022年之間。
被引最高的論文是PyTorch開山之作，被引數為43887，可見其影響力之深遠。
其次，被引第二高的是由前OpenAI科學家Ilya Sutskever帶隊的研究——大名鼎鼎的GPT-3背后之作，成為業界拜讀之筆。
其他著名的研究還包括：
谷歌大腦一作Jason Wei和團隊提出「思維鏈」（CoT）算法，已經成為當今大模型彌補幻覺問題的一種重要的手段。
還有OpenAI團隊提出的使用類別引導圖像生成擴散模型，首次擊敗了GAN。
另有Meta（Facebook）團隊在2020年在如下論文中，首次提出了如今大模型用到的一項技術的概念——檢索增強生成（RAG）。
ICLR：LoRA、ViT
在ICLR中，h5-index為304，h5-median為584。
在前20篇高被引的論文中，優秀的產出成果分別聚集在2019-2022年之間，2021年比例偏少一些。
其中的經典之作，包括微軟團隊提出的大模型時代爆火技術之一——LoRA。這是一種降低模型可訓練參數，又盡量不損失模型表現的大模型微調方法。
如下這篇論文成為Transfomer在CV領域的里程碑之作，引爆了后續的相關研究。
谷歌大腦團隊提出了Vision Transformer（ViT）全新架構，不用卷積神經網絡（CNN），可以直接用Transformer對圖像進行分類，性能趕超CNN。
斯坦福團隊提出的「去噪擴散隱式模型」（DDIM），大幅減少采樣的步驟，極大的提高了圖像生成的效率。
ICCV：Swin Transformer、SAM
在ICLR中，h5-index為291，h5-median為484。
在前20篇高被引的論文中，優秀的產出成果主要聚集在2019年、2021年。
其中，有大家熟知的：
全華人團隊提出的Swin Transformer，是Transformer模型在視覺領域的又一次碰撞。它在物體檢測和語義分割任務中大幅刷新了此前的紀錄，并被廣泛應用于眾多視覺任務中。
Meta團隊提出的「分割一切」（SAM）模型，讓學術圈直呼CV不存在了。
ICML：DALL·E、GLIDE、BLIP
在ICML中，h5-index為268，h5-median為424。
在前20篇高被引的論文中，優秀的產出成果分散在2019-2023年之間。
在GAN之后，Ian Goodfellow團隊又提出了「自注意力生成對抗網絡」（SAGAN），在GAN的基礎上引入了自注意力機制，改進了圖像生成的質量和多樣性。
OpenAI DALL·E背后經典之作，便是如下這篇了。
另一篇同由OpenAI團隊提出的的文本生成圖像模型GLIDE，僅用35億參數，就能媲美初代DALL·E的性能。
此外，還有雙語視覺語言模型BLIP、BLIP-2。
從以上五大頂會的趨勢研究中，看得出當前GenAI、大模型的爆發，與近年來的研究一脈相承。
另外，對于其他領域感興趣的讀者，可以進入Google Scholar主頁自行查閱。
傳送門：https://scholar.google.com/citations?view_op=top_venues
最權威學術指標，也陷爭議
每年，Google Scholar都會更新一次學術指標，并列出位列前100名的出版物。
「谷歌學術指標」提供了一種簡便的方法，可以快速評估近期文章在學術出版物中的可見度和影響力。
它總結了許多出版物最近的引用情況，可以幫助業界研究者們參考那里發表最新的研究成果。
這些出版物按照5年h-index、h-median，這兩個指標去排序。
若想具體查看，排名中某出版物中哪些文章被引數最多，以及誰引用了這些文章，直接單擊h-index，便可查看。
總榜，是不分類榜單。針對不同領域，比如工程&計算機視覺、物理&數學、化學&材料科學等，都有各自榜單排名。
有網友發出質疑：如果不考慮「頂會規模」這一「強相關」的因素，這怎么可能成為一個有意義的評價頂會的標準呢？
對此，Gautam Kamath稱，是的這就是谷歌正在衡量的因素。我覺得這里有一個更好的衡量「影響力」的方法——只計算來自本領域外的引用（類似于排除「自引」）。
另有網友粗略計算了下，14個頂會中，僅有4個不收取出版費用。當然，雖然沒有出版費用，但參加會議仍有其他相關費用，而且根據提交論文的數量等因素而變化。
TOP 100名單
今年谷歌學術指標中，所有TOP 100名單如下：
