- 논문의 종류 파악 → Abstract 분석 및 정리 → 1회독 후 요약 및 Reference 분석 → 논문의 의도 파악 → 의문점 및 추가 논의 → 2회독, 3회독 진행
논문 3번 읽는 방법
- Title, Abstract, Introduction
- 제목, 초록, 서론을 주의 깊게 읽는다.
- 각 섹션의 제목 확인
- 논문의 전체 구조를 파악하기 위해 각 섹션 제목을 살펴본다.
- 수학적인 부분 대략 확인
- (만약 있다면) 수학적 내용이나 이론적 배경을 대충 읽고 어떤 기반이 사용되었는지 생각해본다.
- Conclusion
- 결론을 읽어 논문의 최종적인 메시지를 이해한다.
- Reference 확인
- 참고문헌을 훑어보고, 이전에 읽어본 논문이 있는지 확인한다.
- 그림, 다이어그램, 삽화 분석
- 그림, 다이어그램, 그래프를 주의 깊게 살펴본다. 특히 그래프에 신경 써서 내용을 파악한다.
- 참고문헌 표시
- 참고문헌 중 나중에 읽을 만한 논문을 표시한다. (논문의 배경을 배우는 데 유용)
- 세세한 증명은 무시
- 증명과 같은 세세한 부분은 이 단계에서는 무시한다.
- 증명 부분 이해 및 구현
- 논문의 증명 부분을 깊이 이해하고, 필요하면 이를 구현해본다.
- 논문 링크: [논문 링크 작성 (arxiv)]
- Reviewer: [GitHub 핸들]
- 논문 유형:
- 아이디어 중심 논문
- 이론 및 수식 중심 논문
- 실험 중심 논문
-
Abstract 요약:
(한두 문장으로 Abstract 내용을 요약)
-
논문의 주요 목표:
(논문의 목표를 추론하여 작성)
-
제안된 방법론:
(제안된 방법론을 추론하여 작성)
-
결론 혹은 결과:
(결론의 핵심 내용을 추론하여 작성)
-
논문의 핵심 요약:
(논문의 주요 메시지와 결과를 간략히 정리)
-
Reference 분석:
- Abstract와 Introduction에서 주요 Reference:
(이 섹션에서 중요하게 언급된 Reference)
- Problem Statement 섹션의 주요 Reference:
(기존 연구 및 비교 대상 연구를 요약)
- Methods 및 Results의 주요 Reference:
(핵심 기법 및 비교 연구 기반 Reference)
- Abstract와 Introduction에서 주요 Reference:
-
기존 연구 대비 나아진 점:
(논문이 개선하거나 해결한 문제를 기술)
-
논문이 승인된 이유 추정:
(논문의 학문적 기여 또는 혁신성을 기술)
-
해결되지 않은 의문점:
(논문에서 명확하지 않은 부분을 작성)
-
응용 가능성과 개선 방향:
- 실제 문제에 적용 가능성:
(연구 결과의 현실적 적용 가능성에 대한 의견 제시)
- 방법론의 확장 또는 개선 방안:
(방법론 확장 및 향후 연구 방향 제안)
- 실제 문제에 적용 가능성:
2023 Summer
| Number | Title | Link | Github |
|---|---|---|---|
| 1 | ARviz – An Augmented Reality-enabled Visualization Platform for ROS Applications | https://arxiv.org/abs/2110.15521 | qor6 |
| 2 | Development of Fake News Model using Machine Learning through Natural Language Processing | https://arxiv.org/abs/2201.07489 | Seungwon62 |
| 3 | NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from 3D-aware Diffusion | https://arxiv.org/abs/2302.10109 | choo121600 |
| 4 | Semantic-SAM: Segment and Recognize Anything at Any Granularity | https://arxiv.org/pdf/2307.04767v1.pdf | rnjswn |
| 5 | Zeus: Understanding and Optimizing GPU Energy Consumption of DNN Training | https://arxiv.org/abs/2208.06102 | hemham |
| 6 | TVM: An Automated End-to-End Optimizing Compiler for Deep Learning | https://arxiv.org/abs/1802.04799 | cpprhtn |
| 7 | Magic123: One Image to High-Quality 3D Object Generation Using Both 2D and 3D Diffusion Priors | https://arxiv.org/abs/2306.17843 | hemham |
| 8 | Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving | https://arxiv.org/abs/2308.01471 | rnjswn |
| 9 | h2oGPT: Democratizing Large Language Models | https://arxiv.org/pdf/2306.08161v2.pdf | Seungwon62 |
2023 Winter
| Number | Title | Link | Name |
|---|---|---|---|
| 1 | HybridNets: End-to-End Perception Network | https://arxiv.org/abs/2203.09035 | 권현주 |
| 2 | YOLOv4: Optimal Speed and Accuracy of Object Detection | https://arxiv.org/abs/2004.10934 | 오승연 |
| 3 | SlowFast Networks for Video Recognition | https://arxiv.org/abs/1812.03982 | 김주연 |
| 4 | Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks | https://arxiv.org/abs/1511.06434 | 김건호 |
| 5 | A Two-stream Neural Network for Pose-based Hand Gesture Recognition | https://arxiv.org/abs/2101.08926 | 최담록 |