ICRA和IROS为什么只是B和C？

我身边学长，一年7篇CVPR，4篇ECCV和5篇ICCV，真的太容易发了，只要你能想到不同的鸟屎配方。

这个评比，跟英联邦大学世界排名一样，水漫金山

2024QS排名
墨尔本大学比加州理工排名还高
你相信吗？

你拿CVPR去跟ICRA比CV

=墨尔本大学去跟Caltech比法律

不是搞笑吗？

就问一句致命的问题：

高贵的CCF A会的机器人可以叠衣服，端茶倒水了，还是可以像波士顿动力这样跑酷了？

还是就学CVPR，AAAI这样，天天刷imageNet这样的八股文？

客观总结：

ICRA的CV= MIT的音乐专业 CVPR的Robotics=茱莉亚音乐学院的数学

做机器人控制和系统的可以靠一篇所谓的CCF C的IROS进DeepMind，各位有多少篇CCF A连Meta和亚马逊都进不了呢？？

人家的IROS：6个月研究从力学计算，经历系统平衡不稳定性的崩溃，6个月年做关节机械设计，经历过各种公差不配合，自由度冗余，设计想法太天真，一改二改，2年电路控制和设计，各种信号和线路出问题，一条线一条线debug，6个月3D制造加工，过材料疲劳的崩溃，材料成型的裂痕，6个月搭建ROS通讯，编译C++各种问题，往上都找不到解决方案，moveit几千个底层编译和config文件夹一个一个找，一个一个client的msg核对，10个月仿真器搭建…….，物理环境搭建….，6个月做Sim2real转换，发现方针跟现实差距巨大，各大paper里面的模型都是过于理想，前人没碰是因为真的巨难，后期算法搭建，更复杂，感慨波士顿动力的天下无敌，一步步测试debug，全都是难关，然后历经9981难投了IROS paper，然后开心死了，然后不忘夸赞一下还是你们CS系的强啊……

你的CVPR：网上20分钟下载，公开数据集，师兄师姐导师给你找好benchmark，10分钟下载Github代码跑跑baseline，2周读下文献学习人家如何魔改网络，添加Tricks，然后任务巨简单，“图像识别or分割”，在你的特定的context下，又又又改进了0.1%（没有改进只是trick不够多），然后3周搭建算法，3周跑跑benchmark，然后4周开始写paper，然后2周完善补充benchmark，2周编故事，然后2周时间强行数学证明下，总共耗时5月，投了，然后发现你朋友3月就一篇，感叹一句好卷好卷好卷，然后IROS好弱好弱好弱……ccf c的会议，好水好水好水….

本文对，CV，Robotics，生化环材，医学的水准进行综合比较。

最强梯队

CV：Nature/ Science封面 （全年3篇）
Robotics：Science/Nature 正刊（2篇）
生化环材医：科学突破奖/斯拉克奖/沃夫奖/未来科学 （全年25人获）
对应学术职位：top 20 university 院长
对应工业界：OpenAI/DeepMind/波士顿动力/达芬奇机器人/辉瑞/Moderna

第二梯队

CV：Nature / Science 正刊 （全年10篇）
Robotics：Science Robotics / Nature machine intelligence （control track 全年10篇）
生化环材医：麦克阿瑟奖/美国科学院奖 （全年300人）
对应学术界职位：C9 院士

第三梯队

CV：Nature Machine Intelligence/ ICML ICLR NeurIPS best paper （全年200篇）
Robotics：IJRR/TRO/ ICRA best paper/ RSS （全年150篇）
生化环材：Nature Science Cell 封面 （全年150篇）
医学：3 篇 Nature Science，柳叶刀，NEJ 封面 （全年200篇）
对应职位：C9的首席教授

第四梯队

CV：ICML ICLR NeurIPS oral （300篇）
Robotics：CoRL oral （全年40篇）
生化环材：Nature Science 正刊 （全年3000篇）
医学：3篇 Nature 柳叶刀 新英格兰杂志 （全年3000篇）
对应职位：C9 正教授（杰青）

第五梯队

CV：Nature Communications/CVPR ICCV oral paper/ ICML ICLR NeurIPS poster （全年800篇左右）
Robotics：CoRL posters （全年100篇）
生化环材：Cell, Joule （全年800篇）
医学：Nature 柳叶刀 新英格兰杂志（全年3000篇）
对应职位：中上 985 正教授

第六梯队

CV：TPAMI/CVPR/ICCV/ACL/MIA （全年4000篇）
Robotics：ICRA/RAL/Soft Robotics （全年2000篇）
生化环材：Nature Communications/ Advanced Materials/ Cell Research/ Immunity/
医学：JAMA/ BMJ/ Nature Medicine/ Annals of Oncology/Nature Review Cardiology （全年1000篇）

第七梯队

CV：ECCV/AAMAS/MICCAI （全年3000篇）
Robotics：IROS/Frontiers AI robotics/ Robot Soft/JFR（全年1500篇）
生化环材：Nano energy/matter/nature microbiology  （全年800篇）
医学：CANCER CELL/ NEURON/GUT/ NEURON （全年2000篇）
对应职位：985优秀副教授

再仔细讨论一下cv和robotics 领域，各大会议 2023 发文量

CV领域：

NeurIPS: 3218I

CML: 1824I

CLR: 1575

CVPR: 2359

ECCV: 1629

机器人领域：

RSS: 103 (极低)

CoRL: 130 （极低）

ICRA: 1345

IROS: 1196

最重要的分析来了 ！

举个例子，一项完备的现代科研任务，我们可以分为5个最关键的过程：

1. 数据采集系统的搭建（难度15星，耗时10星）占工作量 20% （肿瘤仪器）
2. 数据的采集（难度2星，耗时8星）占工作量 10% （肿瘤图像）
3. 识别算法的建立（难度5星，耗时2星）占工作量 10% （cv识别算法）
4. 控制算法的建立（难度20星，耗时10星）占工作量40% （机器人contro 手术切除算法）
5. 控制系统的搭建（难度15星，耗时20星）占工作量20% （机器人手术的器材搭建）

CV领域为啥有这么庞大的发文量，因为他们只管10%的工作量，

1）数据系统搭建不用管

2）海量数据采集不用管

3）最最最关键的复杂的控制”不用管

4）控制系统搭建不用管

比如识别肿瘤，cv肿瘤数据是已经拿到了，识别了肿瘤，cv的工作就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了，就结束了？就很离谱，这就结束了？？？？？？？？

所以机器人的门槛远远高于cv，你觉得你算法创新，你为啥老是在公开数据集+最简单的任务上，跑几行python呢？你试试找个强化学习大牛，来控制下机器人倒水，拖地，分分钟算法 divergent， 系统 crash。

大部分CV 领域的：花里胡哨的novel算法+最最最简单的任务。

自诩算法创新，没有意识到，这些创新建立在，你任务太简单的基础上

即使cv界大牛，包括李飞飞组，包括sergey levine，无一例外的，全都是最简单的机器人任务，抓+放 （pick-place），任务极其简单，然后弄一大堆花里胡哨的算法，刷benchmark，然后投每年上万篇paper接受的会议，然后觉得自己ccf a高级了。。。

当然，AI 界也有良心的，没有为了水novelty而找个最最最简单任务的，比如deepmind，人家找的是蛋白质折叠任务，所以人家可以发nature science。

因此做个综合benchmark：

CVPR = 最简单任务（1星）* novel算法（4星）=4星

ICML = 最简单任务（1星）* novel算法（4星）* 严谨数学证明（3星） = 12 星

ICLR = 普通任务（2星） * 十分novel算法（5星）= 10 星

NeurIPS = 最简单的任务（1星） * 魔改网络算法 （4星）=4 星

RSS = 复杂任务（4星）* 复杂且novel算法 （4星）= 16星

CoRL = 复杂任务 （3星） * novel算法 （3星）= 9星

ICRA = 复杂任务（3星） * 相对novel算法 （2星） = 6 星

IROS = 普通任务（2星）* 相对novel算法 （2星）= 4 星

再次强调，任务本身难度，是衡量一个研究本身水准的最关键因素之一，抛开任务本身谈novelty，没有意义，没有任何意义。

注意，这里的Robotics指非CV类track的paper，不要说CVPR转投ICRA。

你CMU的CS转投哈佛还能中呢，你去跟哈佛比CS，你先说哈佛整体不如CMU？

你伦敦艺术学院，去投MIT的art也能中呢，你想说MIT不如伦艺, 所以学CV的人去投robotics的CV track=申请清华的新闻专业，哈佛的计算机，MIT的艺术管理。

有人私信让我补充：Medical Imaging和无人机水准，到底处于什么位置。

医学图像：

这个领域是水paper大户，身边朋友一年2篇NeurIPS，CVPR的大有人在，对比传统CV，可能要自降一级，CVPR的医学图像，水准远远低于robotics，大概IROS的水准。

无人机/自动驾驶/通讯

这个领域也非常容易产paper，得益于无人机本身考虑到运动复杂度非常低，因此可以近似看成一个点的运动，而且无人机本身任务相对机器人简单（主要是导航规划），可以套各种数学模型（因为简单所以好建模），因此无人机发CoRL大概也差不多机器人本身IROS的水准。

通讯就不说了，三个月一篇，是常事，水paper巨户。

最后回答几个大家最关注的问题

1. 为什么ICRA和IROS是B和C？

计算机类会议排名：ICRA和IROS是B和C
艺术类高校排名：清华上交的也是B和C

很多人考不上央美，中国美术学院，甚至连第二流的美术院校都考不上，就转投了清华，同济，上交，重庆大学等985的艺术院校。难道这能证明央美比清华牛皮？

你来robotics投，你连机器人都没有，你ROS也不会用，去比CV刷imageNet，投ICRA，你咋不去MIT学厨师呢？

2. 为什么RAL的impact factor才5，很多生化环材医都是30多分？

数学顶刊：Annals of Mathematics （5）
自动化控制顶刊：Automatica（6.5）
理论物理顶刊：PRL（9.6）
机器人顶刊：TRO （7.8）
医学顶刊：Lancet（168）
生物顶刊：Cell （66）
材料顶刊：NRM （76）
环境顶刊：NREE（42）
化学顶刊：CR（62）

基本上有个规律，领域的顶刊影响因子越大，该领域的论文就越容易水

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程：
3dcver.com

3DGS、NeRF、结构光、相位偏折术、机械臂抓取、点云实战、Open3D、缺陷检测、BEV感知、Occupancy、Transformer、模型部署、3D目标检测、深度估计、多传感器标定、规划与控制、无人机仿真、三维视觉C++、三维视觉python、dToF、相机标定、ROS2、机器人控制规划、LeGo-LAOM、多模态融合SLAM、LOAM-SLAM、室内室外SLAM、VINS-Fusion、ORB-SLAM3、MVSNet三维重建、colmap、线面结构光、硬件结构光扫描仪。

3D视觉学习圈子

3D视觉从入门到精通知识星球、国内成立最早、6000+成员交流学习。包括：星球视频课程近20门（价值超6000）、项目对接、3D视觉学习路线总结、最新顶会论文&代码、3D视觉行业最新模组、3D视觉优质源码汇总、书籍推荐、编程基础&学习工具、实战项目&作业、求职招聘&面经&面试题等等。欢迎加入3D视觉从入门到精通知识星球，一起学习进步。

3D视觉交流群

目前工坊已经建立了3D视觉方向多个社群，包括SLAM、工业3D视觉、自动驾驶、三维重建、无人机等方向，细分群包括：

工业3D视觉：相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。

SLAM：视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。

自动驾驶：深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、Occupancy、目标跟踪等。

三维重建：3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等

无人机：四旋翼建模、无人机飞控等

除了这些，还有求职、硬件选型、视觉产品落地、最新论文、3D视觉最新产品、3D视觉行业新闻等交流群

添加小助理: dddvision，备注：研究方向+学校/公司+昵称（如3D点云+清华+小草莓）, 拉你入群。

欢迎点个在看，你最好看!