※ 引述《haryewkun (Har)》之铭言： : ※ 引述《haryewkun (Har)》之铭言： : : 推 slzhao:kkcity.twbbs.org里面有一个CSZone,以前里面的讨论也不错. 07/07 08:42 : : → slzhao:但最近kkcity的人似乎变少了,讨论的人变少很多. 07/07 08:45 : : → slzhao:大陆近年的学术研究水平不算低,但是抄袭的也不少. 07/07 08:49 : : → slzhao:至於您,我只想问您,知不知道void *在C语言中的意义跟角色? 07/07 08:50 : 谢谢提供地址。不过我现在的网络连接不太顺畅，今晚再上去看看。 : 至於您的最後一个问题，却让我非常犹豫，不知道要怎麽做。 : 如果没有误解您的意思，您这个问题，应该不是简单地要知道答案吧？ void *这个东西只是想跟您聊聊做学问的态度. 熟悉C语言的人应该都知道当一个function如下: f(void *ptr); 此function可以接受所有指标形态. 当我们需要的时候,才把ptr转换成我们需要的资料型态. 当我们把function改成如下的形式. f(int nInput); 则此function只接受int,非int如果包含在int的范围内,也可接受. 但是如果遇到double等资料型态,则会有不少资讯被截掉. 想像我就是一个function,如果我只肯接受int,那我的世界也就只是int. 无论接受到怎样的资讯,我也只撷取int. 当我可以处理所有int之後,我就会认为这世界没什麽了. 但是当我可以接受void *的时候,所有东西都是问题了,世界是那麽的广泛. 广泛到我连描述都无法描述的地步. 没办法遇到可以"电"您的人,可能是因为您把世界范围缩小了. 计算机的世界是很广泛的,所有现实的问题都是计算机的问题. 如果把范围缩小到只接受自己想接受的东西,会发觉很快这个世界就没人才了. 举个例子吧. 以前我学影像识别,看了一堆paper,後来发觉大部分归根究底就是在算条件机率. P(w|f) f是特徵,w是类别. Pattern Recognition课本那麽大本,还不是整本都是这个观念. 看到有些paper提出的方法会先作完PCA再做Mahalanobis distance. 当时觉得很可笑,认为那麽没概念的paper不读也罢.(以言废人->以人废言) 而大部分的paper也不过就是把一堆已知的方法凑起来而已. 也因此,茫然困惑了好一阵子,认为PR领域也不过就如此而已,还有什麽是值得研究的? 後来硬着头皮,不做也得做,把一些方法实作到程式中. 才发觉原来世界并非只是条件机率而已. 特徵怎麽产生?抽特徵的方法?抽完特徵该选用哪一种model来计算机率? 虽然每一个环节都有已知的方法,且不难实作,但偏偏到我做才发现困难重重. 我不可能把所有方法的组合都尝试,只能以有限时间试其中几种. 我该怎麽选择? 等作法确定了,又要考虑threshold调整,training samples的选择,noise的影响. 这些条件又会互相影响,我又该怎麽抉择? 想发展一个什麽都可以辨识的辨识程式,真是天方夜谭. 再回头看那些paper,虽然仍然有不少误谬之处,但是不能掩盖他们的贡献. 光是整合许多作法在特定的应用上,就已经是一个值得深入研究的课题了. 岂是随便拼拼凑凑就可以把一些方法凑在一起的? 为什麽文字辨识要先做binarization而人脸辨识不做?都是有原因的. 不是统计过足够的资料,分析过原因理由,是难以体会的. 以前有人问我:XXX影像要如何辨识? 我会回答:先搞懂XXX及XXX理论再来跟我讨论. 现在有人问我同样的问题. 我会回答:先收集几百张XXX的影像,先看影像再来讨论辨识model及特徵. 还记得以前我在写某个文字辨识的专案程式的时候. 我们苦心思考了很多可能需要辨识技术,提供给使用者操作. (例如:判断可能切字错误的地方,产生候选字...等等) 结果客户看到了以後,认为只需要辨识的主体部分. 理由是,其他部分由校正人员来处理的话,cost更小又更准确. 这样算不算被电? 我们对研究主题分析不清楚,盲目的套用理论去处理. 分析了半天,还不如去请教一位不懂电脑理论的校正人员. 这种情形在医学资讯相关的研究中非常严重. 很多不考虑医学实际情况的技术,在医学资讯的领域是不会受重视的. 但是资讯相关的研究人员往往会做这种盲目的研究. 因此,我比较建议的是,不要把自己的视野只局限在自己能接受的事物上. 想像自己可以接受的就是void *. 多涉猎不同的内容,依自己需要把资讯转换成自己希望的样式. 我们不能期望所有人懂所有东西,但是也许别人懂的少数几样东西就是比我们专精. 不要太轻易否定掉别人的能力跟贡献. 如果真的要找在学理上能够超越自己的理论或是方法. 去数学或物理领域找吧! 很多资讯相关的理论是数学或物理早就发现,而许久才被应用到资讯领域. 但是不要忘了,真正有贡献的理论是可以广泛被使用的,而非毫无意义的一堆公式推导. 如果能透过重新诠释某些理论,而广泛应用在资讯领域,就是学术上很重要的贡献. 我对马来西亚的学术研究并不是很了解. 但是个人认为,应该不会不堪到太过分. 以前班上有一位马来西亚侨生,数学物理双学士提早毕业出国直攻博士. 我硕士刚毕业两年,交大应数就聘请为助理教授. 我相信应该不是马来西亚学术能力不强,而是人才大多外流. 人才外流的问题,在台湾及大陆也都是如此. ps.可以多看看IEEE或ACM自己研究领域的相关期刊,看看学术界重视的是什麽. 我还是不知道您的研究领域是什麽,所以无法提供具体的建议. --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 59.115.195.61