美国CV方向CS PhD申请资料回忆

avatar 812018
小亩_f44c962
15759
12
Preface

12月上旬,我完成了硕士学位相关的课业和毕业论文,准备chill以下。这时候,实验室的同学打趣,说我科研背景不错,为什么不申个PhD试试。我想了下,本校PhD,不用面试,不用申请费。于是,本着不申吃亏的心态,我就提交了申请。12月14日,在问教授要推荐信的时候,教授建议我多申几所,以防万一。于是12月15日这个DDL的日子,我又匆忙补申了6个项目,赶到最后10分钟,才把申请资料提交完毕,可谓是惊心动魄。PhD结果一般要2月才出,趁着还没收到拒信,心情不错的功夫,我来写一篇文章,总结一下美国CS PhD申请中,用到了哪些资料,以及有哪些注意事项,以供地里的学弟学妹们参考。

Outline
  • 选教授 (Professor List)
  • 选校(School List)
  • 成绩单(Transcript)
  • 标化(GRE,TOEFL)
  • 推荐信(LoR)
  • 简历(CV)
  • 文书(SoP,PS)


选教授

CS PhD和MS不同,申请先看教授,再看学校。地里有非常多选导师的帖子,但大都是针对本科,或者研究方向不明确的硕士同学。而对于研究方向明确的同学,以下方法更加高效:

  1. 先问自己的导师和同学(没必要是同lab,只要研究方向相近即可),让他们列一些他们申请过的教授。
  1. 通过Google Scholar,找到这些教授的主要合著教授,并加入List。
  2. 通过阅读官网,以及主要的几篇论文,来筛除研究方向不是很match的教授。


我个人研究的方向是Generative Models和Low-Level Vision,也做一些Object Detection和Semantic Segmentation。以下是我最终的教授List。

CMU:
  • Srinivasa Narasimhan:主要做Autonomous Driving in Bad Weather,Physics-Based Vision,和Low-Level Vision。
  • Jun-Yan Zhu:Generative Models领域大佬,Pix2Pix,CycleGAN等里程碑式论文的作者。
  • Jean Oh:方向比较小众,主要做HCI, Arts and Robotics, Fairness等。


MIT:
  • Vincent Sitzmann:主要做3D Vision中的Scene Representation,但最近也开始结合Generative Models,比如Diffusion。
  • William T. Freeman:之前做了非常多的Physics-Based,但近年也做Learning-Based。
  • Antonio Torralba:研究领域非常广,但代表作集中在Object Detection和Semantic Segmentation领域。


UW:
  • Ira Kemelmacher-Shlizerman:主要做Face Recognition & Reconstruction,以及Generative Models中的Image Synthesis。
  • Brian Curless & Steve Seitz:主要做Rendering和Reconstruction。


UMich:
  • Justin Johnson:李飞飞的大徒弟,研究领域很广,且大都是开坑之作。
  • Andrew Owens:主要做Generative Models和Vision-Audio。
  • Jason Corso:主要做Video Understanding,Vision-Language,以及Medical Imaging。


UT-Austin:
  • Zhangyang Wang:主要做Low-Level Vision中的Image Restoration & Enhancement。
  • Philipp Krähenbühl & Kristen Grauman:主要做Generative Models和Object Detection。


Princeton:
  • Felix Heide:主要做3D Vision,也做一些Efficient Network Learning和Low-Level Vision。
  • Olga Russakovsky & Jia Deng:都是李飞飞的徒弟。ImageNet的作者。在Generative Models,Object Detection,和Semantic Segmentation方面做过不少工作。


Cornell:
  • Bharath Hariharan:主要做Object Detection和Semantic Segmentation。
  • Noah Snavely & Wei-Chiu Ma:主要做Rendering和Reconstruction,也做一些Generative Models。


选校

选完教授之后,选校就比较好办了:申请心怡教授所在的学校即可。但是,美国CS PhD毕竟卷中卷,因此在选校层次方面,还是要理性一些。根据往届申请的结果,美国CS PhD常见学校的申请难度,整体分为两个档次(下划线为我最终申请的学校,每个档次内的学校排序不分先后,第二档的学校,有遗漏的欢迎评论区补充)。

第一档:四大(CMU, MIT, Stanford, UCB), UW
第二档:UMich, UT-Austin, Princeton, Cornell, UCLA, UIUC, UCSD, Columbia, NYU, UPenn,...

接下来解读下,部分学校的申请注意点。

  • CMU:本校,有申请。提醒下,CMU本校的同学,申PhD,只可以waive两个项目的申请费,因此,CV方向的同学,建议提交PhD in CS,和PhD in Robotics,当然你做的特别理论的话,可以考虑PhD in ML。


  • MIT:有申请。跟我教授有connection,并且前两届同学都有申到。提醒下,MIT的申请系统非常难用:申请文件没法上传,要一个个粘贴到文本框。


  • UW:有申请。难度不亚于四大,但是前两届同学有申到,于是申一个当彩票。


  • UT-Austin:有申请。他家需要两个系统,一个是德州学校通用的,还有一个是UT-Austin自家的,申请提交后一天才会把ID发给你,强烈不建议压着DDL提交(lol说的就是我)。


成绩单

成绩单没什么好说的,美国就读的同学,直接去学校系统,付费Order一份Official Transcript,下载为PDF,提交到申请系统。

标化

标化对于PhD申请作用不大,只要过线(GRE>325,TOEFL>105),大部分学校就OK了。在美国读硕士的同学,一般可以waive掉托福,同时交本申硕时期的GRE。

推荐信

推荐信应该是申请CS PhD最重要的材料,或许没有之一。我认为推荐信有以下几个重点。

  • 绝不能黑推:一封黑推,就能葬送整个申请。避免黑推的好方法,是问问推荐人的学生和朋友,以及网上查阅,看看推荐人有没有黑推的历史。
  • 推荐信呼应文书:尽可能在要推荐信前完成文书初稿,并发给推荐人,让他们写推荐信的时候,帮忙呼应下文书中提到的项目。
  • 推荐人熟悉你:只有推荐人足够熟悉你,才能写出诚恳,丰富,详实的推荐信,让他的推荐显得可信。举个例子,自己实习的组长或经理,自己科研的导师,只要足够熟悉,都是不错的选择。纯上过课的教授,尽量就别写了,对PhD申请没用。
  • 推荐人角度多样:三封推荐信,建议让三个研究大领域类似,但小领域略有不同的推荐人来写。举个例子,三位推荐人都做Computer Vision,其中一位做Generative Model,另一位做Low-Level Vision,还有一位是什么都做的大牛,这样的分配就比较合理。


简历

简历一般用overleaf/latex模板做,看上去更加整齐。有些同学会喜欢放两页,但个人更喜欢只放一页,让简历更“简”洁。

简历从上到下,应该包含以下内容:

  • Education: 硕士学校和本科学校,每一个学校下,都要写实验室,导师,和重要荣誉奖项。
  • Publications: 列自己的论文,正在投的和已经发的都可以。会议或期刊尽量用简称(比如CVPR),并且加粗。另外,加粗自己的名字,以及任何获得了Oral或者Spotlight的论文。
  • Research Experiences: 一个project可以对应一篇,也可以对应多篇论文,但一定要突出项目的技术创新点,比如Propose a novel framework for XXX task,以及量化自己的成就,比如+10% mAP50 upon state-of-the-art。有Github或者Presentation的,也可以把Link放在旁边。
  • Professional Experiences: 对PhD申请没太大帮助。但如果公司是Big Name,或者研究方向特别相关,也可以写。一般是用STAR原则来写,同样要突出技术创新点,和量化成就。
  • Service/Activities: 如果当过Area Chair,Reviewer, Guest Speaker, TA,Tech Blogger之类的,可以写下。
  • Skills: 写下自己会的编程语言,框架和软件,熟悉的主线模型,以及自己喜欢的运动。


文书

文书一般分为Statement of Purpose (SoP),和Personal Statement (PS)两类。简而言之,SoP一般突出自己的Research Interest & Goal,而PS一般突出自己的Diversity。因为PS不是很重要,所以这里直接跳过PS,来讲SoP。

先来讲SoP的写作要点:
  • 正文尽量控制到两页,并用适合阅读的字体类型,大小和颜色,方便阅读。
  • 申请PhD和申请MS的SoP不一样,请去掉任何宣泄情感的语句,始终保持专业,理性和简洁,按我Lab学长的说法,越“冷血”越好。
  • SoP不像一张纸,而像一棵树,我们从大而笼统的地方切入,然后逐渐过渡到小而具体的细节。
  • 加粗自己项目的亮点,比如Accepted by CVPR, Boosted inference speed by 100 times。
  • 加粗自己合作过的教授,如果教授是领域内的大牛,或者会给你写强推。
  • 在深度和广度方面做好权衡,写太细节,不同小方向的教授读不懂,写太笼统,又显得自己的研究不够深入。
  • 第一页末尾,或第二页顶端,可以放算法的效果图(如果效果很爆表的话)。
  • 记得in-text cite重要论文,并且留一页reference page,列出你在文中引用的论文。
  • 理论上可以用word,但是强烈建议用overleaf/latex,方便根据不同项目要求调整。


以下是我SoP的大纲:
  • Research Interests & Directions:先点明自己的研究大领域(比如Computer Vision),紧接着介绍自己的研究大目标(比如Scalable Scene Understanding),接着开始进入小的方向(比如Generative Model) 。注意,每个小方向的探索,都是为了解决大目标而做的。同时,每一个小的方向,都对应下文的一个Project。
  • Projects:先概括这个小方向主要做什么东西,现行算法的问题是什么,以及自己发了哪些论文,去解决这些问题。接着,每篇论文可以给一小段,学着论文摘要的方法,像讲故事一样,先讲背景,再讲痛点,然后讲方案,最后讲结果。记得多用数字来量化结果!
  • Future Plans at PhD:直接讲自己想跟目标院校的哪些教授,在哪些研究方向合作。一般一个教授一句即可。这步难的是怎么讲自己和教授的研究小方向无缝对接起来,往年这块写作很让人头疼,但是今年有了GPT-4,我觉得还算挺好写的。另外,请尽量用"work with"这样的主动语气,而不是"advised by"这样的被动语气。


在文章的最后,希望大家都能在申请季取得理想的结果。也祝大家新年快乐,身体健康,家庭和睦,学业有成,事业进步。谢谢!
12条回复