发布时间：
挺难的，相当于顶级SCI期刊，你觉得呢~
CVPR的workshop审稿还是很严格的。虽然reviewers和主会不是一套班子，但也都是来自Google/Facebook的顶级学者。难度上，CVPR workshop=B类主会>C类主会。
CVPR录用标准
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。
通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定论文是否可被接收。
第一届CVPR会议于1983年在华盛顿由金出武雄和Dana Ballard举办，此后每年都在美国本土举行。会议一般在六月举行，而举办地通常情况下是在美国的西部，中部和东部地区之间循环。
例如，2013年该会议在波特兰召开。而2014年有超过1900人参加了在哥伦比亚举办的会议。而接下来的2015,2016和2017年，该会议分别于波士顿，拉斯维加斯和夏威夷举办。
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。
而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定论文是否可被接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议 。在巴西教育部的排名中排名为A1。基于微软学术搜索(Microsoft Academic Search)2014年的统计，CVPR中的论文总共被引用了169,936次。
每一个检测任务都有其特有的检测难点，比如背景复杂，目标尺度变化大，颜色对比度低等挑战，这就导致某个检测算法在检测任务A上可能表现SOTA，但在检测任务B上表现得可能不尽如人意。因此，分析研究每一个检测任务存在的难点与挑战至关重要，这有利于我们针对不同的检测难点设计出不同的技术以解决该项问题，从而使得我们提出的算法能够在特定的任务上表现SOTA。 目标检测任务可能存在的检测难点与挑战: （1）待检测目标尺寸很小，导致占比小，检测难度大 （2）待检测目标尺度变化大，网络难以提取出高效特征 （3）待检测目标所在背景复杂，噪音干扰严重，检测难度大 （4）待检测目标与背景颜色对比度低，网络难以提取出具有判别性的特征 （5）各待检测目标之间数量极度不均衡，导致样本不均衡 （6）检测算法的速度与精度难以取得良好平衡 不同尺度，不同形状物体的检测是目标检测面临的主要挑战之一，而多尺度检测技术是解决多尺度问题的主要技术手段。目标检测发展的几十年来，多尺度检测技术的演变经历了以下过程： （1）Feature pyramids and sliding windows(2014年前) （2）Detection with object proposals(2010-2015年) （3）Deep regression(2013-2016年) （4）Multi-reference detection(2015年后) （5）Multi-resolution detection(2016年后) 如下图5展示了多尺度检测技术的演变历程： 边框回归(The Bounding Box regression，BB)是目标检测非常重要的技术。它的目的是根据初始设定的anchor box来进一步改进修正预测框的位置。目标检测发展的几十年来，边框回归技术的演变经历了以下过程： （1）Without BB regression(2008年之前) （2）From BB to BB(2008-2013年) （3）From feature to BB(2013年后) 如下图展示了边框回归技术的演变历程 目标检测领域中每一个目标都被周围背景所包围，而我们对于一个目标的认知会根据其周围的环境作出判断，于是我们将目标周围的环境信息称作上下文信息。上下文可以作为网络判断目标类别和定位的重要辅助信息，可大大提高网络检测的精度。为网络提取上下文信息有以下三种常用的方法： （1）提取局部上下文信息用于目标检测 （2）提取全局上下文信息用于目标检测 （3）上下文信息交互提取高效上下文信息用于目标检测 如下图展示了上下文信息提取技术的演变历程： 目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。非极大值抑制算法的流程如下： （1）根据置信度得分进行排序； （2）选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除； （3）计算所有边界框的面积； （4）计算置信度最高的边界框与其它候选框的IoU； （5）删除IoU大于阈值的边界框； （6）重复上述过程，直至边界框列表为空。 近年来非极大值抑制算法逐渐发展成为以下三条路线： （1）Greedy selection （2）Bounding box aggregation （3）Learning to NMS 如下图展示了非极大值抑制算法的技术演变历程： 目标检测的训练过程本质上还是一个样本数据不平衡的学习过程，因为检测算法中需要用到很多检测框，而真正包含目标的检测框占比却极少。在网络训练过程中，大量简单的负样本(背景)会主导学习方向而不利于网络往正确的方向加以优化，因此这需要采取一定的策略来解决这一问题。难分负样本挖掘(Hard Negative Mining, HNM)技术正是解决训练过程中的数据不平衡问题的一项关键技术。 难分负样本挖掘技术的演变主要经历了以下过程： （1）Bootstrap （2）HNM in deep learning based detectors 如下图展示了难分负样本挖掘技术的演变历程：
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。
能不能给我发一份呢？
小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点，小目标的检测精度通常只有大目标的一半。
CVPR2019论文: Augmentation for small object detection 提到了一些应对小目标检测的方法，笔者结合这篇论文以及查阅其它资料，对小目标检测相关技巧在本文进行了部分总结。
小目标的定义： 在MS COCO数据集中，面积小于 32*32 的物体被认为是小物体。
小目标难以检测的原因： 分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，也就是在提取特征的过程中，能提取到的特征非常少，这不利于我们对小目标的检测。
1、由于小目标面积太小，可以放大图片后再做检测，也就是在尺度上做文章，如FPN（Feature Pyramid Networks for Object Detection），SNIP（An Analysis of Scale Invariance in Object Detection – SNIP)。
Feature-Fused SSD: Fast Detection for Small Objects, Detecting Small Objects Using a Channel-Aware Deconvolutional Network 也是在多尺度上做文章的论文。
2、在Anchor上做文章(Faster Rcnn，SSD, FPN都有各自的anchor设计)，anchor在设置方面需要考虑三个因素：
anchor的密度： 由检测所用feature map的stride决定，这个值与前景阈值密切相关。
anchor的范围： RetinaNet中是anchor范围是32~512，这里应根据任务检测目标的范围确定，按需调整anchor范围，或目标变化范围太大如MS COCO，这时候应采用多尺度测试。
anchor的形状数量： RetinaNet每个位置预测三尺度三比例共9个形状的anchor，这样可以增加anchor的密度，但stride决定这些形状都是同样的滑窗步进，需考虑步进会不会太大，如RetinaNet框架前景阈值是时，一般anchor大小是stride的4倍左右。
该部分anchor内容参考于:
3、在ROI Pooling上做文章，文章SINet: A Scale-Insensitive Convolutional Neural Network for Fast Vehicle Detection 认为小目标在pooling之后会导致物体结构失真，于是提出了新的Context-Aware RoI Pooling方法。
4、用生成对抗网络(GAN)来做小目标检测：Perceptual Generative Adversarial Networks for Small Object Detection。
1、从COCO上的统计图可以发现，小目标的个数多，占到了，但是含有小目标的图片只有，大目标所占比例为，但是含有大目标的图像却有。这说明有一半的图像是不含小目标的，大部分的小目标都集中在一些少量的图片中。这就导致在训练的过程中，模型有一半的时间是学习不到小目标的特性的。
此外，对于小目标，平均能够匹配的anchor数量为1个，平均最大的IoU为，这说明很多情况下，有些小目标是没有对应的anchor或者对应的anchor非常少的，即使有对应的anchor，他们的IoU也比较小，平均最大的IoU也才。
如上图，左上角是一个anchor示意图，右上角是一个小目标所对应的anchor，一共有只有三个anchor能够与小目标配对，且配对的IoU也不高。左下角是一个大目标对应的anchor，可以发现有非常多的anchor能够与其匹配。匹配的anchor数量越多，则此目标被检出的概率也就越大。
实现方法： 1、Oversampling ：我们通过在训练期间对这些图像进行过采样来解决包含小对象的相对较少图像的问题（多用这类图片）。在实验中，我们改变了过采样率和研究不仅对小物体检测而且对检测中大物体的过采样效果
2、Copy-Pasting Strategies：将小物体在图片中复制多分，在保证不影响其他物体的基础上，增加小物体在图片中出现的次数（把小目标扣下来贴到原图中去），提升被anchor包含的概率。
如上图右下角，本来只有一个小目标，对应的anchor数量为3个，现在将其复制三份，则在图中就出现了四个小目标，对应的anchor数量也就变成了12个，大大增加了这个小目标被检出的概率。从而让模型在训练的过程中，也能够有机会得到更多的小目标训练样本。
具体的实现方式如下图：图中网球和飞碟都是小物体，本来图中只有一个网球，一个飞碟，通过人工复制的方式，在图像中复制多份。同时要保证复制后的小物体不能够覆盖该原来存在的目标。
网上有人说可以试一下lucid data dreaming Lucid Data Dreaming for Multiple Object Tracking ，这是一种在视频跟踪/分割里面比较有效的数据增强手段，据说对于小目标物体检测也很有效。
基于无人机拍摄图片的检测目前也是个热门研究点（难点是目标小，密度大）。 相关论文： The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking（数据集） Drone-based Object Counting by Spatially Regularized Regional Proposal Network Simultaneously Detecting and Counting Dense Vehicles from Drone Images Vision Meets Drones: A Challenge（数据集）
1: 2: 3: 4: 5: 6: 7:
cpci难中国科学引文数据库（Chinese Science Citation Database，简称CSCD）。创建于1989年，收录我国数学、物理、化学、天文学、地学、生物学、农林科学、医药卫生、工程技术和环境科学等领域出版的中英文科技核心期刊和优秀期刊千余种。美国科学情报研究所(ISI)基于Web of Science 的检索平台，将CPCI(ISTP)(科学技术会议录索引)和ISSHP(社会科学及人文科学会议录索引)两大会议录索引集成为ISI Proceedings，也就是现在的CPCI(ISTP)。CPCI(ISTP)是美国的一个数据库系统，类似于中国知网，当然级别比中国知网高级无限倍了。CPCI收录全世界的高质量论文，一篇文章如被CPCI收录，相当于中国国内的核心期刊3-5篇。美国CPCI收录的中国区来源论文，一般都源自国际级别的大型国际学术会议。
就看你写的文章属于哪个方面的内容，这些都是会影响时间这块的
中级要求省部级以上的正规期刊，发一篇相关专业的论文即可，这是我们单位的要求，具体要求我估计全国都是一样的，如果你是优秀员工或者获过什么奖项，可能会破格不需要发表，一般人基本也没有相关资质，到时候主要你工作内容写一下，准备好你要发的专业论文，找个地方发就行了，花钱肯定的，免费就别想了。几百块也不贵，主要别发了假刊了。我们单位基本每年都会在壹品尤刊网组织评职称的发刊，你可以去问问，口碑比较好，知道的都告诉你了，采纳我。
各家期刊都有自己的期限说明。因人因文章而异，当然还有许多其他因素。最短的一周也有，最长一年多的也有。
护理人员是医学人才队伍的一个重要构成，护理人员并不单单局限于医院，一些卫生所、学校、工厂、社区等等都需要一定的护理人员，一些基层人员的晋升一直都是困扰护理人员的难题，护理晋升副高论文要求是什么?医学职称评审向来要求比较高，对论文的要求自然也比较高，副高级职称是和正高级职称同属于高级职称，对论文的要求比较严格也就不难理解了，职称论文代表着护理人员的专业素质，所以想要拿下副高级职称就必须把职称论文准备好，很多护理人员对晋升职称职称论文要求不大清楚，医学专业职称的设置和相关要求确实要复杂一些，打算晋升就要尽早了解清楚相关要求：1.主任医(药、护、技)师在二级及以上杂志发表论文3篇及以上，其中在一级杂志上发表论文至少2篇(1篇须为SCI收录论文，但护理专业SCI收录论文不作要求)。2.副主任医(药、护、技)师在二级及以上杂志发表论文3篇及以上，其中：在一级杂志上发表论文至少2篇(护理专业可为1篇)，或SCI收录论文1篇。不具备规定学历资历要求、但在卫生专业技术工作中成绩突出的人员，除了须具备规定的条件外，其论文或科研须符合以下条件，可破格申报高一级卫生专业技术资格。(一)破格申报主任医(药、护、技)师，还须具备下列条件之一：1.一级杂志发表论文2篇，或SCI收录论文1篇;2.主持省部级及以上科研项目1项，或厅局级科研项目2项。(二)破格申报副主任医(药、护、技)师，还须具备下列条件之一：1.二级及以上杂志发表论文2篇，或SCI收录论文1篇;2.主持厅局级及以上科研项目1项。一般来说，从基层护理人员到副高级职称至少需要十年左右的时间，是一个很漫长的过程，护理人员也不要着急，高级别的职称都是需要申报人员在工作岗位经过长期的实践和历练才能有可能拿下的，所以，护理人员要做好基础护理工作，不断总结经验教训，扎扎实实，才能通过副高级职称的评审。
现将医学期刊主要分为普刊、核心期刊、SCI三类,区别如下：一、普通期刊普通期刊分为省级期刊和国家级期刊。1、省级期刊：省级期刊指由各省、自治区、直辖市及其所属部、委办、厅、局主办的期刊以及由各本、专科院校主办的学报(刊) 。2、国家级期刊：国家级期刊指由国家部委、全国性团体、组织、机关、学术机构主办的刊物。省级期刊和国家级期刊的区别可以阅读这篇文章《省级期刊和国家级期刊区别是什么》。一般晋升中级职称只要发普通期刊就可以，同时，普刊对稿件的质量要求不是特别高，审稿周期在1-3个月左右的时间，效率是很高的。二、核心期刊医学核心期刊主要有统计源核心、北大核心、CSCD核心。1、统计源核心：中国科学技术信息研究所“中国科技论文统计源期刊” (又称“中国科技核心期刊”)。2、北大核心：北京大学图书馆“中文核心期刊”。3、CSCD核心：中国科学院文献情报中心“中国科学引文数据库( CSCD)来源期刊”。对于晋升副高职称的话，发普刊是没有用的，这个时候就要发核心期刊了。一般情况下，二甲以下的医院晋升副高只需要发统计源核心就可以，二甲以上的医院则要发北核，具体还是要看单位的要求，有些单位是有当地认可的目录的，大家可以参考投稿。三、SCI期刊SCI期刊：由美国《科学引文索引》收录的期刊。对于晋升高级职称的医务人员，很多单位都要求发表一篇SCI,SCI是对医务人员科研工作的一种认可，能够在SCI上发表一篇文章，是一件很光荣的事情，不仅对稿件的质量有着高要求，也对科研实验等有着高的要求，有关SCI的发表技巧大家可以参考《发表SCI论文小技巧分享》这篇文章。
只适用于EE类的一些期刊大家说了作者的操作流程，期刊收到之后发生了什么呢？一般来说，首先会有秘书对投稿的论文做格式和材料初审，通过后会给主编，主编粗粗看一眼方向，再把稿子给领域相近的编委。编委收到之后会开始根据主题来邀请审稿人，sci期刊的审稿人2-5人不等，质量越高的审稿人越多。等到足够多的审稿意见回来之后，编委根据意见开始给主编作出建议。大期刊一年要收多达一两千篇投稿，主编自己是看不完的，所以说编委的意见几乎是决定性的，主编很少会推翻编委的决定。而编委的决定主要来自审稿人的意见，目前ee类的期刊，大致趋势是：所有审稿人同意接收稿子才会接收：一人决定拒稿本次就会拒稿，除非有审稿人极力表扬这篇文章，或是编辑本人就是该小领域专家，才会考虑另做决定。所以说，越好的期刊审稿人数越多，越容易被拒稿，众口难调么。如果实在找不到审稿人，稿子往往会被退回给作者，建议另投别处。审稿人也不一定就是靠谱的，说不定只是个半吊子的学生（比如我当年。。），也可能和你在学术对立面，也可能只是一知半解还要硬充好汉刷存在感。从我个人审稿经验来说，国人的主要问题一是选题不好，往往把技术工程报告和学术论文当作一回事，二是写作质量欠缺，图表和格式组织给人第一印象就很差。还是把我家大神安慰我的话再送给大家一次：论文发表了不要太高兴，你只是遇到了喜欢你的论文的人；拒稿了也不要伤心，只是遇到了不喜欢你的论文的人。
需要的。副高职称是属于高级职称的一种，高级职称是职称中的最高级别，分正高级和副高级两类。申报副高级职称发表论文是一项硬性要求，副高级职称算是职称中的较高级别，对于职称论文的要求自然也高。一般申报副高职称需要独立3篇以上，或者独立撰写一部学术专著，是独立作者。每个地区评职称的要求也是不一样的，所以要根据不同地区的要求，发表相应的论文。
发一篇北大核心很难吗？这个应该是很难的，你应该是通过一定的渠道，才可以发一篇。
很难的，在核心期刊发表文章是很难的。需要付出很多精力。核心期刊是期刊中学术水平较高的刊物，是进行刊物评价而非具体学术评价的工具。相当一批教学科研单位申请高级职称、取得博士论文答辩资格、申报科研项目、科研机构或高等院校学术水平评估等，都需要在核心期刊上发表一篇或若干篇论文。
客观原因刊社方众所周知，核心期刊都是基于影响因子评选出来的，在千千万万的刊物中，想要评上核心期刊本就不是一件很容易的事情。因此，许多刊物在评上核心期刊后，为了爱惜自己羽毛，提高在圈内的声誉，更会注重文章质量，在选稿的时候就会更严格。文章质量较差或一般的，多半就过不了审了。甚至有的刊物会为了提高影响因子，而选择减少载文量。降低分母或增加分子，都是编辑部会采用的手段。作者方随着社会发展，做学术的人如同雨后春笋，发核心期刊不再是高校老师评选的专属需求。越来越多的单位评职称要求发核心，硕博毕业也要求发核心，甚至有的高校申请奖学金，都需要发一篇论文。为了完成这些刚需，大家都铆足了劲想“冲一冲”核心期刊，然而核心期刊数量有限，竞争却如此激烈，供小于求，对文章质量的要求就又高了一点，自然发表起来就更难了。资质要求前面说了，想发核心的人越来越多，供小于求，刊物方自然会提高各方面的要求。单位好坏、职称高低、过往发文质量等等，都会被列入考虑范围。因此，高职高专单位想要发核心的话，也是比较难的。除此之外，许多期刊也越来越偏向于接收有课题和基金的文章。发表费用俗话说物以稀为贵，核心期刊版面有限，因此版面费就不是一笔小数目。再加上审稿过程中，需要花费大量的人力精力，隐形成本也比较高。为求稳而托关系找熟人发表的话，又是一大笔关系费。审稿速度本来审稿流程就很繁杂，再加上作为核心期刊，对稿件的质量把握更加严格，审稿时间只会长不会短。并且在专家外审这一环节，还得看专家方面的工作安排，如果遇上忙的时候，审稿时间就不得不往后延长了，更何况一篇稿子不止送交一个专家外审。其次，近年来学术造假的问题频繁登上各大媒体新闻头条，引发了不小的风波。国内核心刊物的编辑部在审稿的时候更加不敢怠慢，力求细致严谨。种种原因列下来，审稿周期必定不会短，加上返修的时间，再遇上个熟人“插队”，很有可能录用后的排刊期都在一年后了。
但核心期刊的发表呃是很难的，因为核心期间他可以按照现象来，也可以按照内心的方法来。