Initial commit: LLM Wiki with raw and wiki folders only

wiki/示例-学校定制Marp演示.md

@@ -0,0 +1,140 @@
+---
+marp: "true"
+theme: uncover
+paginate: "true"
+footer: XX大学 · 计算机科学学院
+---
+
+<!-- _class: cover -->
+<!-- _paginate: false -->
+
+# 基于深度学习的图像分类研究
+
+### 张三 · 导师：李四 教授
+
+计算机科学与技术专业 · 2026 届硕士毕业答辩
+
+---
+
+## 目录
+
+1. 研究背景与意义
+2. 相关工作
+3. 方法设计
+4. 实验结果
+5. 总结与展望
+
+---
+
+<!-- _class: trans -->
+
+## 一、研究背景与意义
+
+---
+
+### 研究背景
+
+- 图像分类是计算机视觉的**基础任务**
+- 深度学习在 ImageNet 上取得突破性进展
+  - AlexNet (2012) → VGG (2014) → ResNet (2015) → ViT (2020)
+- 现有方法在**细粒度分类**上仍有提升空间
+
+### 研究意义
+
+> 提出一种基于注意力机制的多尺度特征融合方法，提升细粒度图像分类的准确率。
+
+---
+
+<!-- _class: cols-2 -->
+
+## 相关工作
+
+<div class="ldiv">
+
+### 传统方法
+
+- SIFT + SVM
+- HOG 特征
+- 词袋模型 (BoW)
+- 精度有限，泛化性差
+
+</div>
+
+<div class="rdiv">
+
+### 深度学习方法
+
+- CNN 系列：ResNet, DenseNet
+- 注意力机制：SE-Net, CBAM
+- Transformer：ViT, Swin
+- **本研究的切入点**
+
+</div>
+
+---
+
+## 方法设计
+
+### 整体框架
+
+```python
+class MultiScaleModel(nn.Module):
+    def __init__(self, backbone, num_classes):
+        super().__init__()
+        self.backbone = backbone
+        self.attention = CBAM(channels=512)
+        self.classifier = nn.Linear(512, num_classes)
+    
+    def forward(self, x):
+        features = self.backbone(x)
+        attended = self.attention(features)
+        return self.classifier(attended)
+```
+
+---
+
+## 实验结果
+
+| 方法        | CUB-200   | Stanford Cars | FGVC-Aircraft |
+| --------- | --------- | ------------- | ------------- |
+| ResNet-50 | 84.2%     | 91.3%         | 89.7%         |
+| SE-ResNet | 86.1%     | 92.8%         | 91.2%         |
+| ViT-B/16  | 87.5%     | 93.1%         | 91.8%         |
+| **Ours**  | **89.3%** | **94.6%**     | **93.1%**     |
+
+> [!note] 本方法在三个细粒度数据集上均取得了最优结果。
+
+---
+
+<!-- _class: dark -->
+
+### 关键发现
+
+1. **多尺度融合**有效捕获不同粒度的视觉特征
+2. 注意力机制使模型聚焦于**判别性区域**
+3. 相比 ViT，训练数据量减少 **40%** 仍保持竞争力
+
+---
+
+## 总结与展望
+
+### 主要贡献
+
+- ✅ 提出多尺度注意力融合框架
+- ✅ 在 3 个细粒度数据集上达到 SOTA
+- ✅ 减少了对训练数据规模的依赖
+
+### 未来工作
+
+- 🔜 扩展到**目标检测**任务
+- 🔜 探索**自监督预训练**的集成
+- 🔜 在医学影像领域的应用验证
+
+---
+
+<!-- _class: ending -->
+<!-- _paginate: false -->
+
+# 谢谢！
+
+### 欢迎提问与讨论