---
marp: "true"
theme: university-blue
paginate: "true"
footer: XX大学 · 计算机科学学院
author: [你的姓名]
date: 2026-04-08
---

<!-- _class: cover -->
<!-- _paginate: false -->

# {论文题目}

### {姓名} · 导师：{导师姓名}

{专业} · {毕业类型} · {年份}

---

## 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

- {背景要点1}
- {背景要点2}
- {背景要点3}

### 研究意义

> 提出一种{核心技术}，提升{关键指标}的性能。

---

<!-- _class: trans -->

## 二、相关工作

---

### 传统方法

- 方法 A：{描述}
- 方法 B：{描述}
- 局限性：{说明}

### 深度学习方法

- 方法 C：{描述}
- 方法 D：{描述}
- 本研究切入点

---

<!-- _class: trans -->

## 三、方法设计

---

### 整体框架

```python
class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.backbone = ResNet50()
        self.attention = AttentionBlock()
        self.classifier = nn.Linear(2048, num_classes)

    def forward(self, x):
        features = self.backbone(x)
        attended = self.attention(features)
        return self.classifier(attended)
```

### 核心创新

1. {创新点1}
2. {创新点2}
3. {创新点3}

---

## 四、实验结果

### 数据集

| 数据集 | 训练集 | 测试集 | 类别数 |
|---------|---------|---------|--------|
| Dataset1 | 10K | 2K | 100 |
| Dataset2 | 50K | 10K | 1000 |

### 性能对比

| 方法 | Dataset1 | Dataset2 | 平均精度 |
|------|-----------|-----------|---------|
| Baseline | 84.2% | 91.3% | 87.8% |
| Method A | 86.1% | 92.8% | 89.5% |
| **Ours** | **89.3%** | **94.6%** | **92.0%** |

> [!note] 本方法在所有数据集上均取得了最优结果。

---

<!-- _class: cols-2 -->

## 五、总结与展望

<div class="ldiv">

### 主要贡献

- ✅ 提出了{方法}
- ✅ 在{数据集}上达到 SOTA
- ✅ 代码已开源

</div>

<div class="rdiv">

### 未来工作

- 🔜 扩展到{新任务}
- 🔜 探索{新技术}
- 🔜 在{新领域}验证

</div>

---

<!-- _class: dark -->

### 关键发现

1. {发现1}
2. {发现2}
3. {发现3}

---

<!-- _class: ending -->
<!-- _paginate: false -->

# 谢谢！

### 欢迎提问与讨论

---

## 参考文献

1. [Author1], "Paper Title", Journal, 2020.
2. [Author2], "Paper Title", Conference, 2021.
3. [Author3], "Paper Title", ArXiv, 2022.