MARS本科生科研小组用户7264
MARS实验室-科研入门培训👍
输入“/”快速插入内容
MARS实验室-科研入门培训👍
MARS实验室-科研入门培训👍
用户7264用户7264
用户2697用户2697
用户1702用户1702用户4362用户4362用户9857用户9857+5
2025年11月24日修改
前言
培训内容包含从AI入门到科研入门，涵盖独立完成科研任务的全部内容，完成将会体验和学习到完整的科研流程。组里涵盖方向很多，一定能找到你感兴趣的方向。给出方向在实验室内已有良好基础和背景，且有丰富的计算资源，学长学姐可以帮忙答疑解惑。MARS实验室主页，进实验室没有时间限制，我们欢迎任何年级和任何专业的朋友，在这里激发你的创造力，Make something interesting！Enjoy Yourself Here🤗🤗🤗
本科生亮点成果：
•
论文：2022年以来，已有本科生发表CCF-A类论文数: 20篇（一作），大部分在大二和大三发表，包含ICML 2025，CVPR 2025，ICLR 2025，NeurIPS 2024，CVPR 2024，ICML 2024， AAAI 2024，ECCV 2024，NeurIPS 2023，IJCAI 2023，ACM MM 2022 等
•
竞赛：中国大学生计算机设计大赛全国一等奖、全国人工智能学会应用场景挑战赛专项一等奖、蓝桥杯全国二等奖等，国际计算机视觉顶会ICCV 2021赛道冠军、挑战杯主体赛国家一等奖，应用赛国家二等奖
•
荣誉：雷军卓越奖学金、珞珈本科生研究基金、国家级大创、CCF优秀大学生、CS珞珈计科先锋、商汤奖学金等
本科生科研主要培养目标，你将收获以下内容：
•
了解人工智能基础知识，读懂前沿算法代码，学会运用前沿技术解决问题
•
掌握科研基本流程，锻炼严谨的科研思维，熟练运用各类科研工具和文献技巧
•
探索创新性Idea并实现，在人工智能顶级会议上发表论文，参与国内外学术会议交流学习
•
转换科研项目成果（国家级大创），斩获各种竞赛奖项，大厂名组访问实习
本次入门培训时长一个月，希望能在培训任务的指引下，带领你掌握以下内容：
•
深度学习/机器学习的基本原理：数据集，模型，训练原理等；重点掌握计算机视觉方向的常见任务；
•
深度学习代码的基本功：对Python、PyTorch有基本的了解，清楚Anaconda的作用，能使用Linux系统的远程服务器进行深度学习任务；能在给出GitHub仓库的情况下，根据论文内容跑通代码；能对已有代码进行改进；
•
科研基础：了解什么是arXiv、如何进行文献管理和阅读(Zotero)、如何做文献笔记和论文调研报告；
•
基本的PPT制作技能：可以考虑使用Powerpoint，或者LaTeX的Beamer包完成汇报PPT的制作
入门培训内容（一个月左右，主要考核是否对科研是否有兴趣，愿意投入）
1.
深度学习的基本原理和代码功底（一周左右）：
a.
i.
只需学习2/18，2/25，3/04，3/25，4/22，4/29，5/06这几日的课程，其余课程内容目前不用学习。在听课程内容时，优先听Class Material，其余的Preparation - zh和Extra Material作为补充；4/22，4/29，5/06的课程只听Preparation - zh；
ii.
强烈建议在1-4天之内完成这个课程。
b.
d.
如果对Python语言没有太多了解，可以先学习Python基础教程，也可以学习https://cs231n.github.io/python-numpy-tutorial/和Jupyter Notebook教程。对Linux不熟练的，学习Linux基础教程。对Git不熟悉的，学习一小时Git教程。
e.
PyTorch的学习，建议在掌握理论知识，听完了李宏毅老师的课程的基础上，学习PyTorch官方文档给出的教程和几个示例（选择性）。同时，强烈推荐学习小土堆的教程（如果想快点上手，重点推荐这个教程）。
f.
2.
科研基础（1天左右）：通过网络搜索，了解什么是arXiv、什么是Overleaf，并初步了解如何使用Zotero等文献管理软件，如何做文献笔记和论文调研报告，了解PapersWithCode, Google Scholar；学习使用Powerpoint，或者可选LaTeX的Beamer包完成汇报PPT的制作；了解BibTeX，知道参考文献的几种写法和格式；
3.
文献阅读（5-20天左右）：这部分主要是为你打下AI的研究基础。你可以选择行人重识别、联邦学习或者多模态学习来作为主要方向，需要阅读一些相关领域的经典论文，复现其中的一些未来常用的方法论文，并完成一份文献阅读报告，为自己未来在研究生期间的工作打下坚实的基础。
入门考核内容
友情提示：这个不是任务，与其说是考核，不如说是我们更想让你更加深入理解科研的组成部分，明白如何进入到科研的模式中。我们不希望出现为了应付大作业式GPT的思考，你的内容可以具体或者天马行空，但不要泛泛而谈。字数、内容都不作为好坏的标准，我们希望能够这个过程让你真正提升的，不仅知识水平，还有自学能力。如果你已经部分了解第一、二、三章所涉及到的内容，可以和导师联系，我们会安排一次面聊对其中涉及到的基础知识进行询问，通过者可以跳过以下内容。
1.
内容包括但不限于：
a.
第一章：基础知识。内容应当简明扼要，主要谈理解，拒绝从网上直接复制粘贴；这部分内容不超过5页；
i.
行人重识别：了解有监督和无监督的行人重识别基础概念和研究背景[23]，以及延伸出来的跨模态行人重识别（可见光-红外[26][27]、可见光-素描[31]、图像-文本[28]等多种跨模态重识别任务）和多模态行人重识别（可见光、红外、素描、文本联合输入的重识别任务）的基础概念、研究背景和各自的应用场景。思考以下问题：有监督和无监督行人重识别学习的基本流程是什么样的？跨模态和多模态任务的输入、学习目的有何不同？常用的特征学习损失函数有哪些，起到的作用是什么？了解组里常用的跨模态行人重识别框架。附行人重识别学习资源list1，2，相关文献：[23][24][25][26][27][28][31]
ii.
联邦学习：了解联邦学习的基础概念[1]，为什么有联邦学习这个需求。辨析联邦学习的类别、横向和纵向联邦学习。了解Global和Personal[2]联邦学习的区别和联系。了解不同联邦学习基础的训练流程，了解最基本的联邦学习baseline：FedAvg[3]，并且跑通一个demo，了解组里的通用联邦学习框架。思考以下问题：客户端本地如何更新？是否有中心服务器？服务器的作用是什么？客户端上传到服务器或者互相通信的内容（模型、特征等..）？附：联邦学习资源List，相关文献：[1][3][5][6][7][8][9][10][11][13][15]
iii.
多模态情感意图理解：了解多模态学习基本概念，是如何融合多模态特征，如何共同训练的[16][17][18][22]，推荐B站李沐老师的多模态相关的论文精读，多模态学习资源List。了解意图理解的概念[19]、多模态意图理解的概念和研究背景、现有方法[20][21][32][33][34][35]，思考以下问题：意图理解和传统图像分类任务的区别是什么？数据集构成有何特点？任务难点是什么？相关文献：[16][17][18][19][20][22][32][33][34][35]
考核方式：面试提问。