Obsidian-Knowledge-Base/X-Knowledge-Base/wiki/学术汇报-2025-12-01与2025-12-22.md

---

title: 学术汇报-2025-12-01与2025-12-22 tags:

• module
• research
• seminar
• model-design
• joplin type: module source_type: reconstructed created: 2026-04-23 updated: 2026-04-23 ---

学术汇报-2025-12-01与2025-12-22

[!abstract] 这一模块对应方法聚焦阶段。大核卷积、可变形卷积、跨切片注意力等结构性主题开始集中出现，说明研究已经从选题进入结构比较与方案筛选。

模块结论

• 这一阶段的重点是比较不同结构机制在分割任务中的适用性。
• 大核、可变形卷积、注意力增强、跨切片信息利用成为主线关键词。
• 汇报作用从“方向探索”转为“结构设计决策支持”。

一、结构机制为什么要并列比较

• 因为真正可用的创新通常不是凭感觉拼接，而是要先理解不同机制各解决什么问题。

二、这一阶段的主要方法线索

• 大核卷积
• 可变形卷积
• 注意力引导的 U-Net 变体
• 跨切片注意力

三、研究上意味着什么

• 已经不再停留在读论文摘要，而是在建立自己的结构取舍标准。

四、复习提问

• 为什么不同卷积机制需要在具体任务里比较，而不能只看论文结论？
• 跨切片信息为什么会成为医学图像分割里的高频设计点？

来源

• [[raw/Joplin/研究生生涯/研究生组会-学术汇报/2025-12-01学术汇报/1.Large Selective Kernel Network for Remote Sensin.md]]
• [[raw/Joplin/研究生生涯/研究生组会-学术汇报/2025-12-01学术汇报/2.Beyond Self-Attention_ Deformable Large Kernel A.md]]
• [[raw/Joplin/研究生生涯/研究生组会-学术汇报/2025-12-01学术汇报/3.Adaptive Rectangular Convolution for Remote Sens.md]]
• [[raw/Joplin/研究生生涯/研究生组会-学术汇报/2025-12-01学术汇报/4.探讨三种卷积机制在医学图像分割中的适用性.md]]
• [[raw/Joplin/研究生生涯/研究生组会-学术汇报/2025-12-22学术汇报/1.TransAttUnet：Multi-level Attention-guided U-Net .md]]
• [[raw/Joplin/研究生生涯/研究生组会-学术汇报/2025-12-22学术汇报/2.Hung_CSAM_A_2.5D_Cross-Slice_Attention_Module_fo.md]]

相关页面

• [[研究生组会-学术汇报]]
• [[医学图像分割]]
• [[创新点设计]]