備戰頂級競賽！學霸們都是這麼選題的！

計算機科學是當前最活躍、發展最迅速、影響最廣泛的學科之一，已成為解決人類全球性挑戰的重要技術途徑，以計算為核心的新的交叉學科與前沿技術層出不窮，計算機科學已成為發展交叉與匯聚科學的紐帶。

9月16號丘成桐中學科學獎 (計算機)就要開始提交評審了。丘成桐中學科學獎發展至今，已有累計1200餘所學校，5800餘支隊伍參加比賽，共169個學生團隊的306人受到獎勵，超過1/2的獲獎中學生經推薦分別進入清華、北大、哈佛、MIT、耶魯和普林斯頓等中外知名大學就讀。

自2013年起，清華大學將丘成桐中學科學獎納入自主招生體系，有機會享受在高考錄取中最高降至一本線錄取的優惠政策；2016年起，復旦大學將丘成桐中學科學獎的獲獎選手納入自主招生計劃。

不知道今年的比賽大家準備的怎麼樣了。接下來我們一起複習一下之前的獲獎課題吧。

金獎

論文題目：基於GeoGebra自動作圖的幾何講題工具研究

論文簡介：針對幾何習題解答存在圖文缺乏互動，老師課堂講題存在可重複性差

A study of geometry lecturing tool based on GeoGebra automatic plotting

銀獎

論文題目：通用電源適配協議（UPP)及其實現

UPP & Its Implementation

銅獎

論文題目：Faster R-CNN overAttention：基於漸進區域提取的視頻共享單車檢測

Faster R-CNN over Attention: Shared Bikes Detection in Surveillance Video

論文題目：基於多種機器學習方法的對於稀缺金屬供應方股價預測的集成學習模型

Ensemble Methods of Machine Learning Models for Critical Metal Stock Trend Prediction

論文題目：低成本手語手套設計與中等辭彙量連續手語識別

The Design of Low-cost Data Glove and Research on Medium Vocabulary Continuous Gesture Language Recognition

去年獲獎同學的選題都各有千秋

有關於基礎理論的研究

也有對技術問題的探索

選一個好的課題

於比賽而言是非常重要

今天小邊雞就為大家帶來了幾個優秀的跨學科課題~

課題

課題一：探索阿爾滋海默疾病分類中的應用

課程簡介:

阿爾滋海默 (Alzheimer』s Disease, AD) 是老年期間常見的慢性精神衰退性疾病，發病率高。AD現有藥物治療非常有限，但早期發現、治療能減緩疾病進程。由於AD不可逆轉，對MCI的臨床前預警和早期干預治療尤為重要。

結構核磁共振成像 (structural Magnetic Resonance Imaging, sMRI) 和功能核磁共振成像 (functional Magnetic Resonance Imaging, fMRI) 是檢測診斷AD、MCI的有效影像學手段。

但目前影像學檢查大多依賴醫生的經驗，工作量大而繁瑣，而且主觀性強，不能充分發掘圖像中的豐富信息。有方課題採用深度學習的方法，從圖像處理的角度，對核磁共振影像數據進行大數據分析，提取AD、MCI特徵，建立阿爾滋海默病的輔助診斷的分類模型。

導師：耶魯大學 博士

耶魯大學生物醫學工程專業在讀；

研究方向是醫學影像分析和機器學習演算法，使用卷積神經網路和fMRI技術分析醫學影像；

論文曾被腦科學與計算機科學方向頂尖國際會議收錄。

課題二：人工智慧分析腦機介面的信號處理

課程簡介:

腦機介面（Brain-computer interface，BCI），有時也稱作「大腦埠」(Direct neural interface) 或者「腦機融合感知」(Brain-machine interface)，它是在人或動物腦（或者腦細胞的培養物）與外部設備間建立的直接連接通路。

腦電波（Electroencephalogram，EEG）它記錄大腦活動時的電波變化，是腦神經細胞的電生理活動在大腦皮層或頭皮表面的總體反映。近來，兩個研究熱點似乎描繪出了未來世界——機器是生命體，生命是一種機器。

有方課題旨在對非侵入式腦機介面和腦電波信號分析技術進行初步的探討和實驗，進行大腦與人工智慧的初步融合嘗試，即通過對腦電波信號進行信號處理和基於深度學習等機器學習演算法的分析，來捕捉大腦活動狀態和行為。並且嘗試將捕捉特徵映射到特定指令集，進而實現由外部設備直接控制大腦。

導師：康奈爾大學 博士

曾在國際知名期刊Journal of Neural Engineering上發表學術論文；

曾在麻省理工大學長期擔任工程實驗室助理；

曾在多家知名公司擔任電子工程師，如BrainCo Tech及The MathWorks。

課題三：深度學習在圖像識別和分類中的應用

課程簡介:

深度學習（Deep Learning）是人工智慧（Artificial Intelligence）近幾年最熱門的研究領域。。這個領域內接連誕生了AlphaGo、人臉識別、無人駕駛汽車等重量級應用，掀起了一場席捲全世界的科技革命浪潮。

圖像分類（Image Classification）是深度學習中應用最早也是應用最為廣泛的部分，由於現實世界中圖像分類問題的數據量往往很小，所以常常通過遷移學習 （Transfer Learning）來完成。

近幾年來，深度學習已經成為很多圖像研究者們的首選方法，很多討論深度學習技術的文章被收錄在頂級學術雜誌期刊如Nature、Science、Cell中。

有方課題旨在介紹深度卷積神經網路結構，並且就從ImageNet數據集當中挑選一小部分作為突破口，來探究深度學習的來龍去脈。還介紹遷移學習的目的及必要性、應用成熟的模型對數據集進行調試的方法，並且比較圖像分類方法的準確率，旨在讓學生從理論到實踐全面了解深度學習。

導師：南加州大學生物醫學工程專業 博士

南加州大學生物醫學工程專業博士在讀；

研究方向為使用機器學習演算法分類生物醫學影像；

現擔任USC生物醫學工程專業助教。

課題四：基於計算機視覺演算法的增強現實 (AR)

增強現實（Augmented Reality， AR）作為計算機視覺的一個重要應用領域，利用計算機視覺所採集到的信息，通過對人的視覺感受進行模擬和再輸出，將虛擬信息疊加到真實信息上，給人提供超越真實世界感受的體驗。

隨著人工智慧技術的快速發展，基於計算機視覺的增強現實手機遊戲Pokemon Go帶來的逼真交互感受改變了人們傳統的屏幕娛樂形式。增強現實很有潛力成為未來攜帶型的，無屏幕化的計算機的核心技術。

有方課題旨在研究計算機視覺技術在增強現實領域的應用。通過對場景的信息提取分析，運用投影幾何以及計算機圖形學的相關技術，實現真實場景中的現實增強。研究者將在項目中獲得使用python進行圖像處理和計算機視覺演算法實現的技能以及對新興AR/VR領域的深入了解。

導師：喬治亞理工大學碩士；

多次在IIEE Transactions on Microwave Theory and Technique, IIEE MTT-S International Microwave Symposium, IIEE Electronics Letters等國際知名期刊上以第一作者身份發表學術論文；

研究方向：人工智慧、電子工程。

收穫

獨一無二的課題成果

導師會為每個學生提供獨一無二的課題，連接最前沿的科研方法和學生感興趣的學術方向，保證學生研究內容的差異性。並有機會以第一作者身份在英文期刊中發表學術論文，參與全球頂級學術會議。

美國Top 30院校導師的推薦信

有方學者項目將為學生提供項目科研導師撰寫的推薦信。導師作為推薦人，來自於美國頂尖學府的科研團隊，保證了推薦信的可信度。

高效備戰具有高影響力、高含金量的科研競賽

學生可以直接使用項目的成果論文衝擊多項全球頂級的科研賽事，除了本文開頭提到的丘成桐中學科學獎之外，還有谷歌科學獎和達特茅斯大學舉辦的ISEC論文比賽。

適合人群

新初三 - 新高二的同學

現在就可以參與課題的研究~

為下一屆丘成桐比賽做準備了！

準備本屆比賽的同學，也同樣可以報名~

小邊雞為大家推薦的課程

對於本科/轉學/研究生申請，都是可以加分的！

課題名額極少，想要報名的同學，可以諮詢課外小助手~

風裡雨里，升學路上小助手陪你！

（小助手微信）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！