研究生人工智能专业课：基于深度卷积神经网络的医学图像分割教学实施方案

研究生人工智能专业课：基于深度卷积神经网络的医学图像分割教学实施方案

一、教学背景分析

（一）学科定位与学段选择

本教学设计精准定位于研究生一年级人工智能专业核心必修课程“深度学习与计算机视觉”中的关键章节。在人工智能一级学科体系中，计算机视觉是理论架构最完整、产业应用最密集、学术迭代最迅捷的主干方向。图像分割作为计算机视觉从图像级理解迈向像素级理解的枢纽型任务，不仅是自动驾驶、智慧医疗、遥感监测等前沿领域的共性技术底座，更是检验学生对卷积神经网络空间建模能力的重要试金石。选择研究生学段开展本课题，意味着学生已系统修读过“机器学习”“神经网络与深度学习基础”“Python科学计算”等先导课程，熟悉反向传播算法、梯度下降变体及PyTorch框架基本操作。此阶段的教学不能停留于算法调用或模型复现，而必须引导学生进入范式创新的预备状态——即不仅会使用U‑Net分割肝脏，更能洞察跳跃连接为何能拯救空间细节；不仅会导入DeepLabv3+，更能分析空洞卷积的网格效应并提出修正思路。【非常重要】该定位确立了本课在研究生创新能力培养链条中“承上启下、理实并重”的特殊地位。

（二）课程内容重构（基于标题优化）

本设计摒弃传统教材“算法罗列型”叙事，转而构建“问题演进史”逻辑框架。以“深度学习如何逐步攻克图像分割的像素级分类困境”为核心大问题，将内容重组为四个进阶模块：第一模块【历史回眸】从FCN全卷积网络切入，阐释舍弃全连接层的必然性；第二模块【结构进化】聚焦U‑Net及其变体，深度剖析跳跃连接与对称编解码器的信息高速公路效应；第三模块【感受野革命】以DeepLab系列为线索，揭示空洞卷积与空间金字塔池化对多尺度建模的根本价值；第四模块【前沿瞭望】引入VisionTransformer与掩码自编码器，点明自注意力机制如何重新定义分割边界。四大模块并非孤立，而是以“分辨率—感受野—上下文—全局关联”的技术需求为隐性线索，形成层层递进的认知阶梯。同时，全课有机嵌入医学影像（CT肝脏肿瘤）、自动驾驶（Cityscapes街景）、精准农业（害虫密度估计）三大跨学科应用场景，使学生在算法学习之初即建立“技术因解决问题而存在”的工程伦理直觉。【热点】【跨学科】内容重构彻底打破教材章节壁垒，实现了学科逻辑与认知逻辑的高度统一。

（三）学情精准画像

授课对象为研一学生，生源涵盖计算机科学与技术、电子信息、自动化、应用数学及少量生物医学工程专业。通过课前问卷与编程能力自评发现：96%的学生能熟练完成MNIST分类任务，但仅31%的学生尝试过自定义卷积核可视化；78%的学生能背诵感受野计算公式，但仅22%能解释为何堆叠小卷积核优于单个大卷积核。这暴露出普遍存在的“公式记忆与物理意义脱节”现象。此外，学生普遍对医学图像、卫星图片等非自然图像存在畏难情绪，误以为需要特殊预处理技巧。另一方面，研究生群体具有强烈的“发表导向”学习动机，对CVPR/ICCV最新论文关注度高，渴望将课堂知识快速转化为实验思路或竞赛方案。【基础】基于此精准画像，本设计将教学策略锚定在“硬核原理具象化、前沿进展可操作化”双轨上，用交互式可视化打通数学公式与空间直觉，用代码级复现对接学术社区话语体系。

（四）教学资源与跨学科整合

本课依托校内高性能计算平台，为每名学生分配单卡V100GPU实例，并搭建基于JupyterHub的统一实验环境，预装PyTorch2.0、MONAI（医学影像开源框架）、MMSegmentation（语义分割工具库）及十余个开源数据集。跨学科整合体现为三重渗透：第一重【方法借鉴】在讲解感受野时，类比果蝇视觉神经元的侧抑制现象，邀请生命科学学院博士后进行五分钟跨学科对谈视频，揭示人工神经网络与生物视觉在特征提取上的惊人相似性。第二重【数据共生】与附属医院放射科合作，获取经脱敏处理的肝脏肿瘤动态增强CT序列，由影像科医师标注关键解剖结构，使学生在真实临床数据中体会标注成本之高昂与模型鲁棒性之必要。第三重【伦理嵌入】与法学院科技法研究中心联合开发微案例——“算法误分割导致过度医疗，法律责任如何分配”，引导学生从技术归因过渡到制度归因。资源与跨学科整合并非点缀，而是将知识从抽象符号还原为社会实践的必需载体。【非常重要】

二、教学目标与核心素养

（一）知识维度目标

1.精准复述语义分割与实例分割的本质区别，并能从输出维度、损失函数、评价指标三个层面进行辨析。【基础】【高频考点】

2.系统阐述全卷积网络对传统卷积神经网络的结构性颠覆——去除全连接层后，特征图由“向量”还原为“空间张量”，从而支持任意尺寸输入。【非常重要】【高频考点】

3.对比分析转置卷积、双线性插值、反池化三种上采样方式的数学原理、梯度路径与适用场景，特别强调转置卷积的棋盘效应成因及缓解策略。【难点】【高频考点】

4.完整归纳U‑Net架构中跳跃连接的三个核心作用：拼接底层空间细节、为解码器提供梯度捷径、抑制深层特征过拟合。【非常重要】【热点】

5.精准定义空洞卷积的膨胀率与等效感受野关系，并能推导串行空洞卷积与并行空洞卷积（ASPP）在捕捉多尺度信息时的互补性。【难点】

6.概括自注意力机制在分割任务中的优势（长距依赖建模）与瓶颈（计算复杂度与尺寸平方成正比），了解轴向注意力、稀疏注意力等改进方向。【热点】

（二）能力维度目标

1.能够独立使用PyTorch或TensorFlow框架，从零搭建FCN‑32s、U‑Net、DeepLabv3+三种经典模型，并在PASCALVOC或自定义数据集上完成训练、验证与测试全流程，最终提交可复现的代码仓库与实验报告。【非常重要】【项目实践】

2.能够针对特定应用场景（如病理切片细胞膜分割、无人机光伏板裂纹检测）进行问题建模，合理选择基线模型，并从数据增强、损失函数、后处理三个层面提出针对性改进，通过消融实验验证改进有效性。

3.能够快速结构化学术论文，三分钟内定位一篇图像分割顶会论文的核心创新点（新模块/新训练策略/新评价范式），并以“五分钟学术快闪”形式进行逻辑清晰的脱稿汇报。

4.能够严格遵守学术伦理，在代码复用环节明确标注原始仓库地址及License类型，在数据集引用时规范引用来源，养成负责任的科研与工程习惯。

（三）思维与价值维度目标

1.通过特征图动画、感受野滑动窗口演示等具象化手段，帮助学生完成从“神经元参数记忆”到“空间滤波器认知”的思维转型，形成调试深度学习模型时必备的“空间直觉”。

2.在剖析分割模型对新冠肺炎CT影像辅助诊断的实际案例中，引导学生反思“准确率提升是否等同于临床价值提升”，理解假阴性成本与假阳性成本的非对称性，树立以终为始的技术价值观。

3.通过小组共研多器官分割大任务，模拟真实科研团队中的分工协作：部分成员负责数据清洗与标注，部分成员专注模型调优，部分成员主攻结果可视化和报告撰写，在协作中体认大型工程对沟通契约与信任伦理的依赖。

三、教学重难点及突破策略

（一）教学重点【非常重要】【高频考点】

1.全卷积网络对全连接层的卷积化替换——这是图像分割摆脱固定尺寸桎梏的逻辑起点。

2.U‑Net跳跃连接的物理意义与代码实现——这是学生从“分类脑”切换至“分割脑”的关键关卡。

3.语义分割评价指标（IoU、Dice、PA）的数学定义与工程陷阱——例如忽略背景类时IoU虚高、小目标对Dice系数不敏感等。

4.空洞卷积的参数设置对感受野的实际影响——通过可视化手段建立膨胀率与覆盖区域的量化关联。

（二）教学难点【难点】【热点】

1.转置卷积的数学本质及其与双线性插值的梯度差异。多数教材仅提供尺寸计算公式，学生极易混淆“转置卷积”与“反卷积”概念，更无法理解为何转置卷积会造成棋盘伪影。

2.跳跃连接在U‑Net不同深度层的贡献差异性。学生往往认为所有跳跃连接同等重要，难以理解浅层跳跃连接主要负责边缘细化，深层跳跃连接主要负责类别置信度修正。

3.空洞卷积的“网格效应”成因与缓解方案。当膨胀率与卷积核尺寸不互质时，采样点呈现棋盘格状离散，导致局部信息丢失，这是学生在使用混合空洞卷积时极易忽视的陷阱。

4.Transformer在分割任务中对位置编码的依赖性。学生容易直接套用NLP中的绝对位置编码，忽略图像二维结构对相对位置编码的偏好。

（三）难点突破策略

针对难点1，设计“微积分手算工作坊”：提供3×3输入矩阵与2×2转置卷积核（步长2），要求学生手动计算正向传播输出及反向传播梯度，并与双线性插值法的梯度传播路径进行对比，从线性代数层面理解“转置”二字的本质。针对难点2，开发“U‑Net消融实验沙箱”，学生只需点击复选框即可断开任意一条跳跃连接，实时观察验证集IoU与分割边界平滑度的变化曲线，用数据量化不同层级跳跃连接的功能分化。针对难点3，编写“空洞卷积棋盘效应模拟器”，输入膨胀率组合，即时生成采样点分布热图，并自动推荐无网格效应的膨胀率序列（例如[1,2,3]而非[2,2,2]）。针对难点4，设计“位置编码动物园”对比实验，在小型分割数据集上并行训练绝对位置编码、相对位置编码、可学习位置编码及无位置编码四种变体，通过性能差异反推二维图像对位置先验的特殊需求。【重要】

四、教学实施过程（核心环节，详尽展开）

（一）课前准备阶段——知识唤醒与认知预热

1.教师预置任务【基础】

课前72小时，通过课程专属知识社区发布三项必须完成的前置任务。第一项【记忆检索】使用智能组卷系统生成经典卷积神经网络结构填空题，覆盖AlexNet、VGG16、ResNet50的卷积层数量、池化层位置及全连接层参数量，系统自动批阅并生成班级易错点词云。第二项【概念冲突】推送一个精心设计的错误代码片段：试图将全连接层输出的1000维向量直接reshape为224×224×1的图像，显然失败，要求学生用一句话解释失败原因并提交至讨论区。第三项【现象观察】提供五组成对图像——原始自然图与对应的像素级标注掩膜，涵盖人像抠图、车道线检测、细胞核分割，要求学生用不超过50个字归纳这三类任务的共性输出形式。前置任务的数据显示，87%的学生能准确捕捉“输出是与输入同分辨率的单通道或多通道图”这一核心特征，但对“如何从分类网络过渡到该输出形式”仍存在普遍认知空白。【重要】

2.学生前置学习

学生需精读Long等人2015年FCN论文的摘要、引言及模型部分（第3.1-3.3节），并在GitHub平台主动搜索并Star至少一个星标超过1k的U‑Net仓库。教师利用GitHubAPI监控学生Star行为，对尚未接触开源社区的学生进行一对一工具引导。同时，学生在知识社区以“FCN质疑”为话题发帖，提出预习后仍未解决的困惑。整理发现，高频问题集中于：“既然1×1卷积可以压缩通道，为何不直接在VGG后接1×1卷积输出分割图，还需要上采样？”“跳跃连接时，编码器特征图尺寸与解码器特征图尺寸不一致，如何拼接？”这些极具价值的原始困惑被直接投屏作为课堂第一环节的认知起点。【高频考点】

（二）课中实施阶段——深度建构与思维进阶（共3学时，135分钟）

1.情境创设与问题驱动（15分钟）【热点】

上课铃响，大屏幕展示一幅真实腹部增强CT的DICOM格式图像，随即叠加放射科医师手工勾画的肝细胞癌边缘。教师发问：“这是一位早期肝癌患者的门静脉期扫描。如果让你设计一个算法，自动在几百层CT序列中圈出肿瘤边界，你首先想到的神经网络结构是什么？”学生自然答出“CNN”。教师继续追问：“很好。那么请回忆经典CNN——例如你们在本科课程中做过的猫狗分类器——它的输出是什么？”学生齐答“一个向量，表示属于各类的概率。”教师切换幻灯片，将分类网络输出层放大：“这个向量经过全连接层压缩而来，空间维度被强行挤压成1维。现在我们需要恢复成与CT切片相同大小的二值图，肿瘤区域为1，背景为0。大家直观感受一下，问题出在哪里？”此时全班陷入短暂沉默，这正是教师期待的认知冲突临界点。一名学生迟疑发言：“全连接层把位置信息丢掉了，我们……可能不应该用全连接层？”教师立即肯定：“非常精准！所以2015年Long等人的历史性贡献，就是将分类网络中的全连接层全部替换为卷积层，使网络能够输出空间图而不是空间向量。这，就是全卷积网络的核心思想。”整个导入过程控制在15分钟内，从临床痛点直击算法本质，无任何冗余铺垫。【非常重要】

2.深度探究与协作建构（90分钟）

本环节由三个层层递进的探究模块构成，每个模块均采用“原理显微·代码复刻·实验裁判”三阶循环教学法，确保抽象原理具身化、显性知识程序化。

（1）全卷积网络精讲与复现（30分钟）【基础】【高频考点】

教师启动本地JupyterLabServer，打开预先配置好的VGG16预训练模型。通过d_parameters()逐层打印网络结构，当打印到classifier时特意停顿，用红色方框醒目圈出三个全连接层。教师现场编写代码，将第一全连接层（输入25088，输出4096）替换为卷积层：nn.Conv2d(512,4096,kernel_size=7)，并解释：7×7是最后一个卷积池化层输出的特征图尺寸，512是通道数。学生顿时理解——原来全连接层的每一个神经元等价于一个7×7卷积核在整张特征图上滑动一次的结果。接着，教师依次替换剩余两个全连接层，最终得到全卷积化的VGG。此时特征图形状为(1,4096,7,7)。教师再添加一个1×1卷积，将通道数压缩至21（PASCALVOC类别数）。至此，特征图变为(1,21,7,7)。

教师暂停，眼神扫视全场：“我们已经得到了21通道的7×7粗scoremap，但原图是224×224，怎么办？”学生异口同声：“上采样！”教师随即板书转置卷积尺寸公式，并逐变量解析：输入7，步长32，填充0，核尺寸64，计算得输出尺寸恰好为224。代码实现nn.ConvTranspose2d(21,21,kernel_size=64,stride=32)后，教师故意先不初始化权重，直接forward一张随机图，用matplotlib展示输出——一片噪点。教师问：“为什么？”学生立即回忆：转置卷积核是随机初始化的，需要学习。教师点头，随即演示双线性插值初始化方法：构造一个双线性核的矩阵作为转置卷积初始权重，并冻结其梯度，或将其作为可学习参数的初始值。此时，教师展示FCN论文中著名的“三明治”结构图——卷积化、上采样、跳跃融合。至此，全卷积网络的完整图像刻入学生脑海。随堂练习：每组需在自己电脑上复现从VGG到FCN-32s的完整转换，并对比nn.Upsample与nn.ConvTranspose2d两种上采样方式输出的视觉差异。实时调试中，半数小组观察到棋盘伪影，教师立即组织两分钟小组讨论，随后总结：棋盘效应源于转置卷积核重叠不均匀，可通过权重归一化或双线性初始化缓解，并非转置卷积固有缺陷。此环节代码量约60行，学生全员达成运行成功。【非常重要】

（2）U‑Net对称编解码与跳跃连接（30分钟）【非常重要】【热点】

教师切换场景至医学图像分割——肝脏肿瘤数据集。首先展示一个没有跳跃连接的“直筒型”编解码网络分割结果：肝脏区域大致正确，但肿瘤边缘锯齿严重，且漏检了一个直径仅5毫米的小转移灶。教师提问：“边缘丢失和小目标漏检是医学图像分割的两大痛点。大家思考，深层网络富含语义信息，但丢失了空间细节；浅层网络保留空间细节，但语义抽象程度低。如何让两者协同工作？”学生在本科阶段学过ResNet，立刻反应：“跳跃连接！”教师趁势展开U‑Net全貌，着重强调两个设计细节：第一，编码器与解码器的特征图在通道维度拼接而非相加，以完整保留原始信息；第二，每次上采样后先与对应层编码器输出拼接，再卷积融合。

为量化验证跳跃连接的价值，教师启动预设的“U‑Net消融实验沙箱”。这是一个基于Streamlit的交互式Web应用，左侧为复选框，可独立勾选/取消四级跳跃连接中的任意一级；右侧实时显示验证集IoU、Dice系数及三组典型分割样例。教师先全员保持全连接状态，记录Dice=0.892。随即取消最深一层跳跃连接（第4层），Dice微跌至0.881；取消最浅一层跳跃连接（第1层），Dice骤降至0.812，且所有物体边缘均出现模糊。学生惊愕——原来浅层跳跃连接比深层更重要！教师解释：深层特征已经高度抽象，跳跃连接主要起梯度传递作用；浅层特征直接决定边缘定位精度，无可替代。随后，学生以小组为单位，在沙箱中测试不同跳跃连接组合，并记录IoU变化。某小组尝试只保留第1、2层跳跃连接，发现Dice维持在0.85以上，但类别混淆增加（将脾脏误判为肝脏）。这一发现被教师投屏表扬，并总结：浅层跳跃连接保边缘，深层跳跃连接保语义，二者需协同工作。学生在这一环节从被动接受者转变为规律发现者，认知深度显著提升。【难点】【高频考点】

（3）DeepLab空洞卷积与ASPP（30分钟）【热点】【难点】

展示一张德国城市街景——近处一辆卡车几乎占据半幅画面，远处交通信号灯仅有几十个像素。教师点明：“单一固定感受野无法同时捕获卡车的大尺度与信号灯的小尺度。如果单纯堆叠卷积层加深网络，特征图分辨率会持续下降。”随即引出空洞卷积。为破解空洞卷积抽象的数学定义，教师启动自主开发的“空洞卷积游乐场”HTML5页面。学生可滑动滑块调节卷积核尺寸（3或5）、膨胀率（1~6），页面实时绘制采样点位置，并计算等效感受野。学生自行探索发现：膨胀率=1时即为标准卷积；膨胀率=2时，3×3卷积核覆盖7×7区域，但仅有9个采样点。一名学生突然提问：“如果连续使用两个膨胀率=2的3×3卷积，感受野如何计算？”这正是教师预设的认知生长点。教师板书串行空洞卷积感受野公式，并演示膨胀率不互质时采样点重合导致的网格效应。

继而引入空间空间金字塔池化模块：并行四个3×3空洞卷积，膨胀率分别为1、6、12、18，再将四个分支的特征图沿通道维拼接。教师现场对比DeepLabv1（仅用空洞卷积）、DeepLabv2（引入ASPP）、DeepLabv3（改进ASPP并加入图像级特征）在Cityscapes验证集上的单类IoU。学生清晰看到，ASPP对交通标志、行人等小目标提升显著。此时教师布置一个高挑战任务：为ASPP模块添加可变形卷积偏移量，使其采样位置自适应于物体形状。学生虽暂未实现，但通过阅读教师提供的伪代码，已触摸到科研创新的方法论——在经典模块上做“微创手术”并验证有效性。此环节收束时，教师强调：空洞卷积与ASPP并非分割专属，已广泛用于语音合成、时间序列建模，体现着“跨模态感受野控制”的通用思维。【重要】

3.迁移应用与批判反思（20分钟）【非常重要】

屏幕突然切换任务：法国太空研究中心委托项目——从亚米级卫星影像中自动提取建筑物轮廓，用于灾后快速估损。数据集包含5000幅50cm分辨率图像，每幅图建筑物数量从1栋到30栋不等，屋顶材质有混凝土、金属、沥青、陶瓦。各小组需在5分钟内讨论并给出基线模型选型建议（U‑Net或DeepLabv3+），陈述理由。

第一组代表发言：“我们选U‑Net。因为卫星图像中建筑物尺寸相对固定，不需要ASPP那样极端的感受野扩张；U‑Net参数量更小，在5000张中等规模数据集上不易过拟合。”第二组持反对意见：“我们选DeepLabv3+。因为灾后估损对边缘精度要求极高，DeepLabv3+的解码器专门优化了边缘，且空洞卷积不会降低分辨率。”第三组尝试折中：“可以用U‑Net，但在编码器末端引入一个轻量ASPP模块。”教师不急于评判，而是展示双方模型在该任务上的真实实验曲线：DeepLabv3+的mIoU高出1.7个百分点，但推理速度慢30%；U‑Net+轻量ASPP取得了最佳性价比。教师借机升华：“没有永远最优的模型，只有最适配场景的架构。选型是对数据规模、算力约束、精度要求、部署环境的综合权衡。”

随后进入伦理思辨环节。教师发问：“如果该建筑物分割模型被用于地震后72小时黄金救援路径规划，但它对蓝色铁皮屋顶（临时安置房常见材质）存在系统性误判，将屋顶误识别为碎石，导致救援队绕远路，谁该为此负责？”短暂分组讨论后，学生观点分化：有归因于训练数据缺乏蓝色屋顶样本，有归因于算法工程师未做偏见测试，还有归因于采购方未验收特殊场景。教师总结：技术从来不是价值中立的，分割模型的每一处误判都可能转化为社会成本；算法公平性不是道德装饰品，而是工程质量的硬指标。

4.总结提炼与元认知（10分钟）

学生个人使用Excalidraw或ProcessOn绘制本节课知识图谱，要求包含FCN、U‑Net、DeepLab三大支柱，并标注各自的进化贡献（如FCN抛弃全连接层、U‑Net引入跳跃拼接、DeepLab发明空洞卷积+ASPP）。教师随机抽取三份图谱投屏。第一份按时间轴线性排列，第二份以“分辨率恢复策略”为中心发散，第三份以“感受野控制技术”为主线。学生互评时指出，第三份图谱遗漏了跳跃连接对梯度的贡献，二维认知存在盲区。被评学生当即补充。最后，教师以极简语言凝练分割技术演化哲学：“图像分割的历史，就是计算机视觉不断模仿并超越人类视觉皮层‘局部-全局-局部’循环认知的历史。我们既在解释大脑，也在创造新的视觉范式。”【非常重要】

（三）课后拓展阶段——能力固化与创新孵化

1.项目延伸【重要】

设置三维项目阶梯，要求两周内提交可运行的代码仓库及不超过1000字的技术说明。

基础级：给定公开数据集LiTS（肝脏肿瘤分割），复现U‑Net架构，通过数据增强与损失函数优化，使Dice系数达到0.85以上。提供starter代码框架及数据预处理脚本，重点考察模型搭建与训练管线正确性。

进阶级：在U‑Net骨架中集成注意力门控机制，实现论文AttentionU‑Net的核心模块。要求使用nn.Module封装注意力门，并在跳跃连接前对编码器特征进行空间加权。提交的实验报告中必须包含有无注意力门的对比Dice曲线及两组典型难例切片。

挑战级：将训练好的分割模型通过ONNX导出，使用NCNN或TensorFlowLite部署至Android手机，完成实时人像分割演示。提交材料需包含手机录屏、运行帧率及与官方PaddleSeg模型的精度对比分析。

项目成果纳入过程性评价，优秀作品由学院官微推送展示，并直接获得全国人工智能大赛校内选拔赛复赛资格。【热点】【非常重要】

2.学术前沿链接

教师精选三篇发表于2024年计算机视觉顶级会议（CVPR/ICCV）的论文：第一篇聚焦“基于掩码图像建模的自监督分割”，无需密集标注即可学习强大空间表征；第二篇探索“开放词汇分割”，使模型能分割训练时从未见过的类别；第三篇提出“交互式分割”新范式，单击即可完成精细抠图。每篇论文附教师撰写的“三句话快评”——一句概括核心创新，一句指出潜在缺陷，一句构想改进方向。学生需任选一篇精读，并在课程博客评论区发表不少于200字的质疑式评论。教师每周选出“最佳学术鲶鱼”评论，置顶并赠送计算机视觉名著电子版。该活动旨在将课堂认知边界推向学科前沿，孕育研究生独立从事学术批判与创新的萌芽。

五、教学评价设计

（一）过程性评价（占比60%）

1.前置任务完成度与质量（10%）：基于学习通平台的视频观看时长、填空题正确率、讨论区发帖质量进行综合评分。讨论帖特别奖励那些提出“为什么VGG16参数量远大于ResNet50，分割精度却未必更高”等深度追问的学生。【基础】

2.随堂实验效度（20%）：每项代码任务均绑定轻量级自动评分脚本，以输出张量形状正确性、loss下降趋势合理性为主要得分依据。对于在U‑Net消融实验沙箱中发现新颖规律（例如“同时切断第2层和第3层跳跃连接会产生蝴蝶效应”）的小组，给予额外荣誉积分。【重要】

3.小组研讨贡献度（15%）：采用匿名同伴互评系统，每位成员为组内其他成员在迁移应用环节的发言质量、协作态度进行1~5分制打分，系统剔除极端值后加权计入总分。

4.学术前沿评论质量（15%）：从批判性（是否指出论文未讨论的边界条件）、建设性（是否提出可落地的改进思路）、规范性（是否使用准确学术术语）三维度由教师进行定性评级，每周在课程首页公示评语。【热点】

（二）终结性评价（占比40%）

彻底改革传统闭卷笔试，实施“作品+答辩+复盘”三位一体考核。学生从课后项目延伸中自主选择难度层级，提交