什么是科学问题?什么是技术问题?——谈科研基金申请书中的问题

本文探讨了在国家基金委基金申请书中,科学问题与技术问题的区别。科学问题关注新现象、新物质和新原理的发现,而技术问题涉及如何实现这些发现。两者虽相辅相成,但性质不同,科学是认识和发现,技术是应用。科学问题回答“做什么?”,技术问题回答“怎么做?”。文章通过实例解释了这一概念,并指出新技术和新工具的发明也是重要的研究课题。

前两天写了一篇博文,讨论国家基金委基金申请书中一项提纲,建议提纲突出研究课题的“科学问题”,避免误导申请人把“科学问题”当做了试验中要解决的“技术问题”来讨论。有读者提出不清楚“科学问题”和“技术问题”有什么区别。这里简单地谈一谈我的看法。

科学研究是为了去发现新现象、新物质和新原理。

因此,需要发现的新现象、新物质、新原理就是科学问题。而怎样去发现就是技术问题。两者往往不能分开,但是两个不同的概念。科学是认识和发现,技术是应用。科学问题是回答“做什么?”;技术问题是回答“怎么做?”。

举例:

发现一个新基因就是科学问题,怎么去发现就是一个技术问题。

研究一个基因的功能和机理就是科学问题,怎样去研究就是技术问题。

研究一个化合物或药物的作用机理、发现其作用靶点就是科学问题,怎么去研究和发现就是技术问题。

当然也有专门发现和发明新技术、新工具的课题,那这类课题要发明的新技术和新工具就是课题的科学问题,怎么去发明这个新技术和新工具就是课题的技术问题。

从严格意义上来讲,新技术和新工具的发明和发现不属于基础科学问题,而属于应用科学问题。但从申请基金的角度来说,新技术和新工具的发明和发现也应该得到资助。

总结:关键科学问题也就是课题的中心思想、研究方向和主要目标

 



相关专题:基金申请
转载本文请联系原作者获取授权,同时请注明本文来自俞强科学网博客。
链接地址:http://blog.sciencenet.cn/blog-276037-775537.html

了解更多关于《计算机视觉与图形学》相关知识,请关注公众号:

在这里插入图片描述
 

卷积神经网络(CNN)是针对多维网格数据(如图像、视频)设计的深度学习架构,其结构灵感来源于生物视觉系统对信息的分层处理机制。该模型通过局部连接、参数共享、层级特征提取等策略,有效捕获数据中的空间模式。以下从结构特性、工作机制及应用维度展开说明: **1. 局部连接与卷积运算** 卷积层利用可学习的多维滤波器对输入进行扫描,每个滤波器仅作用于输入的一个有限邻域(称为感受野),通过线性加权与非线性变换提取局部特征。这种设计使网络能够聚焦于相邻像素间的关联性,从而识别如边缘走向、色彩渐变等基础视觉模式。 **2. 参数共享机制** 同一卷积核在输入数据的整个空间范围内保持参数不变,大幅降低模型复杂度。这种设计赋予模型对平移变换的适应性:无论目标特征出现在图像的任何区域,均可由相同核函数检测,体现了特征位置无关性的建模思想。 **3. 特征降维与空间鲁棒性** 池化层通过对局部区域进行聚合运算(如取最大值或均值)实现特征降维,在保留显著特征的同时提升模型对微小形变的容忍度。这种操作既减少了计算负荷,又增强了特征的几何不变性。 **4. 层级特征抽象体系** 深度CNN通过堆叠多个卷积-池化层构建特征提取金字塔。浅层网络捕获点线面等基础模式,中层网络组合形成纹理部件,深层网络则合成具有语义意义的对象轮廓。这种逐级递进的特征表达机制实现了从像素级信息到概念化表示的自动演进。 **5. 非线性扩展与泛化控制** 通过激活函数(如ReLU及其变体)引入非线性变换,使网络能够拟合复杂决策曲面。为防止过拟合,常采用权重归一化、随机神经元失活等技术约束模型容量,提升在未知数据上的表现稳定性。 **6. 典型应用场景** - 视觉内容分类:对图像中的主体进行类别判定 - 实例定位与识别:在复杂场景中标定特定目标的边界框及类别 - 像素级语义解析:对图像每个像素点进行语义标注 - 生物特征认证:基于面部特征的个体身份鉴别 - 医学图像判读:辅助病灶定位与病理分析 - 结构化文本处理:与循环神经网络结合处理序列标注任务 **7. 技术演进脉络** 早期理论雏形形成于1980年代,随着并行计算设备的发展与大规模标注数据的出现,先后涌现出LeNet、AlexNet、VGG、ResNet等里程碑式架构。现代研究聚焦于注意力分配、跨层连接、卷积分解等方向,持续推动模型性能边界。 卷积神经网络通过其特有的空间特征提取范式,建立了从原始信号到高级语义表达的映射通路,已成为处理几何结构数据的标准框架,在工业界与学术界均展现出重要价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值