博士盖

专升硕是西班牙硕士留学的独特优势之一，专科毕业生无需经过专升本环节，满足一定语言要求后，可以直接申请攻读西班牙大学硕士课程，所获学位被中国教育部认可。西班牙大部分硕士专业为一年制，学制短，学费低，非常适合预算有限、想快速提升学历的学生。专升硕可申请院校和专业推荐西班牙以高质量教育在欧洲闻名，30%的西班牙公立大学均进入全球Top500强名校之列。以下是部分可申请西班牙大学列举：1、马德里自治大学马德里自治大学是西班牙最著名的高等学府之一，其突出的教学质量、科研成就以及优美的环境和完备的基础设施吸引了来自世界各地的优秀学子。马德里自治大学优质的教育培养了一代又一代人才，西班牙现任国王菲利佩六世毕业于该校法律与政治系。2021 QS世界大学排名第200位，2021 U.S.News世界大学排名第188位。2、巴塞罗那大学巴塞罗那大学建校于1450年，是一所学科全面、集教育与科研于一身、多项科技成果领先世界的著名公立大学。无论是科研项目的数量还是科研成果的质量，巴塞罗那大学都在西班牙高校中名列前茅，在整个欧洲也是佼佼者。巴塞罗那大学还是素有“欧洲常春藤联盟”之称的科英布拉集团成员。2021 QS世界大学排名第183位；2021 U.S.News世界大学排名第90位。3、巴塞罗那自治大学巴塞罗那自治大学始建于1968年，在研究与教学领域里的出色表现，不仅傲居西班牙之冠，更被公认为欧洲最优秀的大学之一。2021 QS世界大学排名第213位，2021 U.S.News世界大学排名第154位。4、庞培法布拉大学庞培法布拉大学始建于 1990年，位于西班牙巴塞罗那，因其现代化教学、卓越的教学品质、高层次的国际合作、注重创新的教学模式，在短短的30年间已成为欧洲最优质的大学之一，被国际社会所认可。2021 QS世界大学排名第287位，2021 U.S.News世界大学排名第180位。5、卡洛斯三世大学卡洛斯三世大学位于西班牙首都马德里，是一所年轻的综合性大学。在企业管理、经济管理类专业、法律类专业排名西班牙前三，经济学商科领域，该校在全欧洲乃至世界享有极高声誉。2021 QS世界大学排名第311位。6、阿尔卡拉大学2021 QS世界大学排名500强大学。阿尔卡拉大学是西班牙唯一一所世界文化遗产大学，专业设置从本科到博士覆盖广泛，以环境科学、医学、翻译学、对外西语教学等专业闻名。阿尔卡拉是塞万提斯的故乡，每年4月23日，西班牙国王会专程来到阿尔卡拉颁发塞万提斯文学奖，这个奖项是对在西班牙语文学领域做出杰出贡献的作家和他们的创造性工作给予的最高肯定，被誉为西语界的诺贝尔文学奖。7、萨拉戈萨大学萨拉戈萨大学建校于1542年，已有近500年校史，是世界500强大学，也是西班牙教育部直属的9所最重要的大学之一。长久以来萨拉戈萨大学代表着西班牙教育的最高质量和声誉，也是国际交流、学生互换活跃度最高西班牙大学之一。8、萨拉曼卡大学西班牙最古老大学，建校800余年，与牛津、剑桥大学齐名，被誉为“世界上最适合学西班牙语的地方”。萨拉曼卡在1988年被联合国教科文组织列为人类文化遗产，并于2002年被评选为“欧洲文化之都”。 萨拉曼卡也是著名的学生之城，每年来自世界各地的留学生聚集于此，使得萨拉曼卡成为卡斯蒂利亚莱昂地区最有活力的城市。9、卡斯蒂利亚拉曼查大学西班牙卡斯蒂利亚拉曼查自治区唯一重点大学，计算机、工程、生物学等排名西班牙前十。大学位于西班牙中心，语言纯正，文化深厚，拥有托莱多（Toledo）及昆卡（Cuenca）历史文化遗产城市。卡斯蒂利亚拉曼查大学开设的本科及硕士专业涵盖人文艺术、自然科学、健康医学、工程建筑、社科法学。根据西班牙世界报El Mundo大学排名，该大学美术、土木工程、职业病理疗专业排名西班牙全国前5位。10、瓦伦西亚大学瓦伦西亚大学建校于1499年，至今已有超过500年的历史，是西班牙历史最悠久的大学之一。大学最初的研究领域主要是医学、人文学、神学和法律，在过去的20年中经历了史无前例的转型和发展。目前瓦伦西亚大学所开展的教育和研究活动涵盖了广泛的知识领域：基础科学、实验科学、工程学、健康科学、教育科学、人文科学、社会科学、经济学和法学等。瓦伦西亚大学已成为西班牙五大科学中心之一。2021 U.S.News世界大学排名第226位。西班牙大学专业设置齐全，社科法律类、人文艺术类、工程学及建筑类、实验科学类、医药类等领域专业全部向中国学生开放申请。部分专业接受跨专业申请。社科法律类：物流管理、国际贸易、企业战略及市场营销、人力资源管理及组织发展、旅游策划与管理、视听传媒、教育学研究等人文艺术类：文化遗产管理、舞台艺术、艺术设计研究、艺术创作、语言和文学研究、中西翻译、西班牙语高级研究等工程学及建筑类：工业电子和自动化系统工程、建筑遗产、建筑科学与建造技术、领土及城市规划、水文学及水资源管理、计算机智能及交互系统的研究与创新、工业建筑及安装工程等医药类：公共卫生、慢性病及老龄化综合管理、社会健康学研究、急诊医学、药学研究和发展、神经学这里也要提醒一句，每年院校及专业申请要求或有调整，想了解最新信息，请与我中心老师联系。

来源：中核集团一总体安排根据疫情防控有关要求，原子能院2020年博士研究生招生原则上采取网络远程考试进行选拔，面向考生逐一落实网络远程考试条件，确保每位考生基本权益，保障网络远程考试平稳有序。二网络远程考试技术条件远程软件为阿里钉钉，备用软件为腾讯会议。考生须准备两台能够安装以上软件并具备远程视频会议功能的设备，并保证稳定的互联网接入。如遇断网等突发状况，电话面试为备用方案。笔试为闭卷方式，采用面试软件监考，现场完成答题。考生需根据邮件通知，提前下载相应软件并在规定时间进行测试，并进行考生端硬件设置，保证面试和笔试顺利进行。三身份确认方式：线上进行，本人出示以下列出的材料原件进行资格确认，之后宣读《中国原子能科学研究院2020年研究生招生远程考试考生诚信承诺书》，各单位对宣读过程录音像存档。1有效居民身份证；2已获得硕士学位的在职人员提供硕士毕业证书、硕士学位证书；3国家承认学历的应届硕士毕业生提供学生证；4以同等学力身份报考人员核验学士学位证书；5不能在资格确认前获得硕士学位的非学历教育的各类在读硕士专业的学生以及在职申请硕士学位人员，按上述第4条要求提供资格确认材料；6凭境外学位证书报考的考生需提供教育部留学服务中心的学位认定证明。7身份确认原则上在远程考试之前完成即可，具体安排院属各招生单位自定时间。另外，还需本人手签《中国原子能科学研究院2020年博士研究生招生考试保密承诺书》承诺不对考试过程录屏、录音，不泄露考试试题等相关内容，于6月15日17：00前扫描（拍照）发至院研招办邮箱ciaeyjsk@126.com，扫描件命名为 ：报名编号 +个人姓名+保密承诺书。考生应按照有关要求备妥硬件条件和网络环境，提前安装指定软件，并按照院属各招生单位要求时间配合完成网络远程软件测试。考生一般需要双机位模式参加考试（笔试+面试），请考生提前做好准备。如有困难，及时向原子能院反映，做好沟通。四考试形式和内容1笔试① 考试科目：英语、专业课1和专业课2，每门考试时长3小时，卷面分数为100分。② 考试时间：6月20日8:30-11:30英语6月21日8:30-11:30专业课1，14:30-17:30专业课2。③ 考试形式：闭卷作答，各科成绩设及格线。笔试试题将于6月20日8:00前加密发送至考生个人邮箱，需考生确认收到。考试前现场公布密码，考生需用A4纸作答，考试结束立即拍照并于规定时间前发至原子能院研招办工作邮箱ciaeyjsk@126.com，邮件名：报名编号+个人姓名+考试科目。如遇邮箱故障，考生须联系院属各招生单位指定方式提交，并提供规定时间前邮箱发送答卷的证明。注意事项答题过程中，考生须使用规定软件进入考场，全程保持双摄像头开，前部摄像头音频开启，后置摄像头音频关闭。答题电脑摄像头视频面向考生，另一摄像头面向考生侧后方。考生需用A4纸作答，答题过程中，全程清楚拍摄出考生本人及作答桌面，考生过程中的所有动作都要被双摄像头所覆盖。未经许可有以下行为者按作弊处理，直接取消录取资格，并且原子能院保留公告作弊学生姓名的权利：有其他人在场或进入考试场地；考生离开视频范围；拨打或接听电话；使用其他形式或者手段（如社交软件、电子邮件、即时通讯软件等）与外界进行沟通或查阅与考试相关内容的书籍等文件。2面试① 面试原则上应在6月22日-24日期间完成，具体时间安排由院属各单位另行通知。②考生按照面试开始时间提前半小时进入远程候考室，进行身份核验，等待候考室老师指令进入远程面试考场。③面试时将重点考察考生的专业素质和能力、创新精神和创新能力、思想状况、外语听说能力、语言表达能力等。面试过程中除了着重考察申请者的学术背景和科研能力外，还应安排英语问答测试考生临场反应和英语水平。五考生准备工作1考生需提前学习研究生招生网络远程考试相关规则，严格按照考试规则及要求做好准备。2根据接收的通知提前准备好个人材料、面试软硬件要求（双机位模式：手机+电脑）、考前软件测试等。确实有困难无法克服的需提前联系原子能院。3根据院属各招生单位安排的时间提前进入网络候考室候场，并保持手机畅通。4仔细阅读原子能院《博士研究生招生考试工作方案》，严格按照要求参与考试。六录取办法院属各招生单位制定本单位2020年博士研究生录取方案，科学设计考试总成绩计算办法，合理分配笔试与面试所占权重。凡笔试成绩达到各科目及格线的考生将依据考试总成绩由高到低排序，择优录取。七费用博士报名费标准为300元。考生须在6月30前集中完成缴费，具体缴纳信息如下：单位名称：中国原子能科学研究院开户银行：中国工商银行北京二六六支行

2019 年 1 月 20 日，华南理工大学材料科学与工程学院博士生胡某在宿舍休克；2019 年 1 月 31 日中国科学技术大学地球化学专业博士生刘某失联，遗体被发现后疑似自溺身亡；2019 年 2 月 11 日，斯坦福大学材料科学与工程系博士王某在实验室内自缢身亡……无论国内国外，读博士的压力都超乎常人想象的大！为何不退学？知乎上有个话题非常热：一些跳楼的名校博士们，为什么不退学？已有回答 1264 个，被浏览 620 多万次。图片来源：知乎截图在常人看来很正常的退学选择，在那些博士生看来，竟是排在自杀之后的选择。人生不能置换，人生无法假设，再也没有人能亲身体会死者的心境，也无从理解死者选择死亡时的无助和绝望。旁人的分析也好，甚至博士生们现身说法也好，也不过仅提供一个了解死者想法的侧面罢了。大部分博士生在读博阶段总会或多或少或长或短地有那么段难熬的日子，有的扛一扛就过去了。有实在扛不住的，不妨考虑退学。人生就是这样，那些痛苦煎熬的一分一秒，只要活着过去了，回头想想也不过如此。图片来源：123rf学霸君身边就有两个 quit 掉 Top 2 博士的例子。为保证隐私，人名匿去，也不涉及专业和入学年度。第一个是本科毕业于东部 985 综合类大学的 Z 生，考研读博，科研素养是学霸君近二十年专业生涯中排名前五的。他读博期间，组里发生了一件事。他的一篇一区 paper 闹了个大笑话，被撤稿了。本来指望文章毕业的 Z 生，顺利毕业的愿望落空。刚好他原打算去美国名校继续深造，这下就干脆办理退学，直接走人。同组另一个博士生 S ，本科毕业于中部 985 综合类大学，保送读博，四年没做出成果，中期答辩已经延期，博士毕业延一年还都没希望。受到 Z 生的感召，转硕士走人，去其他学校读博士。老话说「树挪死，人挪活」，这俩人现在混得还都挺不错。在学霸君看来，有能力读博士的，在智力、能力和努力程度上都远超常人，即使不读博士了，做其他的，也一样可以非常优秀。退学的流程普遍来说，退学比入学容易，比博士毕业那更是容易太多。然而，学霸君详细询问过很多 985 高校不同专业的博士生本校博士生退学的手续究竟该怎么办，大部分人不知道。可见退学这个选择，对很多博士生来说还很陌生。在读博遇到困境的时候，也不是一个权重较高的考虑项。图片来源：123rf必须承认，不同学校的退学流程在具体操作上差别较大，国内外差别更大。国外高校教授治校，退学一般比较好办，只要跟自己导师商量好，系里的秘书会把一切事情都办妥，学生等着在相关文件上签字即可。在国内，最初也要跟导师谈。导师同意后，系里大概率还会有人来做工作，有时是院里分管研究生教育的副院长来谈心和了解情况。如果学生坚持要退学，那么流程方面就得由院办公室人员或者校研究生院处理了。正式的流程多数开始于学生向校方学生处或研究生处提交退学申请。申请中要写明退学原因，不愿意谈退学原因的，就写「个人原因」。校方审批完后会出具书面的退学通知单。接着要填一些存档留用的表格。有的高校比较正规，对研究生档案管理比较好，则会直接出电子版，学生签字即可。跟正常毕业相同的是，最后都必须要填一张离校手续单，上面要求宿舍、图书馆、食堂等盖章，代表学生跟校内有关的一切手续和钱款交接完毕。上述手续办完，学生就可以离开了。图片来源：123rf退学可能遇到的问题1. 肄业证肄业指尚未毕业或没有毕业，退学当然属于肄业。所以，退学的官方说方法是「博士肄业」，大陆的高校一般会发给学生肄业证。很多人觉得丢脸或者认为对以后择业没帮助，就不领肄业证，这是不对的。肄业证用来代表博士期间的科研经历，对将来写履历以及相关户口档案的调动都有很大的证明作用。2. 户口和档案博士退学后，外地生源的户口一般要回原籍，这时候就是肄业证发挥作用的时候了。有了肄业证，迁户口和档案的流程跟正常毕业是一样的。如果没有肄业证，相关证明材料会让人抓狂。3. 退缴补助网上有人说博士生退学的话，必须把之前领到的博士生补助全数退还。然而学霸君身边的例子中，并没有哪个学校收取退还的补助。这个问题，可能不同学校间有差异。不过说到底，能有博士点的学校或专业，大都不差这点钱，估计大面上，博士补助是不必退缴的。图片来源：123rf读博并不是人生的全部，退学也只是人生的一种选择。站在一生的角度看，博士退学大概率还是好事儿，只要自己能调整好心态，没有什么不可以。图片来源：123rf人生中重要的事情很多，读书求学，远比不上生活幸福更重要。（封面来源：站酷海洛 plus）

成为导师的第一个博士生，被大家叫一声「大师兄」、「大师姐」，听起来威风凛凛。事实上，从一个科研小白进阶为他人眼中无所不能的开门弟子，个中滋味只有自己知晓。作为导师的第一个博士生，是一种怎样的体验？笔者采访了几位有故事的同学，以下是四段以「蜕变、波折、关爱、诱惑」为关键词的分享：01 蜕变男 / 32 岁 / 坐标长沙：跳出舒适圈，读博改变一生本科毕业后的 4 年间，我一直在成都某高校做科研助理。知道这个职位属性的人便了解其中的尴尬及无奈，很少有独立开展课题研究的机会，发展的天花板非常低。在某次课题讨论会上，听完我的报告，一个博士师兄轻蔑地质疑道：你自己的思路和想法呢？机械简单地重复实验毫无意义。那年春天我毅然辞职，次年考回长沙某研究所，成为导师的第一个学生。导师年轻有为，回国时带了两个未做完的课题，我们常常没日没夜地做实验，曾创下一周没回宿舍的记录。硕博期间，我以一作身份发表了 3 篇文章，导师也顺利申请到各类基金，在研究所站稳了脚跟。于我而言，比我大 7 岁的导师亦师亦友，相互成就。读博是改变我一生的决定，将过去的一切重新洗牌。毕业后的我成为高校的青椒。科研和教学压力像两座大山压在身上，然而我已经有了足够成熟坚强的心智来应对这些困难。时到今日，我仍无法忘记那个师兄趾高气扬的眼神。没有恨或是其他复杂的情感，只是感谢他出现在我的生命里，将我推出浑浑噩噩的舒适圈。02 波折女 / 30 岁 / 坐标武汉：苦熬之后就是晴天我是导师的第一个博士，也是导师事业发展轨迹的见证人。2012 年我成为导师回国后的招收的第一个学生，彼时的我保送至本校读研、男朋友直博到 TOP1 高校的实验室。我内心暗下决心，一定要做出一番事业，不能输给男朋友，于是我选择了光环加身的导师。那年夏天，「光杆子司令」导师带着我和另一个男生开始了建设实验室的道路。武汉的夏天高达 40 度，地面热得快融化，往身上洒点孜然、胡椒，或许我能成为一盘烤肉。顶着明晃晃的大太阳，我们挨个去考察生物公司，购买试剂耗材，大到价值十几万的离心机，小到几毛钱的注射器，一切尽收心底。带着工人们装修，一起吃盒饭，这段日子过得辛苦充实。实验室硬件建设在成型，可是软件建设却不尽人意。导师回国后选择了与旧日截然不同的领域，开始新的探索，我成为了第一批小白鼠。从基本的实验操作一点一滴学起，反复试错，别人成熟实验室一天能完成的东西，我们需要一周、一个月甚至更久。那时候的我天天逛丁香园等各种论坛，导师是指望不上了，只能从外界获取指导。研二快转博时，我选择留下，或许这是个错误的决定，林林总总的预警曾提示过我，我只是选择性地忽略了。刚入学时被导师的光环与豪言壮语所吸引，后面才发现导师的博后老板比较厉害，几篇 10 分的文章让他顺利获得教授职称。他自身只是平平无奇，个中细节有过经历的人自然能懂。博士五年加上硕士两年，七年的时光让我身心俱疲，我博士勉勉强强毕业时，导师因未达到考核标准，被学校解除了雇佣关系，转身进入一所没有博士点的二本高校。导师对于我而言究竟是什么呢？往事不堪回首，一切不愿赘述，或许是给我创造了一段酸甜苦辣的时光吧。03 关爱女 / 33 岁 / 坐标青岛：骂我的人是你，帮我的人也是你博士毕业后，我应聘到青岛的一所普通高校成为讲师。评副教授职称时，我的论文指标还没完成，不得已我想到了求助令我又怕又恨的博士导师。上学时，导师曾当着众人的面狠狠地骂我很多次，那种被人当众凌迟的感觉令我一度陷入抑郁。和导师打电话时，我小心翼翼地表达了自己的诉求：回实验室做实验，不要导师的工资，文章挂我共一、单位共通讯就行。话说出去后，电话那头陷入沉默，我以为会迎来劈头盖脸的斥责。万万没想到导师爽快地答应了，竟然承诺给我独立一作。那晚我和导师聊了很久，讲到毕业后这些年的际遇。她一句「你还是太倔强了，和以前当学生时没什么两样」，我的泪呼啦呼啦地就掉了下来。回想当年，她的确很凶，把作为开山弟子的我骂得最惨，push 得最多，却也倾注了最深沉的爱给我。手把手地教我设计实验，给我一字一句地改论文，包了饺子单独给我留一份。导师第一次当导师啊，当我成为硕导时，我突然就理解了那个歇斯底里、声嘶力竭的她。04 诱惑男 / 29 岁 / 坐标长春：自己挣的面包和牛奶才香甜和导师出去谈项目时，常有人误以为我是他的儿子。我们身形相仿，都有着一双大眼睛。导师评上教授时已经年过半百，作为他的第一个博士生，导师对我的关切和看重不言而喻。科研上大力支持我的想法，生活中常邀请我和同门去家里吃饭。一来二去认识了导师的女儿，他的这颗掌上明珠未能遵循他的愿望一路读研读博。大专毕业后，在家人的安排下进入体制成为一名会计。导师有意撮合我和她的女儿在一起，明里暗里地提醒我成为他的女婿后的各种好处，比如唾手可得的前途和现成的房车。然而，生活不是八点档电视连续剧，我没有按照剧本和导师的女儿发展。彼时的我和相恋 8 年的女友已经到了谈婚论嫁的地步，我委婉地拒绝了他人眼中的捷径。博士毕业后，我和女友申请到国外的博后职位。现在的我仍然会为未来的生活感到迷茫或忧虑，然而只要回家看到女友，我便感到无比的安心。导师的庇荫和帮衬很重要，可是对于我而言，和女友一起奋斗得到的牛奶和面包更有意义。成为导师的第一个博士生，是福还是祸，因人而异。不管读博过程多么艰难，能坚持下来就已经是英雄了。至少可以骄傲地给师弟师妹说：看吧，目前为止我是陪这台仪器最久的人。

新京报快讯（记者 李玉坤）11月17日，东城区医学博士联盟正式成立，这是北京市第一家医学博士联盟，并创新设立博士工作站。11月17日，北京市东城区医学博士联盟正式成立。摄影/新京报记者 王贵彬80名博士涵盖医院所有学科据了解，东城区是国家中医药发展综合改革试验区，也是首批入选的国家医养结合试点区，有卫生事业单位515余个，卫生技术人才约2.6万人，央市属及非公单位约占卫生人才总量的81%，中医药名师和国医大师近100名。“东城区医学博士联盟主要由东城区域内医院的博士组成，比如协和医院、天坛医院、东直门医院、北京中医医院等，总计80人。其中，东城区医疗单位博士65人，中央医疗单位15人。”东城区医学博士联盟常务副秘书长刘应科介绍，博士联盟将主要围绕临床、教学、科研和科普活动四个方面开展工作，作为医学博士，有扎实的临床基础，后期会围绕临床技术提升不断进行学术交流，提升辖区的整体诊疗水平。80名博士基本涵盖了医院的所有学科。“包括内科系统、外科系统，还有中医系统，后期会分学组，比如消化内科有五名博士，未来会组成一个学组。”刘应科说。创新成立博士工作站活动现场还为博士工作站授牌。刘应科介绍，一共有15个博士工作站，其中东城所辖博士站13个，设在中央医疗单位的博士站2个。“博士工作站不只局限于本医院，它可以在整个东城区的医疗系统进行横向联系，进行技术交流，把新技术引到另外一家医院使用，这是博士工作站设立的初衷。”刘应科说。与为人熟知的博士后工作站相比，博士工作站是东城区的创新。“博士后工作站是博士后完成学业的一个阶段，我们提出的博士工作站概念，任务不是为了学业，而是为了服务临床，把临床技术进行推广，也会进行科普活动。科普也是医学博士的义务和责任，作为博士，他们有责任把正确的医学知识传达给所有的老百姓，让老百姓提升健康素养，做到少生病、生小病。”刘应科说，交道口街道就将建一个医学博士工作站，他们将定期派医学博士围绕相关的主题进行科普，并去一些养老驿站开展义诊。新京报记者 李玉坤 协作记者 王贵彬编辑 刘梦婕 校对 李立军

【新智元导读】今天分享一篇被今年CVPR接收的论文。该文提出的算法可以高效处理百万量级的点组成的大场景3D点云，同时计算效率高、内存占用少，能直接处理大规模点云，不需要复杂的预处理/后处理，比基于图的方法SPG快了接近200倍，这对自动驾驶和AR非常关键。牛津大学和国防科技大学合作的一篇题为“RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds”的论文已被今年CVPR接收，今天为大家解读这篇论文。论文地址：https://arxiv.org/pdf/1911.11236.pdfTensorFlow代码：https://github.com/QingyongHu/RandLA-Net本文提出了一种针对大规模三维点云场景的轻量级、高效点云语义分割新算法RandLA-Net。通过对现有的采样策略进行全面综合的分析，本文采用简单高效的随机采样来显著地减少计算量以及内存消耗，并且引入了全新的局部特征聚合模块持续地增大每个点有效的感受野，保留大多数有效的信息。RandLA-Net能直接处理大规模点云，不需要复杂的预处理/后处理，比基于图的方法SPG快了接近200倍，有助于解决自动驾驶和AR等领域的核心问题。高效处理百万量级的点组成的大场景3D点云，比基于图的方法SPG快近200倍Introction实现高效、准确的大场景三维点云语义分割是当前三维场景理解、环境智能感知的关键问题之一。然而，由于深度传感器直接获取的原始点云通常是非规则化 (irregular)、非结构化 (unstructure)并且无序 (orderless)的，目前广泛使用的卷积神经网络并不能直接应用于这类数据。Motivation自从2017年能够直接在非规则点云上进行处理的PointNet [1] 被提出以来，越来越多的研究者开始尝试提出能够直接处理非规则点云的网络结构，出现了许多诸如PointNet++ [2], PointCNN [3], PointConv [4] 等一系列具有代表性的工作。尽管这些方法在三维目标识别和语义分割等任务上都取得了很好的效果，但大多数方法依然还局限于在非常小(small-scale)的点云上(e.g., PointNet, PointNet++, Pointconv等一系列方法在处理S3DIS数据集时都需要先将点云切成一个个1m×1m的小点云块, 然后在每个点云块中采样得到4096个点输入网络)。这种预处理方式虽然说方便了后续的网络训练和测试，但同时也存在着一定的问题。举例来说，将整个场景切成非常小的点云块是否会损失整体的几何结构？用一个个小点云块训练出来的网络是否能够有效地学习到空间中的几何结构呢？图 1. PointNet在Area 5中的分割结果带着这样的疑问，我们对PointNet在S3DIS数据集Area 5上的分割结果进行了可视化。如上图highlight的区域所示，PointNet错误地将一张桌子的左半部分识别为桌子，而将右半部分识别为椅子。造成这样明显不一致结果的原因是什么呢？可以看到，这张桌子在预处理切块(左图)的时候就已经被切分成几个小的点云块，而后再分别不相关地地输入到网络中。也就是说，在点云目标几何结构已经被切块所破坏的前提下，网络是难以有效地学习到桌子的整体几何结构的。既然切块太小会导致整几何结构被破坏，那我能不能把块切大一点？这样不就可以在一定程度上更好地保留原始点云的信息了吗？图 2. PointNet和PointNet++在S3DIS Area5的对比实验结果。S3DIS中的数据分别被切割为1m×1m到5m×5m的点云块，然后再输入到网络中进行训练和测试。对此，我们也进一步设计了对比实验，把切块的尺寸从最初的1m×1m增加到5m×5m(每个block中的点数也相应地从4096增加至102400)，得到的实验结果如上图所示，可以看到：PointNet的mIoU结果出现了比较明显的下降。我们分析这主要是由于在PointNet框架中，每个点的特征是由shared MLP提取的per-point feature以及global max-pooling提取的global feature组成。当输入点云的规模越来越大时，通过简单的global max-pooling得到的全局特征能发挥的作用就越来越小，进而导致分割性能随着block size增大而持续地下降PointNet++的分割性能随着block_size的增大有了一定提升，这是符合我们预期的。然而，从右边的时间变化曲线我们也可以进一步看到，网络inference的时间也随着block_size增大而出现了显著的增长，从最开始的每3s/百万点增加到需要接近100s/百万点。上述实验结果表明：简单地增大block_size也并不能有效地解决这个问题。通过进一步分析我们发现，阻碍当前大多数方法直接处理大场景点云的原因主要有以下三点：网络的降采样策略。现有的大多数算法采用的降采样策略要么计算代价比较昂贵，要么内存占用大。比如说，目前广泛采用的最远点采样(farthest-point sampling)需要花费超过200秒的时间来将100万个点组成的点云降采样到原始规模的10%。许多方法的特征学习模块依赖于计算代价高的kernelisation或graph construction。现有大多数方法在提取特征时感受野(receptive fields)比较有限，难以高效准确地学习到大场景点云中复杂的几何结构信息当然，最近也有一些工作已经开始尝试去直接处理大规模点云。比如说SPG用超图(super graph)和超点(superpoints)来表征大场景点云，FCPN和PCT等方法结合了voxel和point的优势来处理大规模点云。尽管这些方法也达到了不错的分割效果，但大多数方法的预处理计算量太大或内存占用高，难以在实际应用中部署。本文的目标是设计一种轻量级，计算效率高(computationally-efficient)、内存占用少(memory-efficient)的网络结构，并且能够直接处理大规模3D点云，而不需要诸如voxelization/block partition/graph construction等预处理/后处理操作。然而，这个任务非常具有挑战性，因为这种网络结构需要:一种内存和计算效率高的采样方法，以实现对大规模点云持续地降采样，确保网络能够适应当前GPU内存及计算能力的限制；一种有效的局部特征学习模块，通过逐步增加每个点的感受野的方式来学习和感知复杂的几何空间结构。基于这样的目标，我们提出了一种基于简单高效的随机降采样和局部特征聚合的网络结构(RandLA-Net)。该方法不仅在诸如Semantic3D和SemanticKITTI等大场景点云分割数据集上取得了非常好的效果，并且具有非常高的效率(e.g. 比基于图的方法SPG快了接近200倍)。本文的主要贡献包括以下三点：我们对现有的降采样方法进行了分析和比较，认为随机降采样是一种适合大规模点云高效学习的方法我们提出一种有效的局部特征聚合模块，通过逐步增加每个点的感受野来更好地学习和保留大场景点云中复杂的几何结构RandLA-Net在多个大场景点云的数据集上都展现出了非常好的效果以及非常优异的内存效率以及计算效率随机采样&局部特征聚合模块组合，组建RandLA-NetOverview如下图所示，对于一个覆盖数百米范围、由百万量级的点组成的大场景点云而言，如果希望将其直接输入到深度神经网络中进行处理，那么持续有效地对点云进行逐步地降采样，同时尽可能地保留有用的几何结构信息是非常有必要的。图 3. 网络结构的大致流程图The quest for efficient sampling为了寻找到一种高效的降采样方法。我们首先对现有的的降采样方法进行研究：主要可以分为Heuristic Sampling以及Learning-based Sampling两大类：(1) Heuristic SamplingFarthest Point Sampling (FPS)：顾名思义，也就是每次采样的时候都选择离之前采样得到的 k-1个点距离最远的点。FPS能够比较好地保证采样后的点具有较好的覆盖率，因而在点云分割领域被广泛地使用(e.g., PointNet++, PointCNN, PointConv, PointWeb)。然而，FPS的计算复杂度是 ，计算量与输入点云的点数呈平方相关。这表明从FPS可能不适合用来处理大规模点云。举例来说，当输入一个具有百万量级点的大场景点云时，使用FPS将其降采样到原始规模的10%需要多达200秒。Inverse Density Importance Sampling (IDIS): 这个也比较好理解，简而言之就是根据每个点的密度来对其重新进行排序，尽可能地保留密度比较低的地方的点。IDIS [5] 的计算复杂度近似为 (取决于如何计算每个点的密度)。相比于FPS, IDIS显然更加高效，但IDIS对噪点(outliers)也更加敏感。Random Sampling (RS): 随机降采样均匀地从输入的 N 个点中选择 K 个点，每个点具有相同的被选中的概率。RS的计算复杂度为 , 其计算量与输入点云的总点数无关，只与降采样后的点数 K 有关，也即常数时间复杂度。因而具有非常高的效率以及良好的可扩展性。与FPS和IDIS相比，RS仅需0.004s即可完成与FPS相同的降采样任务。(2) Learning-based SamplingGenerator-based Sampling (GS)：与传统降采样方法不一样，这类方法通过学习生成一个子集来近似表征原始的点云。GS [6,7] 是一种task-oriented, data-driven的learnable的降采样方法，但问题在于inference阶段需要将生成的子集与原始点云进行匹配，这一步依赖于FPS matching，进而引入了更多额外的计算。使用GS将百万量级点的大场景点云降采样到原始规模的10%需要多达1200秒。Continuous Relaxation based Sampling (CRS): CRS [8,9] 使用reparameterization trick来将non-differentiable的降采样操作松弛(relax)到连续域使得端到端训练变成可能。CRS采样后得到的每个采样点其实都是整个点云的一个加权和(weighted sum)。具体来说，对于一个大场景的输入点云(size: N×3)，CRS通过学习得到一个采样矩阵 (size: K × N) (最终会非常稀疏), 最后采样矩阵左乘输入点云即可实现降采样。然而，当 N 是一个非常大的值时(e.g. 10^6), 这种方式学习到的采样矩阵会带来非常大的内存消耗。举例来说，使用CRS将百万量级点的大场景点云降采样到原始规模的10%需要多达300GB的GPU内存。Policy Gradient based Sampling (PGS): PGS [10] 将降采样操作表示为一个马尔科夫决策过程，旨在学习到一种有效的降采样策略。该方法序贯地对每一个点学习到一个概率来决定是否保留。然而，当输入是大场景点云时，整个网络有着极大的搜索空间(exploration space)。举例来说，完成与上述采样方法相同的任务的搜索空间是 。通过进一步地实验我们发现，将PGS应用到大型点云时，网络非常难以收敛。总结一下：对于大场景点云，FPS, IDIS和GS的计算代价都比较高， CRS对GPU内存的要求太高，而PGS难以学到一个有效的采样策略(sampling policy)。相比之下，随机采样具有以下两个优点：1)计算效率高, 因为是常数计算复杂度, 与输入点数无关 2)内存开销少，采样过程并不需要额外的内存消耗。因此，对于大场景点云作为输入的情况，我们何不尝试下随机降采样呢？但新的问题又来了：随机地对点云进行降采样势必会导致有用的信息被丢失，如何克服这个问题？Local Feature Aggregation为了缓解这个问题，我们进一步提出了与随机采样互补的局部特征聚合模块(Local feature aggregation)。如图所示，该模块主要包括三个子模块:1)局部空间编码(LocSE), 2) attentive pooling, 3)扩张残差块(dilated resial block)。图 4. 局部特征聚合模块。包括局部空间编码(Local Spatial Encoding)，Attentive Pooling以及Dilated Resial Block三个子模块。(1) 局部空间编码(Local Spatial Encoding)此模块用于显式地对输入的点云的三维坐标信息进行编码。不同于直接将各个点的三维坐标作为一个普通的通道特征输入到网络中，LocSE模块旨在显式地去编码三维点云的空间几何形状信息，从而使得网络能够从各个点的相对位置以及距离信息中更好地学习到空间的几何结构。具体来说分为以下步骤：首先，我们用 最近邻搜索算法为每一个点 找到欧氏空间中最近的个邻域点对于 的个最近邻点 , 我们显式地对点的相对位置进行编码，将中心点的三维坐标 , 邻域点的三维坐标 , 相对坐标 以及欧式距离 连接(concatenation)到一起。如下所示：最后我们将邻域点 对应的点特征 与编码后的相对点位置 连接到一起，得到新的点特征 。在Semantic3D，S3DIS以及SemanticKITTI等多个数据集上实验：优势明显Experiments(1) Efficiency of Random Sampling首先我们对上述提到的采样策略进行评估，主要从计算时间和GPU内存消耗两个方面来考量。具体来说，我们进行如下的实验：仿照PointNet++的主体框架，我们持续地对点云进行降采样，总共五次降采样，每次采样仅保留原始点云中25%的点。实验结果如下图所示，可以看出：对于小规模的点云~10^3, 上述采样方法在计算时间和内存消耗的差距并不明显, 总体来说都是可接受的对于大规模点云~10^6, FPS/IDIS/GS所需要的计算时间显著增加, 而CRS需要占用大量的GPU内存(图b虚线)。相比之下，RS在计算时间和内存消耗方面都有着显著的优势，因此非常适合处理大规模点云。这个结果也进一步说明了为什么大多数算法选择在小规模点云上进行处理和优化，主要是因为它们依赖于昂贵的采样方法。图 7. 不同采样方法的时间和内存消耗。虚线表示由于GPU内存有限而产生的估计值(2) Efficiency of RandLA-Net我们进一步对RandLA-Net在处理真实场景中的大规模三维点云的效率进行评估。具体来说，我们选择在SemanticKITTI数据集的验证集(序列8：一共4071帧)进行对比测试。主要评估以下三个方面的指标：总时间，模型参数以及网络最多可处理点数。公平起见，我们在每一帧中将相同数量的点(81920)输入到baseline以及我们RandLA-Net中。实验结果如下表所示，可以看出：表1. 不同方法在处理SemanticKITTI数据集的序列8的总时间、模型参数和最多可处理点数对比。SPG[23]的模型参数最少，但耗时最长。主要原因是几何划分(geometrical partitioning)和超图构建(super-graph construction)等步骤的计算代价较高；PointNet++和PointCNN的耗时也很长，主要原因是FPS在处理大场景点云时比较耗时PointNet和KPConv无法一次性处理非常大规模的点云 ，主要原因是没有降采样操作(PointNet)或者模型较为复杂。得益于简单的随机采样以及基于MLP的高效的局部特征聚合模块，RandLA-Net的耗时最少(~23帧/每秒)，并且能够一次处理总数高达10^6的点云。(3) 公共数据集评估结果Semantic3D由30个大规模的户外场景点云组成，包含真实三维空间中160×240×30米的场景，总量高达40亿个点。其中每个点包含3D坐标、RGB信息以及强度信息。RandLA-Net只用了三维坐标以及对应的颜色信息进行处理。从表中可以看出我们的方法达到了非常好的效果，相比于SPG, KPConv等方法都有较明显的提升。表 2. 不同方法对Semantic3D (reced-8)的定量结果对比SemanticKITTI数据集由21个序列, 43552帧点云组成。每一帧的点云由~10^5个点组成，包含真实三维空间中160×160×20 米的场景。我们按照官方的train-validation-test进行分类，其中序列00~07以及09~10(19130帧)作为训练集，序列08(4071帧)作为验证集，序列11~21(20351帧)用于在线测试。需要注意的是，这个数据集中的点云仅包含各个点的三维坐标，而没有相应的颜色信息。实验结果如下表所示，可以看出：RandLA-Net相比于基于点的方法(表格上半部分)有着显著的提升，同时也优于大部分基于投影的方法，并且在模型参数方面相比于DarKNet53Seg等有着比较明显的优势。表 3. 不同方法对SemanticKITTI数据集的定量结果对比S3DIS数据集由6个区域的271个房间组成。每个点云包含真实三维空间中20×15×5米的室内场景。6-fold的交叉验证实验结果也进一步证实了我们方法的有效性。表4. 不同方法对S3DIS数据集的定量结果对比在Ablation study中，我们也进一步证实了各个子模块对整体性能的贡献。详细的分析见paper以及supplementary。表 5. Ablation study结果对比最后总结一下，我们提出了一种针对大规模三维点云场景的轻量级、高效点云语义分割算法，与当前的大多数基于FPS等计算代价高的采样策略的算法不同，本文尝试使用简单高效的随机采样来显著地减少计算量以及内存消耗，并且引入了局部特征聚合模块持续地增大每个点有效的感受野，以确保大多数有效的信息不会因为随机采样而丢失。在Semantic3D，S3DIS以及SemanticKITTI等多个数据集上的大量实验证明了我们的方法的有效性。下一步可以尝试将我们的工作延申到大场景三维点云实例分割以及实时动态点云处理。最后的话对于三维点云语义分割任务而言，与其在被切割的点云上提出非常复杂的算法来提升性能，不如直接尝试在大场景点云上进行处理，这样更加有实际意义。三维点云分割网络的scalability也是实际应用中一个比较重要的点。i.e., 理想情况下train好的网络应该可以用于inference任意点数的输入点云，因为每个时刻采集到的点云的点数不一定是相同的。这也是RandLA-Net没有使用全局特征的原因，i.e. 确保学到的参数是agnostic to number of points.顺便打一波广告，对于刚刚进入三维点云处理领域的同学，有一份最新的综述论文(Deep Learning for 3D Point Clouds: A Survey)可供参考，内含大量主流的点云目标分类，三维目标检测，三位场景分割算法的最新研究进展及总结。牛津大学出品，作者团队介绍论文合著者包括牛津大学博士生胡庆拥，杨波，谢林海，王智华；博士后Stefano Rosa；国防科技大学副教授郭玉兰；以及牛津大学教授Niki Trigoni和Andrew Markham。胡庆拥杨波其中论文一作胡庆拥研究方向是3D视觉和机器学习，专注于大规模3D点云分割和理解，动态点云处理和跟踪。论文二作(通讯作者)杨波专注于让智能机器从2D图片或3D点云中理解和重构完整3D场景。更多信息见个人主页: https://qingyonghu.github.iohttps://yang7879.github.ioReference[1] Charles R Qi, Hao Su, Kaichun Mo, and Leonidas J Guibas. PointNet: Deep learning on point sets for 3D classification and segmentation. CVPR, 2017.[2] Charles R Qi, Li Yi, Hao Su, and Leonidas J Guibas. PointNet++: Deep hierarchical feature learning on point sets in a metric space. NeurIPS, 2017[3] Yangyan Li, Rui Bu, Mingchao Sun, Wei Wu, Xinhan Di, and Baoquan Chen. PointCNN: Convolution on X-transformed points. NeurIPS, 2018.[4] Wenxuan Wu, Zhongang Qi, and Li Fuxin. PointConv: Deep convolutional networks on 3D point clouds. CVPR, 2018.[5] Fabian Groh, Patrick Wieschollek, and Hendrik P. A. Lensch.Flex-convolution (million-scale point-cloud learning beyond grid-worlds). ACCV, 2018[6] Oren Dovrat, Itai Lang, and Shai Avidan. Learning to sample. CVPR, 2019.[7] Itai Lang, Asaf Manor, and Shai Avidan. SampleNet: Differentiable Point Cloud Sampling. arXiv preprint arXiv:1912.03663 (2019).[8] Abubakar Abid, Muhammad Fatih Balin, and James Zou. Concrete autoencoders for differentiable feature selection and reconstruction. ICML, 2019[9] Jiancheng Yang, Qiang Zhang, Bingbing Ni, Linguo Li, Jinxian Liu, Mengdie Zhou, and Qi Tian. Modeling point clouds with self-attention and Gumbel subset sampling. CVPR, 2019.[10] Kelvin Xu, Jimmy Ba, Ryan Kiros, Kyunghyun Cho, Aaron Courville, Ruslan Salakhudinov, Rich Zemel, and Yoshua Bengio. Show, attend and tell: Neural image caption generation with visual attention. ICML, 2015[11] Hugues Thomas, Charles R Qi, Jean-Emmanuel Deschaud, Beatriz Marcotegui, Franc ois Goulette, and Leonidas J Guibas. Kpconv: Flexible and deformable convolution for point clouds. ICCV, 2019.

岁末年初，全国很多地方都迎来了瑞雪。在簌簌飘雪中，许多大学校园被妆点得银装素裹、诗情画意，形成美不胜收的冬日美景，其中就包括有“最美校园”之称的浙江农林大学。浙江农林大学到底有多美？在校学生说它像一座花园，一路文化一路诗；中学校长说它像5A级景区；健康学院院长说“这是一个可以让人寿命延长十年的地方”。除了颜值爆表外，有60年办学历史的浙江农林大学实力也非常强劲。2017年3月，省部共建亚热带森林培育国家重点实验室获批，成为浙江省属高校首个；2017年8月，列入浙江省重点建设高校；2018年5月10日，成功获批博士学位授予单位，并一举获得5个一级学科博士学位授权点，增列数位居新增博士单位全国第一。2018年11月14日，学校农业科学、植物与动物科学和工程学进入ESI全球排名前1%。2018年12月，由学校黄坚钦教授担任首席科学家的国家重点研发计划项目“特色经济林重要性状形成与调控”正式获科技部立项，该项目中央财政经费高达4781万元。此外，“亚热带森林资源培育与高效利用学科创新引智基地”入选2018年度地方高校“学科创新引智计划”（简称国家“111计划”）。短短两年内，在多个重量级指标上实现突破，这是很多部属高校都难以取得的成绩。作为一所省属高校，浙江农林大学实力之强大、发展势头之迅猛，可见一斑。历史悠久，特色鲜明浙江农林大学位于国家生态文明建设示范区——浙江省杭州市临安区。学校创建于1958年，时称天目林学院，1966年更名为浙江林学院，1970年7月与浙江农业大学合并，1979年2月恢复独立办学。2010年更名浙江农林大学。经过60年的建设，学校已发展成为以农林、生物环境学科为特色，涵盖八大学科门类的多科性大学，建立了学士、硕士、博士完整的人才培养和学位授权体系。学科建设，势头强劲学校现有浙江省一流学科（A类）3个，浙江省一流学科(B类)9个；国家林业和草原局重点学科与重点培育学科5个；拥有林学一级学科博士后科研流动站；在新一轮教育部学科评估中，林学学科进入全国B+档；拥有一级学科学术型博士点5个，服务国家特殊需求博士人才培养项目1项，一级学科学术型硕士点16个、二级学科学术型硕士点1个，专业学位硕士授权类别8个。学校今年新增的林学、林业工程、风景园林学填补省内高校3个博士授权点的空白。农业资源与环境、农林经济管理两个学科除浙江大学具有相应博士授权外，省属高校唯一。5个博士点都是与乡村振兴战略实施高度吻合的学科专业，其科研与高层次人才培养将在浙江推进生态文明建设和农业现代化、打造美丽乡村“浙江样板”工作中发挥不可替代的作用。群贤毕至，师资雄厚学校师资力量雄厚，现有博士生导师84人，硕士生导师554人。拥有中国工程院院士1人、欧洲科学与艺术院院士1人、共享院士5人、浙江省特级专家2人、国家教学名师1人、“长江学者”2人、国家“杰出青年科学基金”获得者2人、国家“万人计划”领军人才1人、国家级“百千万人才”4人， “长江青年学者”1人、中宣部“四个一批”人才1人、科技部创新领军人才1人、中科院“百人计划”2人、全国林业教学名师1人，国家级教学团队1个、教育部创新团队1个、农业部杰出人才及其创新团队1个。此外，还有浙江省“万人计划”3人、省有突出贡献中青年专家5人、省高等学校“钱江学者”特聘教授6人、省教学名师4人、省“151人才”重点和第一层次12人、省高校中青年学科带头人46人，省级创新团队13个、省级教学团队4个。全国优秀教师、全国师德先进个人等24人，享受国务院特殊津贴13人。科学研究，成果丰硕学校拥有国家重点实验室、国家工程技术研究中心、国家地方联合工程实验室、国家文化传播基地、亚热带森林资源培育与高效利用“111”学科创新引智基地等国家级平台5个，省部级创新平台28个。获省部级及以上科研成果奖励171项，其中国家级7项，主持的“刨切微薄竹生产技术与应用”获国家技术发明奖二等奖，“竹林生态系统碳汇监测与增汇减排关键技术及应用”“南方特色干果良种选育及高效培育关键技术”与“竹炭生产关键技术、应用机理及系列产品开发” 获国家科技进步奖二等奖，主持的“浙江省森林生态系统碳格局、碳循环及管理技术”等11项成果分获浙江省科学技术进步奖和浙江省哲学社会科学优秀成果奖一等奖，获奖成果层次和数量位居浙江省属高校前列。学校在森林碳汇研究方面走在国际前沿。9月10日，新华社以《浙江农林大学：为非洲国家竹产业发展贡献“中国智慧”》为题，报道了学校森林碳汇研究团队发挥科技优势，积极为非洲各国提供竹林碳汇的科技支持，相关研究成果在越来越多的非洲国家开花结实，为非洲国家竹产业发展贡献出了更多的“中国智慧”。2013-2018年，实施服务国家特殊需求人才培养项目期间，博士生科研创新能力培养成效显著。5名毕业博士研究生发表一级以上期刊论文34篇，生均SCI论文6.2篇，均篇影响因子2.57，授权发明专利7项。奖助丰厚，学业无忧为激励和扶植博士研究生努力学习、潜心科研，浙江农林大学制定了比较完善的博士研究生奖助服务政策。在读博士研究生除正常享受研究生助教、助研、助管“三助”岗位工作津贴外，还可以获得国家奖学金（3万元/人·年，按比例评选）、国家助学金（1.5万元/人·年）、学业奖学金(1.5万元/人·年)、校外助学基金、校外奖学金等多项国家级和校级奖励政策。此外，各学院还推出一系列的优惠政策，包括资助优秀博士生出国交流、进修，发表学术论文奖励，优秀博士毕业后优先考虑留校。环境优美，潜力无限学校校园环境优美，非常宜学宜居。学校现有东湖、衣锦、诸暨3个校区，占地面积3200余亩。东湖校区山环水抱，大气开放，公园、植物园、校园“三园合一”，被誉为“最美校园”、“是一个读书做学问的好地方”。学校所在地杭州市临安区，位于杭州城西科创大走廊的西端。现在浙江省政府正大力推进杭州城西科创大走廊建设，未来科技城、杭州铁路西站、青山湖科技城等重大项目和医院、教育等主要资源都在向城西集聚，向临安延伸，为学校发展带来重大机遇。另外，杭州-临安的轻轨5号线已开工建设，预计19年建成通车，这将使学校的区位优势和与杭州主城区的同城效应更加明显。近年来，杭州加大对高端人才的重视，对硕士博士学历毕业生在落户、租房、就业、创业等方面提供全方位的支持，是理想的就业之地。

岁末年初，全国很多地方都迎来了瑞雪。在簌簌飘雪中，许多大学校园被妆点得银装素裹、诗情画意，形成美不胜收的冬日美景，其中就包括有“最美校园”之称的浙江农林大学。浙江农林大学到底有多美？在校学生说它像一座花园，一路文化一路诗；中学校长说它像5A级景区；健康学院院长说“这是一个可以让人寿命延长十年的地方”。除了颜值爆表外，有60年办学历史的浙江农林大学实力也非常强劲。2017年3月，省部共建亚热带森林培育国家重点实验室获批，成为浙江省属高校首个；2017年8月，列入浙江省重点建设高校；2018年5月10日，成功获批博士学位授予单位，并一举获得5个一级学科博士学位授权点，增列数位居新增博士单位全国第一。2018年11月14日，学校农业科学、植物与动物科学和工程学进入ESI全球排名前1%。2018年12月，由学校黄坚钦教授担任首席科学家的国家重点研发计划项目“特色经济林重要性状形成与调控”正式获科技部立项，该项目中央财政经费高达4781万元。此外，“亚热带森林资源培育与高效利用学科创新引智基地”入选2018年度地方高校“学科创新引智计划”（简称国家“111计划”）。短短两年内，在多个重量级指标上实现突破，这是很多部属高校都难以取得的成绩。作为一所省属高校，浙江农林大学实力之强大、发展势头之迅猛，可见一斑。历史悠久，特色鲜明浙江农林大学位于国家生态文明建设示范区——浙江省杭州市临安区。学校创建于1958年，时称天目林学院，1966年更名为浙江林学院，1970年7月与浙江农业大学合并，1979年2月恢复独立办学。2010年更名浙江农林大学。经过60年的建设，学校已发展成为以农林、生物环境学科为特色，涵盖八大学科门类的多科性大学，建立了学士、硕士、博士完整的人才培养和学位授权体系。学科建设，势头强劲学校现有浙江省一流学科（A类）3个，浙江省一流学科(B类)9个；国家林业和草原局重点学科与重点培育学科5个；拥有林学一级学科博士后科研流动站；在新一轮教育部学科评估中，林学学科进入全国B+档；拥有一级学科学术型博士点5个，服务国家特殊需求博士人才培养项目1项，一级学科学术型硕士点16个、二级学科学术型硕士点1个，专业学位硕士授权类别8个。学校今年新增的林学、林业工程、风景园林学填补省内高校3个博士授权点的空白。农业资源与环境、农林经济管理两个学科除浙江大学具有相应博士授权外，省属高校唯一。5个博士点都是与乡村振兴战略实施高度吻合的学科专业，其科研与高层次人才培养将在浙江推进生态文明建设和农业现代化、打造美丽乡村“浙江样板”工作中发挥不可替代的作用。群贤毕至，师资雄厚学校师资力量雄厚，现有博士生导师84人，硕士生导师554人。拥有中国工程院院士1人、欧洲科学与艺术院院士1人、共享院士5人、浙江省特级专家2人、国家教学名师1人、“长江学者”2人、国家“杰出青年科学基金”获得者2人、国家“万人计划”领军人才1人、国家级“百千万人才”4人， “长江青年学者”1人、中宣部“四个一批”人才1人、科技部创新领军人才1人、中科院“百人计划”2人、全国林业教学名师1人，国家级教学团队1个、教育部创新团队1个、农业部杰出人才及其创新团队1个。此外，还有浙江省“万人计划”3人、省有突出贡献中青年专家5人、省高等学校“钱江学者”特聘教授6人、省教学名师4人、省“151人才”重点和第一层次12人、省高校中青年学科带头人46人，省级创新团队13个、省级教学团队4个。全国优秀教师、全国师德先进个人等24人，享受国务院特殊津贴13人。科学研究，成果丰硕学校拥有国家重点实验室、国家工程技术研究中心、国家地方联合工程实验室、国家文化传播基地、亚热带森林资源培育与高效利用“111”学科创新引智基地等国家级平台5个，省部级创新平台28个。获省部级及以上科研成果奖励171项，其中国家级7项，主持的“刨切微薄竹生产技术与应用”获国家技术发明奖二等奖，“竹林生态系统碳汇监测与增汇减排关键技术及应用”“南方特色干果良种选育及高效培育关键技术”与“竹炭生产关键技术、应用机理及系列产品开发” 获国家科技进步奖二等奖，主持的“浙江省森林生态系统碳格局、碳循环及管理技术”等11项成果分获浙江省科学技术进步奖和浙江省哲学社会科学优秀成果奖一等奖，获奖成果层次和数量位居浙江省属高校前列。学校在森林碳汇研究方面走在国际前沿。9月10日，新华社以《浙江农林大学：为非洲国家竹产业发展贡献“中国智慧”》为题，报道了学校森林碳汇研究团队发挥科技优势，积极为非洲各国提供竹林碳汇的科技支持，相关研究成果在越来越多的非洲国家开花结实，为非洲国家竹产业发展贡献出了更多的“中国智慧”。2013-2018年，实施服务国家特殊需求人才培养项目期间，博士生科研创新能力培养成效显著。5名毕业博士研究生发表一级以上期刊论文34篇，生均SCI论文6.2篇，均篇影响因子2.57，授权发明专利7项。奖助丰厚，学业无忧为激励和扶植博士研究生努力学习、潜心科研，浙江农林大学制定了比较完善的博士研究生奖助服务政策。在读博士研究生除正常享受研究生助教、助研、助管“三助”岗位工作津贴外，还可以获得国家奖学金（3万元/人·年，按比例评选）、国家助学金（1.5万元/人·年）、学业奖学金(1.5万元/人·年)、校外助学基金、校外奖学金等多项国家级和校级奖励政策。此外，各学院还推出一系列的优惠政策，包括资助优秀博士生出国交流、进修，发表学术论文奖励，优秀博士毕业后优先考虑留校。环境优美，潜力无限学校校园环境优美，非常宜学宜居。学校现有东湖、衣锦、诸暨3个校区，占地面积3200余亩。东湖校区山环水抱，大气开放，公园、植物园、校园“三园合一”，被誉为“最美校园”、“是一个读书做学问的好地方”。学校所在地杭州市临安区，位于杭州城西科创大走廊的西端。现在浙江省政府正大力推进杭州城西科创大走廊建设，未来科技城、杭州铁路西站、青山湖科技城等重大项目和医院、教育等主要资源都在向城西集聚，向临安延伸，为学校发展带来重大机遇。另外，杭州-临安的轻轨5号线已开工建设，预计19年建成通车，这将使学校的区位优势和与杭州主城区的同城效应更加明显。近年来，杭州加大对高端人才的重视，对硕士博士学历毕业生在落户、租房、就业、创业等方面提供全方位的支持，是理想的就业之地。

拍摄毕业照，博士、硕士都会把帽子抛向空中，到底有什么含义？四月份已经到了下旬的时间，随之而来的是中高考，但是对于高校的毕业生来说，离拍摄毕业照的时间越来越近了。同在一间教室相处好几年，最后用一张照片进行告别，祝愿每一位同学在毕业后都可以大展宏图。但是说起拍毕业照，大家都会想到一个标准的动作，就是把帽子抛向空中。动作大家都是知道的，同样用这样欢快的动作欢呼，也让照片不再呆板，充满了活力和动感。但是有没有想过为什么会流传出这样的一个动作进行拍摄呢？据说，这扔帽子也是有历史传说的。抛帽仪式，源于1912年，美国安纳波利斯海军学院毕业生。之前，美国海军毕业生的毕业典礼和服役授衔典礼分开举行，毕业后还不能确定是否服役，毕业的候补军官要等候很长一段时间才能授衔，有的长达2年，甚至毕业等于失业。1912年，美国国会签署法令，将毕业典礼和服役授衔仪式一起举行。当年安纳波利斯海军学院的毕业生得知这一喜讯，欣喜若狂，集体把帽子抛向空中，因为他们已经可以授衔，不必戴难看的候补军官帽了。此后，这种仪式流传开来，逐渐和穿学位服、拨穗、参加毕业晚会一样，成为毕业的标配仪式之一。现在，随着数码相机的使用，抛物拍照就更加直观，玩的花样也就越来越多，再加上PS技术，有的把帽子都扔出了造型。展示的是毕业生们喜悦的心情，放飞自己的态度。但是小编最后想要温馨提示一下，这样的动作的确涵盖这历史文化和现代的喜悦感，但是也有一定的危险系数存在，所以在投递的过程中，大家也一定要小心，以免被帽子砸伤！现在离拍摄毕业照的时间越来越近，你和你的小伙伴们会摆出什么样的姿势结束你们在校园中的最后合照呢？欢迎分享你的看法，让我们共同努力！