2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-2

最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。

2026ISEF赛事安排

参赛资格

年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。

地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。

团队项目：最多3人，所有成员需满足资格且共同参赛。

项目要求

原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。

学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。

伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。

关键文件与截止时间

ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。

摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。

地区赛截止：2026年3-4月

其他注意事项

展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。

知识产权：部分研究可能需申请专利后再参赛，避免披露风险。

为了方便同学们更好的备赛，特别整理了ISEF-SOFT系统软件2025获奖作品方便学习

SOFT021T - LiDRNet：轻量级惯性导航

由于全球导航卫星系统 (GNSS) 信号在建筑物内的穿透性差，精确的室内定位仍然是一项重大挑战，这使得传统的基于 GNSS 的方法无效。替代方案通常存在局限性，阻碍了它们在受限平台上的实用性。我们提出了一种轻量级且强大的行人航位推算 (PDR) 深度学习方法，称为 LiDRNet。\n\n我们的方法利用中性常微分方程 (Neural ODE) 技术，并将其应用于现有的 ResNet 和 LSTM 架构。然后，我们在航向无关坐标系下进行操作，并对速度损失应用反向传播，以提高模型的有效性。最后，我们使用 Neural-ODE 主干网络根据原始惯性测量单元 (IMU) 数据预测运动轨迹，从而显著减少参数数量。\n\n将 LiDRNet 与 SOTA 深度学习方法进行基准测试，结果表明 LiDRNet 在性能方面有显著提升，在达到相当精度的同时，参数数量减少了 7 倍。我们的研究结果还表明，LiDRNet 的平均轨迹误差 (ATE) 在实际应用中处于可接受范围内，每行驶 250 米的平均误差小于 4 米。\n\nLiDRNet 非常适合部署在资源受限的边缘设备（例如智能手机或物联网平台）上，以实现准确、稳健且实时的航位推算。无需外部基础设施或大量计算资源即可实现精确的室内定位，这使得我们的方法能够显著增强导航性能，从而有可能改善室内环境（例如洞穴系统或茂密森林）中的导航辅助、资产追踪和应急响应。

SOFT031T - 利用可解释人工智能进行野火预测

最近发生的事件再次证明了山火问题的严重性和紧迫性。在我们的山火预测方法中，我们并非专注于单一模型，而是将研究方向拓展到不同的机器学习子领域：深度学习和集成学习。我们使用从美国宇航局 (NASA) 公共网站获取的数据集来训练模型。我们进行了变量缩放和目标变换等必要的预处理步骤。之后，我们构建了配对图、散点图和相关矩阵，以理解变量之间的潜在关系。之后，我们将数据拆分为测试集和训练集。我们使用了两种不同类型的模型：随机森林回归器和 TabNet 回归器。在将数据拟合到模型之前，我们进行了超参数调优。对于随机森林，我们采用了 5 折网格搜索交叉验证 (CV)。对于 TabNet，我们采用了不同的方法。首先将数据重塑为可以输入到 TabNet 的格式。然后，我们不再使用网格搜索交叉验证，而是使用 5 折 K 折交叉验证 (CV)。完成交叉检验 (CV) 后，将数据集拟合到两个调整后的模型中。对于每个模型，较低的 MSE 和 MAE 值证明了它们在预测 FRP 方面的精度和准确度。两种情况下的 r^2 得分均大于 60，证实了预测值与实际 FRP 值之间的关系，这再次验证了我们模型的有效性。然而，需要指出的是，TabNet 的结果更好，误差更低，r^2 值更高。对这两个模型进行了 SHAP 分析，结果显示对这两个模型影响最大的参数都是“亮度”和“bright_t31”，但第三大差异是：TabNet 的“纬度”和随机森林的“置信度”。

SOFT033 - 基于柯尔莫哥洛夫复杂度的隐写恶意软件检测

基于 PDF 的隐写恶意软件是一种日益严重的网络安全威胁，它将恶意代码隐藏在 PDF 文档的树状结构中，利用嵌入式 JavaScript、元数据和操作等特性，同时保持文件外观的合法性。由于干净文档和受感染文档之间存在外部相似性，传统的检测方法（包括启发式检测和基于特征码的检测）无法识别隐写恶意软件。\n\n本项目提出了一种利用柯尔莫哥洛夫复杂度检测基于 PDF 的隐写恶意软件的新方法。柯尔莫哥洛夫复杂度衡量描述一个对象所需的最短程序长度，它对于区分良性 JavaScript（频繁重复）和恶意 JavaScript（随机性更强、更集中）非常有用。\n\n然而，由于停机问题，柯尔莫哥洛夫复杂度无法直接计算。本项目通过压缩对象并将其与解压缩脚本连接形成自解压归档文件来间接计算柯尔莫哥洛夫复杂度，该代码的总大小作为其柯尔莫哥洛夫复杂度的上限。通过计算 PDF 内部树状结构中关键组件的复杂度，并将其与已知干净文档的基线进行比较，即可通过检测与预期值的偏差来识别恶意修改。\n\n初步测试中，对整个 PDF 进行整体分析时，真阳性率达到 100%，但假阳性率高达 86.2%。改进分析方法，转而分析特定的 PDF 组件（例如 JavaScript 或打开操作），有助于将重点转移到可疑更改上，并忽略文件大小或文本内容等良性变化，从而将真阳性率提高到 97.8%，假阳性率降低到 3.7%。

SOFT038 - 用于客观击剑裁判的计算机视觉

佩剑是一项瞬息万变的运动，60%的得分中，双方击剑运动员的击中时间仅相隔几毫秒。在这种情况下，得分的判定完全取决于裁判根据“优先权”规则的判断。然而，如此快速而复杂的攻防转换使得精准判罚异常困难，引入了固有的主观性和认知偏差，最终影响了这项运动的真实性。为了解决这个问题，我们开发了一套计算机视觉系统，该系统利用自动取景摄像头分析高速视频，判断哪位运动员先伸出手臂——这是判断优先权的关键因素。该系统采用YOLOv8-Pose模型，追踪肩部和肘部的位置，自动识别击剑运动员在初始敬礼动作中的手臂。它计算肘部和肩部的角度，并对其进行动态分析，以检测符合国际击剑联合会（FIE）规定的完全伸展动作，同时记录每次检测的时间戳并确定优先权。系统输出的信息包括交互式慢动作回放、角度/伸展信息以及判罚结果。先进的滤波技术能够有效降低噪音，例如观众的干扰；同时，误报率降低机制确保分析中仅考虑有意发起的进攻动作，而非准备动作或防守动作。该系统在100个击剑得分点上进行了现场测试，在识别首次进攻动作方面达到了90%的准确率，比专业裁判在同一数据集上的判罚准确率高出15%。这项研究证明了计算机辅助裁判在动态运动中的可行性，为更加一致、数据驱动和公平的决策铺平了道路，并有望重新定义竞技击剑。

ISEF历年获奖作品集&解析&资料免费下载⬇️