澳大利亚国立大学机器学习硕士在读（主修计算机视觉），北京工商大学大数据管理与应用学士。具备扎实的机器学习理论基础和计算机视觉项目实践经验，熟练掌握Python、PyTorch等工具及深度学习模型开发流程。在实习与项目中展现出优秀的算法实现能力、问题解决能力及对模型性能优化、可解释性的关注。追求在计算机视觉领域深入发展，寻求MLE实习机会以贡献技术能力并持续学习。
个人概述
教育经历
澳大利亚国立大学 (Australian National University)
工程与计算机科学学院 - 机器学习 硕士
2024 - 2026
- GPA: 6.5/7.0
- 主修课程：计算机视觉，统计机器学习，机器学习导论，人工智能，结构化编程
- 硕士在读，专注于计算机视觉与深度学习方向
北京工商大学
计算机与人工智能学院 - 大数据管理与应用 学士
2020 - 2024
- GPA: 87.7/100
- 主修课程：机器学习与人工智能，数据可视化，数据采集与清洗，文本挖掘（自然语言处理），推荐系统
项目
单图像 LoRA 修复
个人项目
- 技术栈：Python, PyTorch, Stable Diffusion 2, LoRA
- 在仅有单张目标图像（ANU医学中心外观）的极端数据限制下，研究利用LoRA微调预训练Stable Diffusion 2 Inpainting模型进行高质量缺失区域修复。
- 设计生成基于边缘检测（Canny算法）的训练遮罩和随机遮挡的测试遮罩。
- 实现LoRA参数注入，仅微调cross-attention层，优化计算资源使用。
- 设置多步扩散过程，优化MSE损失函数进行训练与评估（PSNR, SSIM）。
- 成果：微调模型PSNR平均提升+1.37dB (22.08→23.45)，SSIM提升+0.010 (0.803→0.813)；视觉效果显著改善，结构边缘与反射面细节恢复更好，减少模糊与伪影；验证了LoRA在低资源图像修复中的可行性。
基于仿真的机器人任务适应性研究
团队项目 (9人)
- 技术栈：NVIDIA Isaac SIM, Python, PyTorch, 迁移学习
- 参与ANU衍生企业项目，在NVIDIA Isaac SIM仿真平台探索智能机器人在动态环境中的任务迁移与泛化能力。
- 独立负责Agility Robotics两足人形机器人的“平衡保持”任务适配。
- 配置机器人模型与控制接口，设计并实施多种环境扰动（不规则地面、随机障碍物、不同光照）。
- 应用迁移学习方法对环境扰动下的预训练模型进行再训练，调优控制策略。
- 与其他成员协作，将优化后的平衡控制策略迁移至Boston Dynamics四足机器人平台进行泛化性测试。
- 成果：成功提升机器人在扰动环境下的平衡任务完成率约15%；初步验证控制策略在异构机器人平台间的可迁移性。
融合神经网络模型在社交平台谣言检测中的应用研究
课程/科研项目 (共同一作)
- 技术栈：Python, PyTorch, LSTM, TextCNN, Transformer, 集成学习(MLP), FGSM对抗训练, Word2Vec/Sogou
- 提出并实现一种融合深度神经网络与集成学习的文本谣言检测方法。
- 复现并对比LSTM、TextCNN、TextRNN_Att、Transformer等主流模型性能。
- 构建基于预训练特征提取与集成学习的模型框架，创新性引入MLP作为元模型自动优化子模型权重。
- 应用FGSM对抗训练增强模型鲁棒性。
- 成果：集成模型在Precision、Recall、F1 Score等指标上均优于单一模型；论文发表于 Proceedings of the 5th International Conference on Computing and Data Science (Oct 2023)。
技能
编程语言:
Python (NumPy, pandas, scikit-learn, PyTorch, Flask)
SQL
Java
JavaScript (基础)
HTML/CSS (基础)
框架与工具
PyTorch
Stable Diffusion
Transformers
SHAP
LIME
NVIDIA Isaac SIM
Git
深度学习领域
计算机视觉 (图像修复)
自然语言处理 (文本分类)
机器学习 (统计学习, 模型优化, 可解释性AI, 迁移学习, 多任务学习)
语言
汉语 (母语)
英语 (精通, IELTS 6.5)
其他
Microsoft Office
LaTeX