在校学习时，我学习努力，刻苦认真，并且取得较为优异的成绩，只有一门课程遗憾拿到A-，其余课程皆是4.0，这也是我一丝不苟，努力学习所得到的结果。在以后工作中，我也会继续延续这种做事态度，认真做好每一件事，努力提升自己。我所学专业与工作的要求比较符合，而且在学校实验室担任机器学习研究员这个职位，也积累了丰富的项目经验，也为我在以后工作中打下了扎实的基础。

英语(精通)  C/C++(熟练)  数据分析(熟练)  数据挖掘(熟练)  Matlab(熟练)  Python(熟练)  数据建模(熟练)

2019-08至2020-07——公司:乔治华盛顿大学医学图像分析实验室
行业:计算机软件
性质:非营利组织
部门:  医学图像分析实验室
职位: 机器学习工程师

工作描述：项目：基于纹理分析和机器学习的PRCC肿瘤分类 
主要责任： 提取GLRL，GLC和Hu矩纹理特征数据;
根据特征重要性，AUC分数和P-value进行特征选择;
训练五个分类器，SVM，GBDT，Random Forest，Lightgbm和XGboost，最后通过逻辑回归综合之前的分类器，以提 升模型最后的性能。
撰写论文发表在RSNA会议上。

2020-05至2020-08——全球小麦检测
项目描述：该项目主要对室外小麦头图像进行目标检测。主要难点：小麦种类繁多，导致小麦颜色形状各不相同；小麦距离拍摄远近不 同，导致小麦尺度不同；有些图片小麦密度很高，有严重的遮挡问题。 在项目中，首先采用mosaic，mixup，cutout等数据增强方法对图像进行预处理，其次采用的目标检测模型是YoloV5，并且 对其中的超参数进行优化，在最后检测过程中采用tta，wbf，plabel来对模型输出进行最后优化。 最后在kaggle排名位于银牌

2020-02至2020-05——M5预测
项目描述：本项目是对沃尔玛在各地区未来销售的商品数量进行预测。数据集包含过去六年各个商品每天的销售量、销售门店、节假日 等信息，来预测未来28每天各个商品的销售量。 主要方法：对各个门店进行分别预测，建立时移特征，滚动特征和平均数编码，运用TweedieLoss，通过LightGBM和 XGboost进行建模预测。 最后将两个模型的预测结果相结合，在Kaggle比赛中取得银牌。

2019-11至2020-02——人体蛋白图像分类
项目描述：本项目的目标是混合蛋白图像的模式分类。数据集中有近16万幅图像。每个图像可以有多个标签和4个通道(RGBY)。 当我使用预训练模型时，我又为原始模型创建了一个通道，它的参数是其他3个通道中参数的平均值。又因为数据集极度不 平衡，因此我对稀有数据进行了过采样，使用FocalLoss代替二元交叉熵，并使用F1评分来检查模型性能。 通过观察数据集发现大多数的图像蛋白质种类的组合几乎固定，所以可以看成一种标签，因此又训练了一个基于ArcFace的 度量模型，与之前的分类模型结果相结合，最终F1得分可以达到0.55分。在Kaggle上排名前10%。

2019-08至2019-11——房间搜索机器人设计
项目描述：本项目主要研究在二维已知环境下机器人地面搜索和目标搜索过程。环境设置在设计好的模拟公寓中。将搜索过程分解为语 音识别、二维路径规划和计算机视觉三个部分。我负责计算机视觉部分。 目标检测:使用基于YOLO V3的转移学习训练模型。最后对模型在ROS上检测，每次都能准确检测出目标；人脸识别:我将 FaceNet应用到我们的机器人中，并将每个队员的面部信息建立一个数据库，以保证Finbot的安全。最后设计一个演示并展 示我们的机器人。

2019-08至2019-11——基于深度学习的图像分类
项目描述：本项目的目标是使用基于CIFAR-10数据集的不同优化来提高深度学习模型的性能，以了解每种优化在提高准确性方面所起的 作用。 针对CIFAR-10图像分类问题，我从最简单的卷积神经网络开始，它是一个3层模型。该模型的分类精度可达71.56%。通过对 模型的逐步优化，最终模型的性能提高到94.58%;优化包括:dropout,批归一化，权值衰减，学习速率衰减，数据增强，残差 模型，和Wide ResNet。

2019-01至2019-05——基于深度学习和图像处理的车牌识别
项目描述：图像处理包括将彩色图像转换为灰度图像，图像增强，基于Canny检测器的车牌边缘检测，车牌定位，基于形态学图像处理 的车牌分割; 深度学****含Inception-v3训练，这是一个卷积神经网络，通过转移学习来识别车牌上的字符; 图像处理与深度学习相结合的整个系统的准确率可达84.2%。

2018-08至2020-05——乔治华盛顿大学
电子信息工程 硕士
留学经历: 留学

2014-09至2018-06——上海大学
电子信息工程 本科