具备扎实的计算机科学理论基础，熟练掌握Python与C++编程语言，深耕计算机视觉（CV）领域，聚焦目标检测、图像分割与人物ReID任务，拥有AI实习中的实战经验，能提供贴合实际场景的技术支持。

在目标检测方向，熟悉YOLOv3/v4、Faster R-CNN等模型的核心原理与实践应用。实习中参与过人物目标检测项目，负责使用YOLOx进行模型训练与调参。

图像分割领域，聚焦U-Net与Mask R-CNN模型的落地实践，理解Encoder-Decoder架构的特征提取与上采样逻辑。曾复现医疗影像分割任务，基于U-Net实现器官区域分割：通过调整网络深度（将Encoder层从4层扩展至5层）提升小区域捕捉能力，使用Dice损失函数解决类别不平衡问题。

人物ReID任务中，熟悉以ResNet50为backbone的特征提取流程，掌握基于度量学习的模型训练方法。实习中参与人物reid项目，负责行人特征向量的提取与匹配：通过优化样本采样策略（均衡不同场景下的行人样本比例），使用三元组损失函数训练模型，在测试集中实现Top-5匹配准确率达85%，并通过计算余弦距离完成实时特征比对，满足实际应用场景低延迟要求。

具备基础工程化能力，能用Python结合PyTorch搭建模型训练框架，编写数据加载、损失计算、指标评估等核心模块；熟练使用OpenCV进行图像预处理（如尺寸归一化、通道转换）；掌握Linux环境下的模型训练流程，会用Git进行版本控制。

在目标检测方向，熟悉YOLOv3/v4、Faster R-CNN等模型的核心原理与实践应用。实习中参与过人物目标检测项目，负责使用YOLOx进行模型训练与调参。

图像分割领域，聚焦U-Net与Mask R-CNN模型的落地实践，理解Encoder-Decoder架构的特征提取与上采样逻辑。曾复现医疗影像分割任务，基于U-Net实现器官区域分割：通过调整网络深度（将Encoder层从4层扩展至5层）提升小区域捕捉能力，使用Dice损失函数解决类别不平衡问题。

人物ReID任务中，熟悉以ResNet50为backbone的特征提取流程，掌握基于度量学习的模型训练方法。实习中参与人物reid项目，负责行人特征向量的提取与匹配：通过优化样本采样策略（均衡不同场景下的行人样本比例），使用三元组损失函数训练模型，在测试集中实现Top-5匹配准确率达85%，并通过计算余弦距离完成实时特征比对，满足实际应用场景低延迟要求。

具备基础工程化能力，能用Python结合PyTorch搭建模型训练框架，编写数据加载、损失计算、指标评估等核心模块；熟练使用OpenCV进行图像预处理（如尺寸归一化、通道转换）；掌握Linux环境下的模型训练流程，会用Git进行版本控制。