Python:熟练掌握 Python 编程,能够高效进行数据处理、自动化脚本编写及系统开发。
PyTorch:具备模型训练与微调经验,熟悉 CNN、Transformer 等主流架构,并能够应用于 Diffusion Model 等前沿生成模型。
Computer Vision:掌握图像分类、目标检测、OCR 与视频分析等技术,具备完整的项目实践经验。
1. 目标检测:使用 PyTorch对复杂场景图像进行目标检测,提升检测精度并优化推理速度。
2. 细胞分割:参与医学图像处理项目,基于 U-Net 及其变体实现细胞实例分割,显著提高分割精度,支持科研数据分析。
3. 图像生成与编辑:使用 Diffusion Model(如 Stable Diffusion, VACE)实现图像生成与局部编辑,探索 AIGC 在视觉创作中的应用。
4. 伪造视频检测:有效识别基于 Diffusion 的视频生成伪造,提升检测准确率与鲁棒性。
本研究提出 TC-Former,一种结合 Transformer 与 CNN 的高效病理图像细胞核分割模型。通过设计特征交换模块融合局部与全局特征,并引入多尺度池化结构提升泛化能力。在 MoNuSeg 数据集上的实验结果表明,TC-Former 在分割精度和鲁棒性上均优于现有方法
本研究提出一种基于 Transformer 的细胞核实例分割方法,设计了多尺度特征聚合模块(MSFAM)与特征混合交叉注意力模块(FMCAM),有效融合局部与全局信息。模型还引入水平与垂直距离图预测分支,提升了重叠细胞的分割效果。在 MoNuSeg 数据集上的实验表明,该方法在