猿急送>

北京其它兼职程序员

ID：423669

一诺千金

科研研究人员精通python 机器学习，深度学习

公司信息：
哈尔滨师范大学

工作经验：
2年

兼职日薪：
500元/8小时

兼职时间：
可工作日远程
可工作日驻场（自由职业原因）

所在区域：
北京
海淀

技术能力

熟悉 Python、PyTorch、深度学习模型训练与代码调试，具备计算机视觉、图像分类、语义分割、医学影像分析和遥感影像分割相关项目经验。能够完成深度学习论文代码复现、环境配置、数据集整理、训练脚本修改、模型调优、指标统计和实验结果可视化等工作。熟悉常见模型与框架，包括 CNN、U-Net、DeepLab、Swin Transformer、UPerNet 等，可处理 CUDA 报错、显存不足、dataloader、loss、维度不匹配、预训练权重加载等常见问题。曾进行多模态乳腺癌医学影像研究，涉及乳腺 X 光、超声、病理图像的数据预处理、特征融合、模型训练和实验分析；也进行过地质遥感滑坡分割项目，包含 LoveDA 预训练、Landslide4Sense 微调、多光谱数据处理、mask 处理、类别不平衡分析、IoU/Dice/F1 评估和论文式结果整理。能够交付可运行代码、环境说明、训练命令、日志文件、指标表、混淆矩阵、分割可视化图和技术报告。做事细致，重视代码规范、实验可复现性和结果解释，适合承接代码复现、模型训练调优、图像处理、数据预处理、实验报告整理以及中小型 Python 开发任务。

项目经验

项目一：多模态乳腺癌医学影像分析与论文撰写项目

该项目围绕多模态乳腺癌医学影像智能诊断展开，研究目标是利用深度学习方法融合乳腺 X 光、超声图像和病理图像等多源医学影像信息，实现正常、良性和恶性乳腺病变的分类识别。项目整体按照医学影像顶刊论文的研究流程进行设计，重点包括数据集整理、图像预处理、标签规范化、多模态特征提取、模型训练、特征融合、实验评估和论文撰写。

在数据处理方面，我负责整理不同来源的乳腺医学影像数据，包括 X 光图像、超声图像及其掩膜、病理图像 patch 数据等，并完成类别标签统一、数据划分、图像尺寸调整、数据增强和训练集/验证集构建。在代码实现方面，使用 Python 和 PyTorch 搭建训练流程，设计多分支深度学习模型，对不同模态分别提取特征，并通过特征级融合或后期融合方式提升模型对乳腺病变的分类能力。实验过程中对模型准确率、召回率、F1 值、混淆矩阵和类别级表现进行统计分析，并整理训练日志、实验表格和可视化结果。

论文撰写方面，我参与了研究背景、方法设计、实验设置、结果分析和讨论部分的整理，重点强调多模态医学影像融合、模型可复现性、分类性能对比和实验结果解释。该项目提升了我在医学影像 AI、PyTorch 模型训练、多模态融合、实验设计和论文式技术表达方面的能力。

项目二：地质遥感滑坡分割模型训练与论文撰写项目

该项目面向地质灾害智能识别任务，主要研究基于遥感影像的滑坡区域语义分割方法。项目目标是利用深度学习模型对遥感图像中的滑坡区域进行像素级识别，服务于地质灾害监测、风险评估和遥感智能解译。项目采用 LoveDA 数据集进行预训练，并在 Landslide4Sense 数据集上进行微调，形成从遥感数据处理、模型训练到论文结果整理的完整研究流程。

在数据处理方面，我负责处理 LoveDA 和 Landslide4Sense 数据集，包括遥感图像读取、多光谱数据处理、mask 掩膜解析、类别统计、类别不平衡分析、训练集与验证集构建等工作。Landslide4Sense 数据包含多光谱波段以及坡度、坡向等地形信息，因此在数据加载和模型输入适配上需要进行专门处理。在模型训练方面，使用 PyTorch 构建语义分割训练代码，采用 Swin Transformer 与 UPerNet 风格的分割网络结构，完成预训练权重加载、训练脚本编写、验证流程设计、显存优化、日志记录和模型保存。

实验评估方面，我对模型输出结果进行了 IoU、Dice、F1、Precision、Recall 等指标统计，并生成分割预测图、mask 对比图、训练曲线和实验结果表格。同时针对滑坡类别样本占比较低的问题，进行了类别权重、损失函数和训练策略方面的调整。论文撰写方面，我整理了方法框架、数据集描述、实验设置、结果分析、消融对比和可视化展示内容，使项目能够形成较完整的地质遥感分割论文成果。

通过这两个项目，我积累了较完整的 AI 论文项目经验，能够独立完成数据集处理、深度学习代码训练、模型调优、实验指标分析、结果可视化和论文撰写等工作。熟悉 Python、PyTorch、计算机视觉、医学影像分析、遥感图像分割、语义分割模型训练和论文代码复现流程，做事细致，重视代码可运行性、实验可复现性和结果表达的规范性。

案例展示

乳腺影像AI分类

该项目为多模态乳腺癌医学影像智能分析项目，主要面向正常、良性、恶性乳腺病变分类任务。项目使用 Python 和 PyTorch 搭建深度学习训练流程，处理乳腺 X 光、超声图像和病理图像等多模态数据，完成数据集整理、图像预处理、标签统一、超声掩膜处理、病理图像 patch 处理、
遥感滑坡智能分割

该项目为地质遥感滑坡语义分割项目，主要目标是利用深度学习模型对遥感影像中的滑坡区域进行像素级识别。项目基于 Python 和 PyTorch 实现，包含 LoveDA 数据集预训练、Landslide4Sense 数据集微调、多光谱遥感数据处理、mask 掩膜解析、类别不平衡分析