我对网络安全和人工智能充满热情，自入学以来，积极参与各类科研项目和学术竞赛，曾获得国家奖学金和多项校内外奖项。在科研方面，我参与并主导了多个项目，包括但不限于人工智能安全、时序点过程、持续学习、联邦学习、模型压缩等领域。

📊 成绩排名   [证明]

• GPA：3.94/4.0、加权平均分：92.26/100
• 成绩排名： 5/140
• 综合排名： 1/140

📚 专业能力   [证明]

• 概率论与数理统计(95)、高等数学上/下(94,96)、信息安全数学基础II(100)、线性代数 (94)
• 算法设计与分析(95)、数据结构(90)、计算机组成原理 (96)、数据库系统 (93)、机器学习(92,93)、自然语言处理(92,95)、舆情分析(94)
• 安全创客实践 (98)、Linux 分析与安全设计 (100)、数字取证 (98)、电路与电子技术 (94)

💻 编程能力

• 我对编程充满热忱并经验丰富，熟练使用Python，C/C++，Matlab、GO、\LaTeX 在内的多种编程语言，熟悉各类算法与数据结构，抽象能力强，代码风格良好，同时拥有多次实际项目开发经验;
• 熟悉Pytorch等主流深度学习框架，Transformers、Diffusers等先进模型库以及Numpy、Pandas、Scikit-learn等常见机器学习库;
• 了解CUDA、Triton等底层深度学习开发工具和GPU编程;
• 掌握DeepSpeed等高效多卡训练和分布式计算方法; 掌握Wandb、Hydra等深度学习工作流优化操作;
• 科研代码基础丰富全面，涵盖多个领域如: 人工智能安全(USENIX 25’)、时序点过程(AAAI 25’)、联邦图学习、持续学习 等

🌍 英语能力

• 已通过 CET4 和 CET6
• 以一作/共同一作的身份主导/参与过全英学术论文写作投稿

🏆 Competition Awards

• 中国高校计算机大赛-网络技术挑战赛（全国总决赛）：一等奖 国家级 2024   [证明]
• 中国机器人及人工智能大赛（全国总决赛）：一等奖 国家级 2024   [证明]
• 睿抗(RAICOM)机器人开发者大赛（全国总决赛）：一等奖 国家级 2024   [证明]
• NeurIPS 2024 - Ariel Data Challenge：Bronze Medal 国家级 2024   [证明]
• Kaggle: LMSYS-Chatbot Arena Human Preference Predictions 国家级 2024   [证明]
• 全国大学生物联网设计竞赛（华中及西南赛区）：一等奖 省部级 2024   [证明]
• 中国大学生计算机设计大赛（中南地区赛）：二等奖 省部级 2023   [证明]
• “蓝桥杯”数字科技创新赛（全国选拨赛）：二等奖 省部级 2024   [证明]
• “盘古石杯”全国电子数据取证大赛（晋级赛）：二等奖 省部级 2024   [证明]
• 中国机器人及人工智能大赛（湖北赛区）：二等奖 省部级 2024   [证明]
• 中国高校计算机大赛-网络技术挑战赛（华中赛区）：二等奖 省部级 2024   [证明]
• 睿抗(RAICOM)机器人开发者大赛（湖北赛区）：二等奖 省部级 2024   [证明]
• 中国大学生计算机设计大赛（中南地区赛）：三等奖 省部级 2024   [证明]

🎖 Honors and Awards

• 2024.10 国家奖学金
• 2024.6 雷军计算机研学资助基金
• 2024.10 三好学生（获奖率：全校10%）武汉大学
• 2025.1 武汉大学国家网络安全学院科创先进个人 武汉大学国家网络安全学院

🔬 主要研究经历

📍 PAPILLON: 基于模糊测试的高效隐蔽LLM越狱框架

• 已收录于 USENIX 2025 | 第四作者
  研究方向：人工智能安全、LLM安全 | 论文链接

📖 研究背景:

1. “越狱攻击”指攻击者通过构造精心设计的对抗性提示（Prompt），诱使大语言模型（LLMs）绕过其内置的安全防护和内容过滤机制，从而生成具有社会危害性的违规内容;
2. 尽管大语言模型（LLMs）如GPT系列在多种认知任务中表现卓越，但其安全性和抗越狱攻击能力仍存在显著系统性漏洞，主要源于模型架构与对齐策略的局限性。攻击者可通过精心设计的“越狱提示”绕过模型的安全机制，诱导其生成有害内容;
3. 当前LLMs越狱攻击高度依赖人工专家经验构建模板，存在耗时费力、难以拓展和适应新场景的根本缺陷;
4. 现有的自动化生成的对抗性提示往往语义不连贯且逻辑异常，易被基于困惑度（Perplexity）的文本质量评估指标检测，对LLMs的攻击成功率低下;
5. 复杂冗长的攻击提示导致高查询成本与低效攻击流程，且现有方法难以突破GPT-4、Gemini-Pro等先进模型的防御;
6. 我们提出的Papillon框架为系统化揭示LLM安全隐患提供了新视角。

🛠️ 我们的方法:

1. 提出Papillon框架，一种基于模糊测试的黑盒越狱攻击方法，通过空种子池启动，完全摆脱对现有模板的依赖，结合定制化突变策略和两级判断模块实现攻击效率的提升;
2. 设计三种基于LLM辅助的问题相关突变策略(角色扮演、场景构建、扩展优化)，生成语义连贯且长度可控的提示，显著降低困惑度以绕过检测;
3. 引入两级判断模块：第一级使用微调RoBERTa模型检测有害内容，第二级通过GPT评估生成内容的相关性，确保攻击提示既具危害性又与问题高度关联;
4. Papillon生成的提示具备强迁移性（如跨模态攻击MLLMs）和稳定抗防御能力（如绕过困惑度过滤、SmoothLLM、Llama Guard），为LLM安全攻防提供理论与技术双重突破。

📊 实验效果:

我们的的方法在攻击成功率（GPT-4达86%、Vicuna-7B和Baichuan2-7B均达100%）、提示长度压缩（100tokens下对GPT-4的攻击成功率78%）及防御鲁棒性（混合防御下攻击成功率大于50%）均远优于基线法。

📝 产出成果:

相关论文已收录于USENIX Security 2025（CCF-A类会议，安全领域四大顶会）（第四作者）

📍 BregmanADMM: 用于时序点过程中事件分支推断的即插即用模块

• 已收录于 AAAI 2025 | 第五作者
  研究方向：时序点过程、最优传输、可解释性 | 论文链接

📖 研究背景:

1. 时序点过程(TPPs)是对连续时间域上离散事件点进行建模的强大工具，已被广泛用于地震预测、金融分析、推荐系统等多个领域;
2. 对于事件序列，通常存在一个分支过程来捕获隐藏在序列中的事件级触发模式，这个分支过程提供了对事件之间因果关系的洞察，帮助我们识别触发后续事件级联的关键事件，这对于揭示事件产生和信息扩散的潜在机制至关重要，如：识别信息扩散网络中的信息来源或操纵关键节点以减轻特定信息的扩散;
3. 推断事件分支有着重要意义，但其同样十分具有挑战性，因为事件分支是在实践中无法观察到的潜在变量；
4. 然而这两种方法都存在过平滑的问题，往往会推断出非结构化的事件分支;
5. 目前亟需一种简单但有效的解决方案来准确推断各种TPP模型的结构增强事件分支。

🛠️ 我们的方法:

1. 引入一种新的即插即用模块，该模块基于Bregman Alternating Direction Method of Multipliers算法，在时间点过程(TPPs)的MLE框架中推断与事件序列相关的事件分支;
2. 具体来说，我们的BADMM模块可以在行归一化的下三角矩阵上施加低秩和稀疏结构，当通过EM算法学习经典TPP(例如Hawkes Process)时，我们可以利用BADMM模块在E步中导出结构化responsibilities矩阵;
3. 类似地，我们的BADMM模块也有助于为具有自注意层的神经TPP导出低秩和稀疏的attention maps;
4. 上述的结构化responsibilities矩阵和attention maps则都可以有效表征事件分支；将BADMM优化架构嵌入现有时间点过程（TPP）建模框架及训练体系后，能够系统性提升时序预测精度，同时生成具备高可解释性的事件演化分支，为事件的可解释建模提供了数学基础。

📊 实验效果:

在合成数据和现实数据上的实验均表明：将我们的BADMM模块插入到现有的TPP模型和学习范式中可以稳定提高模型的性能，并产出可解释的事件分支,对揭示事件产生和信息扩散的潜在机制提供有价值的见解。

📝 产出成果:

相关论文已已收录于AAAI 2025（CCF-A类会议）（第五作者）。

📍 HT-Auth: 基于细微头部震颤的无感VR身份认证系统

• 已投稿于 UbiComp 2025 | 第二作者
  研究方向：物联网安全、VR身份认证 | Method示意图

📖 研究背景:

1. 随着虚拟现实(VR)技术的广泛应用，VR设备承载了大量敏感数据和功能(如账户信息、使用记录等)，当前亟需一种安全高效的认证方案;
2. 现有认证方法难以兼顾便捷性与安全性: 传统认证(如密码、手势输入)存在效率低、易被窥视等问题; 而基于行为或生理生物特征的方法需要专用传感器，部署受限的同时使用成本巨大;
3. 头部震颤作为自然生理现象，由颈部肌肉收缩产生，具有个体独特性，可利用VR设备内置惯性传感器捕捉，但面临噪声干扰、行为不一致性等挑战;
4. 传统信号处理方法(如重采样)无法有效解决行为不一致性，导致认证准确性受限;
5. 现有生物特征提取方法未能充分结合肌肉物理特性(收缩与耐力)，且缺乏对低注册样本场景的适配能力;
6. 因此，亟需一种基于头部颤抖信号开发的高效、便捷且能够准确区分用户身份的认证系统。

🛠️ 我们的方法:

1. 提出HT-Auth，一种基于头部微小震颤的无感VR认证系统，利用商用VR设备的惯性传感器捕获颈部肌肉生物特征，并首次通过低秩与稀疏约束提取结构化震颤信号;
2. 设计三级噪声处理流程：基于功率谱密度(PSD)分析的运动干扰检测、遗传算法优化的最大重叠离散小波变换(GA-MODWT)去除噪声，以及基于聚合信号方差(ASV)的自适应事件定位算法;
3. 提出肌肉物理级特征描述符，从收缩(MFCC、频谱质心)和耐力(频谱熵、过零率)两方面表征个体独特性，并通过孪生网络进行特征重构以消除行为不一致性;
4. 结合迁移学习，仅需10个注册样本即可实现用户个性化特定模型快速微调适配，且在多种设备、姿态和场景均表现稳定。

📊 实验效果:

验证HT-Auth在多种姿势及攻击场景下的鲁棒性，仅需少样本就可以实现匹配，准确率达97.22%，计算延迟低于75ms，用户调研显示了其高可用性与接受度，为VR设备安全认证提供了高效、可解释的解决方案。

📝 产出成果:

相关论文已完成并投稿于UbiComp 2025（CCF-A类会议，普适计算和人机交互领域顶会）（第二作者），2024.12反馈为Major Revision review report，目前已完成Resubmit提交。

📍 使用可扩展非参数正则化学习结构增强时序点过程

• 先前投稿于KDD 2025并正在转投期刊 | 第六作者
  研究方向：时序点过程、最优传输、可解释性

📖 研究背景:

1. 时序点过程(TPPs)是一种强大的统计工具，通常被用于连续时间域的事件序列建模;
2. 当今TPP方法(如RMTPP、THP、SAHP等)尽管有用，但很少考虑隐藏在事件序列的聚类结构; 而现实世界的事件序列往往因存在不同的生成机制而属于不同的聚类: 不同疾病的患者有不同的入院行为，不同行业的劳动者有不同的职业发展轨迹和跳槽经历; 忽略这种聚类结构可能会导致模型的错配，损害可解释性和预测精度;
3. 最近提出的TPP混合模型通过学习多个TPP来捕获聚类事件序列，但这种简单的策略存在可伸缩性问题，即模型复杂性与聚类数量呈线性关系;
4. 非参数解决方案测量任意两个事件序列之间的距离，然后通过谱聚类对事件序列进行聚类，但并不能很好地扩展到新出现的事件序列，同时也没有对每个事件序列的时间动态建模，不能应用于事件预测任务。

🛠️ 我们的方法:

简单有效地学习具有聚类和预测能力的结构增强TPP:

1. 我们的方法不是学习多个TPP的混合模型，而是学习单个参数TPP，并基于可扩展的非参数聚类正则化器对其事件序列的embeddings施加聚类结构;
2. 参考先前的非参数聚类方法，设计一个核矩阵来正则化序列embeddings的相似矩阵，将该正则化器插入MLE框架中，就可以在非参数聚类的指导下学习TPP;
3. 为了使正则化器在大规模应用中可行，使用事件序列的子集构造一个小核矩阵，并将正则化器实现为Gromov-Wasserstein差异项，使得TPP通过随机梯度下降学习，且具有较低的计算复杂度(复杂度与聚类数量无关);
4. 本质上讲，我们提出的正则化器具有高度灵活性，适用于可任意学习范式的任意TPP，为事件序列聚类和预测提供一个可扩展且有效的解决方案;
5. 集成了参数和非参数TPP模型的优势，可扩展到新出现的事件序列中，实现高预测精度，并推导出聚类序列嵌入，显著提高了模型的可解释性和鲁棒性。

📊 实验效果:

通过在合成数据集/现实数据集上的广泛评估，我们的方法均同时具备高预测精度和强可解释性。

📝 产出成果:

相关论文已完成，先前投稿于KDD 2024，Decision为Resubmit后完善并投稿于KDD 2025(第七作者)，但未被录用; 目前正在扩充内容，计划转投于期刊IEEE TDKE(第六作者)。

📍 基于多专家图粗化的联邦图持续学习

• 投稿于NeurIPS 2025 | 第一作者
  研究方向：联邦学习、持续学习、图学习、专家模型

📖 研究背景:

1. 联邦持续图学习旨在解决分布式环境中动态图数据的持续学习问题，其核心挑战在于如何在保护隐私和存储限制下，协同多客户端演化图数据的集体智能;
2. 现有持续图学习方法主要基于中心化架构的数据回放策略，难以适应现实场景中图数据的分布式特性，导致各客户端独立学习时无法有效缓解灾难性遗忘问题，同时忽略了跨客户端知识协同的潜力、数据异构性和图结构的影响;
3. 联邦学习为分布式图学习提供了框架，但传统联邦方法直接聚合本地模型参数时，会因客户端的差异性引发全局专业知识冲突（GEC），导致全局模型在新旧任务上的性能均次优；此外，本地模型在适应新任务时仍面临本地图遗忘（LGF）问题;
4. 现有联邦持续学习方法多针对视觉任务设计，依赖图像数据增强或特定架构，无法直接迁移至图数据且缺乏拓扑适应性；而简单的联邦化图持续学习方法虽能缓解本地图遗忘问题，却无法解决全局专业知识冲突及动态结构演化问题;
5. 亟需一种兼顾本地知识保留与全局知识协同的联邦持续图学习框架，以提升模型性能并增强事件级联与信息扩散机制的可解释性及动态适应能力。

🛠️ 我们的方法:

1. 在客户端提出TACO框架，通过动态图粗化实现连续学习：将历史图压缩为保留关键拓扑的缩减图，与新图动态对齐并组合合并，通过”组合-缩减-生成“循环渐进式更新机制稳定模型记忆，缓解灾难性遗忘;
2. 设计基于节点表示相似性的高效图粗化算法RePro：利用GAT模型学习节点嵌入，通过多尺度相似性度量框架MOG来打分计算语义相似性，合并相邻高相似度节点，约束仅存在边连接的节点合并以降低计算复杂度;
3. MoG 包含多个稀疏化专家组成的可扩展集合，每个专家具有独特的稀疏级别和差异化剪枝标准。通过动态路由网络为每个节点选择最合适的专家，实现基于拓扑特征的定制化合并相似节点;
4. 服务端采用交替优化策略在模型合并过程中联合优化参数重要性权重与结构约束来进行全局聚合，优化全局模型对不同客户端专业知识的融合;
5. 全局聚合基于任务向量的幅度和方向特性，通过双层Softmax归一化分别量化任务内参数重要性权重，抑制冗余参数干扰。计算跨任务参数相似性矩阵，通过方向一致性加权机制调整参数更新轨迹，缓解任务间梯度冲突。最后根据综合得分进行参数筛选，对保留参数进行基于信息熵的动态缩放，构建具有层级结构的合并权重矩阵。

📊 实验效果:

已完成联邦图学习和持续学习过程的详尽文献调研和联邦图持续学习算法设计，实验已在多个现有的标准图数据集上超越目前的多个基准方法，验证了当前方法动态图结构保留和减少任务冲突聚合的可行性。

📝 产出成果:

相关论文已确认方案，进入实验阶段，预计投稿于NeurIPS 2025(CCF-A类会议，机器学习三大顶会)。

📍 利用推测解码加速基于Transformer的深度点过程采样

• 投稿于NeurIPS 2025 | 共同第一作者
  研究方向：时序点过程、推测解码、加速采样

📖 研究背景:

1. 深度点过程是在连续事件频域建模离散事件重要工具，其仿真采样用于分析未来事件规律、验证模型拟合和生成大规模数据;
2. 近年来，基于Transformer的深度点过程研究主要集中在提升模型的拟合能力上，但对仿真采样效率提升的关注不足。当前采样方法通常使用Thinning Algorithm，然而这一算法在生成候选时间戳时需要通过Transformer进行一次前向传播来计算条件强度函数和接受率，且生成的时间戳容易被拒绝，造成效率低下。

🛠️ 我们的方法:

1. 我们将近年来大语言模型领域新兴的推测解码引入深度点过程的建模，在维持深度点过程采样质量的同时加快采样速度。具体而言，我们设计了一种新的基于Transformer的点过程模型，建模时间戳间隔的条件概率密度而非时间戳的条件强度函数。这一设计便于生成候选时间戳间隔，且更容易将推测解码框架融入点过程采样;
2. 我们设置小参数量的Transformer点过程模型为Draft模型，大参数量的Transformer点过程模型为Target模型，使用Draft模型生成候选时间戳间隔，并用Target模型计算候选时间戳间隔的对数似然，基于拒绝采样思想计算候选时间戳间隔的接受率，实现只用Target模型的一次前向传播就能生成多个时间戳。

📊 实验效果:

已完成推测解码和深度点过程的详尽文献调研和采样算法设计，实验已在合成和现实数据集上呈现初步进展，实验效果良好，采样比原有方法在不降低采样准确率的情况下加速数倍，验证了当前方法的可行性。

📝 产出成果:

相关论文已确认方案，进入实验阶段，预计投稿于NeurIPS 2025(CCF-A类会议，机器学习三大顶会)。

🔬 其它研究经历

📍 NeurIPS - Ariel Data Challenge 2024

• 铜牌(排名：68/1151) | 主力队员
  研究方向：多模态监督学习 | 赛事官网

📖 比赛背景:

1. 这场比赛由多个国际知名大学和NeurIPS顶会联合主办，目的是通过分析天文数据来研究系外行星的大气成分;
2. 比赛数据包括了从望远镜收集的对每个行星的原始观测数据，参赛者需要从这些观测数据中提取大气光谱，具体为对每个样本预测283种不同波长的光谱数据，以及额外预测与283种波长预测结果一一对应的不确定性，也可理解为额外预测对自己预测结果与真实值之间的误差;
3. 比赛的评价标准将使用高斯对数似然(GLL)函数，对不同波长的预测光谱(wavelength)和相应的不确定性(sigma)与地面对数像素水平光谱进行评估;
4. 简单来说，我们的目标是使对每个行星预测的波长和真实值之间的MSE尽量小，同时对于较大MSE的样本预测更大的不确定性。

🛠️ 我们的方法:

1. 均值波长预测: 对凹陷部分乘以因子1+s使得整个信号的凹陷部分理论上被消除，之后使用多项式函数拟合信号曲线，得到合适的s值使得刚好能满足将凹陷部分上升到与左右完美衔接上，即为我们最终要计算的波长;
2. 阶段切割点估计: 计算区间梯度值并进行梯度卷积操作以避免异常单点值的影响，并根据阶段中间点的周围卷积值和中点卷积值的比例去自适应计算切割区段长度;
3. 机器学习建模: 为了解决[波长均值预测无法预测每个波长]的缺点，选则使用机器学习模型实现细致精准预测，先对波长维度使用滑窗的形式提取得到区间波长均值特征，并利用特征数据使用分位数回归器或者简单的神经网络模型去学习精确预测每个波长的值;
4. sigma预测: 采用两种预测方式-[根据对评价函数求导得到sigma标签并基于信号数据预测]和[使用预测的波长作为输入数据预测]。

🏆 竞赛成果:

在1151个团队中排名第62位(Top 5.3%)，摘得了一枚铜牌 获奖证书.

📍 Kaggle: LMSYS-Chatbot Arena Human Preference Predictions

• 铜牌(排名: 103/1849) | 主力队员
  研究方向: 大语言模型、LLM微调 | 赛事官网

📖 比赛背景:

该比赛聚焦构建用户偏好预测模型，其核心挑战为预测用户在两个人工智能对话系统(LLM)之间的对决中更偏爱哪个回答。

🛠️ 我们的方法:

1. 模型选择: 选择Gemma-2-9b-it作为基础模型;
2. 关注对话时序性的Prompt设计: 在对原始数据集中字符串的提取和拼接时，将多轮对话按轮次进行拆分,保持了对话的时序性，有助于模型在训练时理解上下文关系;
3. 使用QLoRA进行高效微调，同时结合PISSA(Parameter-Efficient Initialization for Sequentially Stacked Adaptation)进行参数初始化，实现接近全参数微调的效果;
4. Test Time Augmentation: 根据对LLM偏好的研究，所有的LLM都对先出现的第一个response更偏好，这导致天然的类别预测不平衡问题，针对此问题进行预测交换，并取平均。

🏆 竞赛成果:

在1849个团队中排名第103位(Top 5.5%)，摘得了一枚铜牌 获奖证书.

📍 HaMonitorSentry-高层建筑智能监测系统

• CRAIC全国一等奖 | 主力队员
  研究方向：计算机视觉(目标检测) | 项目主页 | 项目代码 | 项目文档

📖 比赛背景:

现今的高层危险监测系统往往准确性弱、鲁棒性差、实时性弱且未针对高层复杂场景针对优化，相关算法(复杂场景下运动目标检测、小目标快速检测、鲁棒目标检测等)尚不成熟，亟待优化。

🛠️ 我们的方法:

1. 高空抛/坠物检测: 引入独创的类间距离知识蒸馏并构建轻量化语义分割网络，精确识别建筑背景并定位潜在抛物区域，同时显著缩短了推理时间，提升系统实时响应能力;
2. 高层危险行为识别: 使用了2D与3D网络结合的双流结构，通过双头自注意力机制融合时空信息，保证了动作时空特征的一致性，增强了高层危险动作的识别精度。

🏆 竞赛成果:

中国机器人及人工智能大赛(全国总决赛): 一等奖 [武汉大学保研认定竞赛-国家级] 获奖证书.

📍 Smart Sound Guidance-物联网语音攻击防御系统

• CCCC全国一等奖 | 主力队员
  研究方向：物联网语音安全 | 项目主页 | 项目代码 | 项目文档

📖 比赛背景:

伴随着智能语音市场的规模逐年递增和“语音控制”的普及，智能语音攻击也正逐渐兴起——语音攻击是指恶意攻击者通过无声远程操控的方式，达到侵入智能设备语音控制系统的目的，并带来隐私泄露/财产损失/生命安全等诸多潜在威胁。

🛠️ 我们的方法:

1. 提出了智能语音攻击检测模型，采用多维语音特征提取算法对音频特征进行分析，结合SVM音频分类算法和攻击语义检测算法，实现系统整体识别准确率达到了88.7%，在部分测试场景中最高达到96.2%;
2. 构建了集语音数据监测、预警提示和态势感知于一体的智能语音安全平台，实现了从攻击音频检测到预警的全流程自动化。

🏆 竞赛成果:

中国高校计算机大赛-网络技术挑战赛(全国总决赛): 一等奖 [武汉大学保研认定竞赛-国家级] 获奖证书.

📍 医以济世，药以益民-传统中医药主题 AR+VR 交互设计集

• RAICOM全国一等奖 | 队长
  研究方向：游戏开发、虚拟现实、增强现实 | 项目文档

📖 比赛背景:

中医药文化传播困境：当今中医药文化面临传播机制不完善、专业人才匮乏、内容呈现形式单一、同质化高等现实挑战。

🛠️ 我们的方法:

1. 利用AR/VR/MR等新兴技术突破传统桎梏，通过Unity3D和Vuforia SDK等先进工具构建沉浸式、交互式的中医药数字体验平台;
2. 设计多样化的互动模块，如草药扫描识别、人体穴位识别、李时珍采药之旅、AR魔方和中医药文化大展馆。

🏆 竞赛成果:

睿抗 (RAICOM) 机器人开发者大赛（全国总决赛）：一等奖 [武汉大学立项竞赛-国家级] 获奖证书.

📍 基于低质量红外摄像的跨模态行人重识别系统

• 物联网大赛省部级一等奖 | 主力成员
  研究方向：计算机视觉(行人重识别)、跨模态学习 | 项目文档

📖 比赛背景:

低光照与复杂环境下的监控挑战：传统可见光摄像头在夜间、雨雪或雾霾等恶劣条件下成像质量显著下降，难以满足精准行人识别需求。

🛠️ 我们的方法:

1. 提出了 随机通道可交换增强(CA) 和 通道级随机擦除(CRE) 策略，通过通道替换与局部擦除技术增强数据多样性，缓解模态差异并提升模型在低质量红外图像上的泛化能力;
2. 设计了 增强型渠道混合学习(ECML) 与 通道增强联合学习(CAJL) ，显著提升匹配精度。

🏆 竞赛成果:

全国大学生物联网设计竞赛（华中及西南赛区）：一等奖 [武汉大学立项竞赛-省部级] 获奖证书.

🌟 社会活动

🎉 课程助教（武汉大学国家网络安全学院《安全创客实践》） 2024.7 ~ 2024.8
• 📌 作为助教，参与本次为期 1 个月的程序设计与算法实训课程的教学、习题讲解、答疑工作