刘 帆

基本信息

教育背景

个人技能

• 英语： CET4；
• 编程语言： 熟悉Python；
• 深度学习： 熟悉使用tensorflow、了解caffe、pytorch等深度学习框架；
  熟悉计算机视觉相关的网络模型如：AlexNet，VGG，GoogleNet，ResNet，GAN，CGAN等；
• 机器学习： 熟悉基本的机器学习算法（KNN，线性回归，Logistic回归，SVM等）；

项目经验

2017.11-2018.02 | 利用深度学习对医学CT图像中的肺结节进行良恶性判断（Python、Matlab）

简介
针对LIDC-IDRI这一公开数据集进行预处理，按良恶性程度提取出肺结节，再设计CNN网络训练分类模型，对肺结节良恶性识别分类。
职责

1. 数据的预处理：根据数据集中的注释文件(.xml)定位到肺结节的位置，并按照其标注好的良恶性程度分类提取肺结节。
2. 辅助实验，对比不同的CNN网络，选取最优的分类模型。

2018.05-2018.08 | 基于深度学习框架的水声信号的扩充和分类识别（Python、Tensorflow）

简介
将原始水声信号音频数据转换为图片，先使用CGAN扩充水声图片数据集，再利用CNN网络训练分类模型，并对真实的水声信号图片进行识别分类。
职责

1. 数据的预处理：利用FFT(快速傅里叶变换)将原始音频数据(.wav)转换为图片存储(.png)。
2. CGAN网络的设计实现：Discriminator：3Conv + 2FC + BatchNorm + Sigmoid/Lrelu
         Generator：3UpConv + 2FC+ BatchNorm + Lrelu
3. CNN网络的设计实现：3Conv + 3Max_Pooling + 3FC + BatchNorm + Sigmoid/Lrelu。

2018.11-2019.02 | 基于深度神经网络的图像噪声分类与去噪（Python、Matlab、Tensorflow）

简介
对图像所包含的噪音类型进行识别分类，然后根据噪音类型选择相应的去噪模型去除噪音，进而得到干净图像。
职责

1. 数据的预处理：在原始图像数据上添加各类噪音，得到包含各种噪音类型的数据。
2. 噪音分类网络设计：8Conv + 4Max_Pooling + 3FC + BatchNorm + Sigmoid/Lrelu。
3. 去噪网络设计：(Conv + Lrelu) + N*(Conv + BatchNorm + Lrelu) + Conv。

2018.11-2019.01 | FaceNet在FPGA等硬件平台上的实现（Python、Tensorflow）

简介
将在服务器上训练好的FaceNet模型移植到FPGA等硬件平台上，实现人脸检测推断过程。
职责

1. 模型参数的提取：解析FaceNet的网络结构，Restore训练好的模型，提取各网络层参数。
2. 参数的量化压缩：模型参数量巨大(浮点)，为了节省空间及方便计算，将参数量化为8位的定点数。

科研成果

1. Fan Liu, Qingzeng Song, Guanghao Jin, “Expansion of Restricted Sample for Underwater Acoustic Signal Based on Generative Adversarial Networks”, International Conference on Graphic and Image Processing, ICGIP 2018 ( EI, 已收录待索引)
2. Guanghao Jin, Fan Liu, Hao Wu, Qingzeng Song, “Deep Learning based Framework for Expansion, Recognition and Classification of Underwater Acoustic Signal”, Journal of Experimental & Theoretical Artificial Intelligence (SCI, 已收录待出版)