人工智能与机器学习暑期科研项目招募
华中科技大学博士论文指导
我是计算机专业的研二学生：从大二开始接触科研，至今已发表1篇CCF-A类会议论文、1篇CCF-B类会议论文，以及2篇Top期刊论文。正是这段从本科开始的科研经历，让我在保研和学术道路上走得更加顺利。我深刻体会到，对本科生而言，越早接触系统的科研训练开始上手科研项目，就越能在未来的升学求职中占据很大的优势。
暑假是提升科研能力、丰富学术履历的黄金时期！对于计划保研、留学的大家来说，参与科研项目并发表论文能极大提升个人竞争力。无论是保研综测加分、留学申请证明学术潜力，还是求职时展现技术实力，高质量的科研经历都是关键筹码。这个暑假，我的师兄——华中科技大学博士研究生想带领对AI感兴趣的同学，聚焦人工智能与机器学习前沿领域，提供深度学习、自动化机器学习（AutoML）及元学习的实战机会，一起完成高质量的科研项目，并争取发表论文。
个人简介
华中科技大学博士研究生，研究方向:
- 深度学习与神经网络：卷积神经网络、循环神经网络、生成对抗网络等。
- 自动化机器学习与元学习：自动化机器学习、元学习、神经架构搜索等。
研究成果发表于
- 《Computer Vision and Image Understanding》（图像信息的计算机分析）
- 《Pattern Recognition Letters》（人工智能领域）
- 《Cognitive Computation》（人工智能、神经科学相关领域）
科研选题
01 基于改进卷积神经网络的复杂场景图像实时识别研究
02 基于元学习的快速自适应医疗诊断模型研究
03 自动化机器学习在金融数据分析与风险预测中的优化应用研究
01 基于改进卷积神经网络的复杂场景图像实时识别研究
现实场景中的恶劣天气、低光照、遮挡等问题严重影响传统CNN的识别性能，而自动驾驶、安防监控等领域对实时性和准确性要求极高。本项目将优化CNN架构，提升模型在复杂环境下的鲁棒性，并探索轻量化部署方案。
创新方向：
- 结合Transformer（ViT、Swin Transformer）增强CNN的全局建模能力
- 采用知识蒸馏（Knowledge Distillation）实现模型轻量化
- 部署优化：TensorRT加速、INT8量化
02 基于元学习的快速自适应医疗诊断模型研究
医疗领域面临样本不均衡、新疾病诊断难等问题，传统模型依赖大量标注数据且难以快速适应新任务。本项目利用元学习技术，构建能够从小样本数据中快速学习的智能诊断系统，提升罕见病和动态医疗场景下的诊断效率。
- 基于度量学习的元学习框架（ProtoNet、RelationNet）
- 跨模态数据融合（CT/MRI/病理报告联合建模）
- 可解释性分析：Grad-CAM可视化诊断依据
03 自动化机器学习在金融数据分析与风险预测中的优化应用研究
金融数据具有高维度、动态变化等特点，传统手动建模方式效率低下。本研究将结合AutoML技术，自动化完成特征工程、模型选择与超参数优化，提升金融风控与投资决策的精准度，为金融机构提供智能化解决方案。
- 自动化特征工程（FeatureTools + 遗传算法）
- 集成学习（XGBoost+LightGBM的Stacking策略）
- 动态风险预警：LSTM-Attention时序建模
🌟 项目亮点
博士师兄指导，系统学习深度学习与AutoML前沿技术，不是"跑通demo"的浅尝辄止，而是从0到1完整经历：文献精读→模型创新→实验设计→论文写作！
把握好暑期科研机会，让我们用2个月时间，从科研小白到写出一篇高质量科技论文~