我的中文简历

童家博

北京邮电大学 / Queen Mary University of London
电话：（+86）15911063236    电子邮件：tongjiabo159@gmail.com

北京邮电大学 北京，中国

- 管理学学士 2025（预计）

Queen Mary University of London London, UK

- 工科学士 2025（预计）

中国科学院自动化研究所助理实习生

• 研究方向：主要参与计算机视觉（CV）与脉冲神经网络（SNN）方向的研究工作。
• CV：充分了解 Yolo系列与 DETR系列模型的原理与架构，拥有良好的代码能力，能够熟练编写和优化相关代码。对传统模型架构有一定的自我见解。
• SNN：熟练掌握 LIF、IF原理和利用代替函数进行反向传播训练的方法，能清晰地认识 SNN模型架构的优势与局限。理解 SNN 和 ANN（人工神经网络）在代码和训练层面的区别，拥有在 Pytorch 和 SpikingJelly 框架下的相关开发和模型训练的经验。
• 论文调研能力：针对 Transformer 结构的 SNN化进行过完整的调研分析。
• 代码能力：熟练使用 Linux 服务器进行模型开发及训练。在 CIFIA_100 数据集上训练过 MS-ResNet模型；参与利用知识蒸馏方法将 BERT转向 SNN架构的代码调整；独立完成 RT_DETR模型向 SNN架构转变；参与完成 YoloV3 模型的 SNN化以及自注意力机制的加入。

北京邮电大学助理实习生

• 掌握了基础的研究技巧，深入研究计算机网络与人工智能方面的相关论文，打下科学知识基础，培养了基本的科学思维和论文撰写方法。理解了网络通信架构发展的核心原理，并对网络通信实验有了深入的了解。
• 使用 C 语言帮助封装 Ipv6 网络波动测试实验的代码，并协助组织相关实验。协助设计了Q learning在 SDN方向的应用，帮助调整模型代码和训练模型。

麻省理工学院（线上）

• 学习监督和非监督机器学习算法，例如线性回归、逻辑回归、决策树、支持向量机、人工神经网络。
• 海上商品预测：利用全球 AIS数据集，应用决策树算法预测能源货船运输的商品，使用船只的起点、终点和吃水深度等细节。对 2010-2015 年的数据集取得了 73%的预测准确率。如果允许更复杂的决策或是更多的数据，我对进一步提高模型预测准确率充满信心。
• 抵押贷款决策分析：使用 Fannie Mae 和 Freddie MAC 的 600,000 个抵押贷款样本数据集（2000-2006 年），结合圣路易斯联邦储备银行的利率指标。运用逻辑回归进行单身户 30年期固定利率抵押贷款的发放决策，实现了 88%的决策准确率。取得了团队最好的混淆矩阵结果：96%的召回率和 93%的精确率。

中国科学院自动化研究所

• MS-ResNet网络首次允许对基于 SNN 的深度模型进行超过 32 层的训练，而没有退化或梯度爆炸问题。我在 CIFAR-100 数据集上对 MS-ResNet 网络架构进行辅助确认训练，基于 SNN的批量大小为 128的 Resnet-108模型的平均损失为 5%，超过了之前的训练记录。

中国科学院自动化研究所

• RT_DETR 标志着 DETR 系列首次具备了实时处理能力。通过深入分析模型的整体架构，我对其中新引入的 AIFI 和 CCFM 模块进行了改进，改进采用了 SNN（脉冲神经网络）模式处理数据和计算，这种改进同样适用于模型解码器部分采用的 Deformable Self-Attention机制，对比实验分析已完成。据我们所知，这是 DETR 系列中首次尝试引入 SNN模式。

中国科学院自动化研究所

• 本项目是在 EMS_Yolo（即 YoloV3 的 SNN 版本）的基础上建立的。在处理跨尺度特征融合的步骤中，我引入了 SA（自注意力）机制以增强对图像全局位置的建模能力，所有这些步骤均采用了 SNN 版本进行实现。我们以 EMS_Yolo 为基准进行了对比试验。在使用 SNN版本的 Resnet18作为 Backbone 的情况下模型的表现达到 SOTA。