在担任本科研究助理期间，我做了大量关于强化学习和计算机视觉的研究。
其中，已收集到三个具有公开代码的项目。
强化学习 · 图神经网络
2018.09–2021.06 · 本科生研究助理路径搜索示例
我实现了基于图模型的 TSP 搜索程序，通过强化学习选择下一个插入路径的城市。
基于参考论文中的图表示和Q学习思想，我实现了连接TSP环境、模型、学习循环和插入规则的实验代码。
我编写了一个搜索程序：把城市的位置、距离和访问状态作为图输入，并用插入启发式把模型选出的城市加入路线。用公开代码与基线进行对比实验时，我也找出了学习未能正常起作用的原因。
计算机视觉 · 图像分类
2021·本科生研究生Fashion-MNIST 预测示例
我训练了将 K-Fashion 服装照片分为连衣裙、外套、裤子和上衣的模型，并分析了各类别的错误。
使用 ResNet50V2 和特定类别的采样和评估流程实现了服装分类训练代码，并使用混淆矩阵分析了误分类情况。
搭建了将 K-Fashion 照片分为连衣裙、外套、裤子和上衣的训练与分析流程。之后在公开数据集 Fashion-MNIST 上逐一调整设置，分别确认了数据增强和捷径连接对预测的影响。
计算机视觉 · 虚拟穿戴
2021·本科生研究生姿态/人体解析预处理示例
我实现了 Android 应用与服务器之间的流程：用户选择人物照片和服装后，服务器返回虚拟试衣图像。
已配置虚拟穿戴模型所需的输入预处理和服装遮罩，并将 Flask 上传 API 与 Kotlin 和 Retrofit Android 客户端连接起来。
我创建了一个集成工作流程，该流程接收人像照片和选定的服装，进行预处理，生成服装搭配图像，并将结果返回给应用程序。生成模型以及姿态和身体解析模型均已复用，而直接实现的部分包括输入配置、掩码处理以及服务器和应用程序之间的连接。
表征学习和误差，是我本科研究期间感兴趣的主题。分析
如今已扩展到三维形状数据的加工特征识别和 CAD/CAM 自动化。
