基于深度学习的目标检测优化研究（实验室项目，独立负责）产品系统

面向遥感影像小目标检测场景，现有评估指标在特定检测器架构下存在适用性边界问题。本项目旨在通过受控实验验证该边界的存在与成因，为目标检测模型的指标选型和架构设计提供实验依据。项目基于公开遥感数据集，独立完成从数据预处理、模型训练到结果分析的完整流程。

1. 数据预处理模块：完成遥感影像数据集的格式转换、标注校验与类别对齐，处理1400+张训练图像与对应标注文件；
2. 模型训练模块：基于PyTorch实现目标检测模型的训练流程，支持25种受控实验配置的自动调度与断点续训；
3. 结果评估模块：实现分层AP评估、梯度方向分析、秩相关性分析等多种评估方法，自动生成实验对比图表与汇总报告；
4. 实验管理模块：支持多seed重复实验、实验结果自动归档与CSV/Markdown格式导出，确保实验可复现。

独立负责问题定位、实验设计、代码实现、结果分析与文档撰写。使用Python/PyTorch完成25组受控实验与6组多seed验证，在实验过程中独立发现现有评估指标在紧耦合检测器架构下的边界性问题，设计对比实验验证成因并提出四因素分析框架，相关成果已整理成论文（投稿中）。代码已开源至GitHub。