模型推理模块：CheXNet剪枝+轻量化骨干+混合精度+算子融合的加速推理引擎，输出14类胸部病变概率。可解释性模块：基于Grad-CAM生成病灶热力图，叠加原图输出可视化结果。报告生成模块：根据分类结果与热力图定位信息，自动生成结构化诊断报告（病变名称、置信度、病灶区域描述）。前后端分离诊断系统：

精选优质提示词，一站式交易平台。买家按需购买AI提示词，即买即用，提升创作与工作效率；卖家一键上架，知识变现。严格审核保障质量，安全支付护航交易，让好提示词创造真实价值。

技术架构：基于Python、PyTorch和YOLO构建目标检测算法框架，结合OpenCV实现图像与视频处理，利用CUDAGPU加速模型训练及推理。数据处理：负责图像数据整理、目标边界框标注、数据集划分及数据增强，采用随机缩放、翻转、颜色扰动等方式提高训练数据多样性。模型开发：基于YOLO系列目标检

本人负责医学图像分割算法设计、数据预处理、深度学习模型开发、训练优化、实验评估及结果分析等核心工作。技术架构：基于Python、PyTorch、MONAI构建医学图像分割框架，结合OpenCV、NumPy实现图像处理，使用CUDAGPU加速模型训练与推理。数据处理：完成医学图像读取、尺寸统一、归一化

本系统针对大模型餐饮问答虚构餐厅、上下文膨胀、工具难复用等痛点，基于A2A+MCP协议搭建多Agent架构，支持找餐厅、查菜品、在线订座等7类业务意图。构建MySQL餐饮知识库，结合Overpass爬虫采集2000+真实餐厅POI，采用静态知识库与实时API双通道，有效抑制模型幻觉。通过中心化路由调

项目名称：基于PyTorch的深度学习视觉智能分析系统项目介绍：本项目围绕计算机视觉与深度学习技术，设计并开发智能视觉分析系统，支持图像分类、目标检测、语义分割等核心算法任务，可面向不同业务场景进行模型定制、训练优化与推理部署。核心技术：深度学习框架：PyTorch、TorchVision计算机视觉

**基础工程已确认的能力：**提供用于开发大模型应用的交互界面，将工作流、RAG知识检索、智能体能力和模型管理纳入同一平台。用户可围绕业务需求组织应用流程，结合知识检索与模型能力构建应用，便于集中理解和维护各个环节。**特色方向：**现有工程资料涉及智能体工作流及Multi-AgentUI联调，可作

通过自上而下的特征融合与横向连接，FPN能够将深层的语义信息与浅层的高分辨率细节信息有机结合。这一策略既能有效管理计算资源，避免显存过载，又能保证在特征提取过程中不丢失微小缺陷的关键纹理与形状信息，实现精准捕捉。

基于ApifyActor实现TikTok、Instagram热门视频采集，完成字段归一化、去重入库、热度分计算及手动/定时同步；接入Kimi视频理解与ASR语音识别（whisper-large-v3），通过FFmpeg抽帧、提取音轨，实现热门原因分析、上升原因分析与视频内容理解；实现AI素材图生成链

1、Commercial
Plan
在单品+⽉/周维度导⼊销售⾦额计划2、⽀持时间维度的拆解，最终⽣成单品+天维度的销售⾦额计划3、⽀持根据⾦额计划和件单价换算数量计划4、⽀持指标在不同维度的展⽰和对⽐5、维护参与forecast的品类范围6、维护peak
forecast中使⽤的sub_cat组即