MD AYNUL ISLAM（叶子）

个人简介

一位热衷于学习的求索者，决心在每一次机遇与挑战中不断成长与进步。作为一名计算机科学研究员，热衷于通过计算机视觉、医学图像分析、深度学习和视觉语言模型推动人工智能的发展。具备开发和评估用于目标检测、图像分割、异常检测和实时智能系统的深度学习架构的经验。研究经历涵盖中国科学技术大学（USTC）和西南科技大学，并在同行评审的学术会议上发表多篇论文。在科研之外，热爱志愿服务，喜欢板球和足球运动，阅读文章和案例分析，与同伴头脑风暴新的人工智能想法，并乐于与那些对各自领域充满热情的人交流。

研究方向

计算机视觉；医学图像分析；深度学习；视觉语言模型；医学图像分割；电子健康记录（EHR）；强化学习。

研究经历

教育背景

代表性论文

1. 基于Swin-YOLOv11的自动驾驶边缘云协同系统 （IEEE 电力驱动与电力电子预测控制国际会议）

   开发了一个基于Swin-YOLOv11的边缘云协同目标检测框架，以提高自动驾驶应用的检测精度和计算效率。

2. HyperSeg-DG：面向域泛化医学图像分割的多尺度超特征上下文 （Bioinformatics (CCF-A)，由国家自然科学基金 (62502491) 和中国科学技术大学软件青年基金 (YN2260080011) 资助）

   开发了一个超图增强的自适应视觉感知框架，用于改善在域偏移、低照度、低对比度和模糊解剖边界条件下的医学图像分割。

3. Mamba Nested U-KAN：基于区域注意力和KAN增强的U-Net++医学图像分割 （审稿中 — ACM Transactions on Computing for Healthcare）

   提出了一种结合Mamba、Kolmogorov-Arnold Networks (KAN)、区域注意力和U-Net++的分割架构，以解决模糊的前景-背景边界和具有挑战性的医学成像条件。

4. FAMA：面向泛化零样本/少样本医学异常检测的频率感知多层次视觉语言模型适配 （审稿中 — Bioinformatics）

   提出了频率感知的多层次视觉语言模型适配方法，通过像素级对齐、频率分解和双分支交叉注意力，在异常分类上提升了5.18%的AUC，在异常分割上提升了3.21%的AUC。

5. 基于量子神经网络和Kolmogorov-Arnold Networks的肺结节分类 （IEEE RAAICON 2025）

   研究了量子神经网络与Kolmogorov-Arnold Networks在肺结节分类中的集成应用。

6. YOLOv8与视觉Transformer集成：面向数字孪生的增强安全框架 （IEEE RAAICON 2025）

   开发了一个结合YOLOv8、视觉Transformer、DeepSORT、物联网数据和数字孪生的实时安全框架，用于人类活动和威胁检测，在Real-Life-Violence数据集上达到了93.77%的准确率和98.14%的精确率。

代表性项目

技术技能

深度学习与人工智能框架：PyTorch、TensorFlow、Keras、Transformers、BERT

人工智能技术：RAG、YOLO、Mamba、Kolmogorov-Arnold Networks、深度强化学习

开发工具：Git、GitHub、Anaconda、LaTeX、Microsoft Office

荣誉与奖项

• 2026届优秀毕业生 — 中国科学技术大学，表彰在研究生学习期间卓越的学术和研究表现。
• 2026年中国科学技术大学校庆大奖 — 中国科学技术大学创新创业学院，表彰开发USTC.AI项目。
• 2023年中国政府奖学金 — 授予在中国进行研究生学习。
• 西南科技大学专项奖学金 — 西南科技大学。
• 优秀学生奖 — 四川文化艺术学院，表彰在汉语学习中的优异表现。

语言能力