陈晋，英国伦敦开发人员
Chen is available for hire
Hire Chen

Chen Jin

Verified Expert  in Engineering

Computer Vision Developer

Location
London, United Kingdom
Toptal Member Since
June 30, 2022

Jin在医学领域的深度学习和计算机视觉方法开发方面拥有多学科经验, auto-piloting, and geospatial image sectors, with works published at ICLR, NeurIPS, and MICCAI. 他开发了数据和计算效率高的机器学习方法，用于预算计算机视觉任务，如分割, detection, classification, super-resolution, GAN, and 3D reconstruction. Jin还擅长多模态自监督表示学习、图像生成和映射.

Signal ProcessingComputer VisionMachine LearningArtificial Intelligence (AI)Deep LearningAlgorithmsBatchPythonJupyterLinuxPyTorchCloudMATLABTensorFlowCChemical EngineeringGPT-3Prompt EngineeringImageJ

Portfolio

University College London
Python, PyTorch, MATLAB, R, TensorFlow, Jupyter, Keras, Linux, Cloud, Cluster...
University College London
Python, PyTorch, MATLAB, R, TensorFlow, Jupyter, Keras, Linux, Cloud, Cluster...
University College London
Python, PyTorch, R, MATLAB，算法，人工智能(AI)...

Experience

Machine Learning - 5 yearsDeep Learning - 5 yearsArtificial Intelligence (AI) - 5 yearsComputer Vision - 5 yearsPython - 5 yearsPyTorch - 4 years通用人工智能(AGI) - 2年

Availability

Part-time

Preferred Environment

Python, PyTorch

The most amazing...

...我开发的方法是用于分割的自适应降采样, 它提高了10%的精度，同时比SoTA节省了90%的计算.

Work Experience

多模态学习与图像生成研究员

2021 - PRESENT
University College London
  • 开发了一种多模态多尺度mri组织学文本自监督表示学习方法，首次绕过了使用昂贵且具有破坏性的组织学图像的需要.
  • 创建了一个跨模态尺度的mri -组织学-文本图像生成和映射(高档1),000 times) method for explainable AI.
  • 开发了一个基于gradient API的交互式web UI来展示注册的跨模态图像补丁.
  • 共同开发了一种分割方法中的解缠阅读器间变异性，并在MICCAI/NeurIPS 2020上发表.
Technologies: Python, PyTorch, MATLAB, R, TensorFlow, Jupyter, Keras, Linux, Cloud, Cluster, ImageJ, Batch, Computer Vision, Machine Learning, Artificial Intelligence (AI), Image Processing, Medical Imaging, 3D Image Processing, Deep Learning, Docker, GPT, Natural Language Processing (NLP), Generative Pre-trained Transformers (GPT), Algorithms, Data Science, Computer Vision Algorithms, User Interface (UI), Web UI, Gradio, Convolutional Neural Networks (CNN), Health, Signal Processing, Models

Researcher

2019 - 2022
University College London
  • 开发了一种基于注意力的可变形下采样方法，用于低成本分割的端到端优化, 提高了10%的精度，同时比SoTA节省了90%的计算, 并在ICLR 2022上发表了一篇论文.
  • 创建了一个基于注意力的可学习的“补丁加载程序”，以在每个位置采样最佳尺寸分辨率权衡配置，以获得最佳分割精度, achieved SoTA, 并在MICCAI 2020上发表了一篇论文.
  • 参与了三次超高分辨率图像分割挑战, 开发和部署各种SoTA方法, 进入了所有挑战的前10%.
  • 对高分辨率十亿像素图像进行高效分割.
Technologies: Python, PyTorch, MATLAB, R, TensorFlow, Jupyter, Keras, Linux, Cloud, Cluster, ImageJ, Batch, Computer Vision, Machine Learning, Artificial Intelligence (AI), Image Processing, Medical Imaging, 3D Image Processing, Deep Learning, Docker, Natural Language Processing (NLP), GPT, Generative Pre-trained Transformers (GPT), Team Leadership, Algorithms, Data Science, Computer Vision Algorithms, Convolutional Neural Networks (CNN), Health, Signal Processing, Models

Researcher

2020 - 2021
University College London
  • 共同开发了在MIDL 2022和MICCAI 2022上发表的半监督伪标记方法.
  • 利用深度学习为癌症成像做出了贡献. 开发了一种用于廉价MRI单模态推理的自监督表示学习方法.
  • 主持MedICSS 2021暑期学校项目，教授为期一周的细分深度学习课程, including theory and coding, led a team of seven researchers, 在14个团队中获得项目前三名.
Technologies: Python, PyTorch, R, MATLAB，算法，人工智能(AI), Deep Learning, Data Science, Computer Vision Algorithms, Convolutional Neural Networks (CNN), Health, Signal Processing, Models

Developer and Supervisor

2019 - 2021
University College London
  • 指导一名博士生进行组织图像分类的深度多实例学习, 谁的最新作品提交给了期刊.
  • 监督并支持两名硕士学生对组织学图像进行基于cnn的分割和检测. One obtained distinctions.
  • 开发了一种多尺度循环超分辨方法. 指导并提供技术支持两名硕士学生使用基于CNN和gan的方法进行超分辨率研究. Both obtained distinctions.
Technologies: Python, PyTorch, Jupyter, Team Leadership, Algorithms, Artificial Intelligence (AI), Deep Learning, Data Science, Object Detection, Computer Vision Algorithms, Object Tracking, Convolutional Neural Networks (CNN), Health, Signal Processing, Models

Research Associate

2017 - 2018
Heriot-Watt University
  • 担任研究助理，研究方向为计算地球科学和多孔介质三维建模.
  • 开发了一种基于滤波器组的弱监督迭代卷积网络, AdaBoost, and auto-context, 提高细线状裂缝的分段连通性. 它在2016年和2018年的会议上提出.
  • 对CT和SEM图像的配准和多尺度数据融合做出了贡献，并在有邻近“patch”条件的情况下，利用多点统计方法指导三维孔隙结构重建."
  • 开发了一种基于随机森林的基于斑块的岩石模式自动分类程序.
  • 完成了大尺度油藏多相流的建模和数值模拟，并向业界进行了介绍.
Technologies: MATLAB, C, C++, JavaScript, Batch, ImageJ, ParaView, Cinema 4D, Computer Vision, Machine Learning, Artificial Intelligence (AI), Image Processing, 3D Image Processing, Algorithms, Data Science, Computer Vision Algorithms, Geology, Signal Processing, Models

Engineering Intern

2013 - 2014
Canadian Natural Resources Limited (CNRL)
  • 基于Eclipse建立油藏流体流动模拟模型.
  • 通过模拟研究了各种地质层状构造的影响.
  • 对南niinian地区的层位分布和潜在储层进行了分析，并将其提交给开发团队，帮助制定了价值数百万美元的钻井决策.
Technologies: Eclipse, Models

超高分辨率图像的下采样分割

http://lxasqjc.github.io/learn-downsample.github.io/
我们介绍了一种学习缩小高分辨率图像用于分割任务的方法. 主要动机是使采样预算适应分割像素或区域的难度. 我们表明，学习空间变化的下采样策略与分割相结合，在有限的计算预算下分割大型图像时具有优势.

作为主要作者，我全权负责开发工作. This work was published at ICLR 2022.

百万像素组织学图像的注视点分割

http://chenjin.netlify.app/publication/foveation/
分割超高分辨率图像通常需要在视场(FoV) -空间覆盖-和图像分辨率之间权衡补丁配置的经验决策. We introduced the foveation module, a jointly learnable data loader which, for a given ultra-high resolution image, 在图像的每个空间位置，自适应地选择适当的输入patch配置(视场或分辨率权衡)馈送到下游分割模型.

这项工作发表在MICCAI 2020上，我是监督开发的主要作者.

超高分辨率图像的注视点分割

http://chenjin.netlify.app/publication/foveation_ultrahigh/
在MICCAI 2020之前的创新工作之上, in this extended version, 我们进一步在每个位置引入了计算效率更高的fov分辨率补丁配置硬门分类采样，并提供了两个可微解. 我们演示了三个远景基准的一般适用性, including Cityscapes autopilot images, DeepGlobe aerial images, and Gleason2019 histopathology images.

作为监督整个开发过程的主要作者，我在Arxiv上发表了这项工作.

多模态，多尺度，多任务表示学习，图像生成和映射

ROLE AND RESPONSIBILITIES
•开发了一种自我监督的MR组织学文本表示学习方法, 目标是廉价的MRI单模态推断.
•创建了跨模态尺度的MRI组织学图像生成和映射(升级1),000 times) for explainable AI.
•基于Gradio API开发交互式web UI，展示注册的跨模态图像补丁.
•解开了分割中读者间的可变性，并共同撰写了MICCAI/NeurIPS 2020出版物.

癌症成像分析的分割、分类、检测、超分辨率和GAN

ROLE AND RESPONSIBILITIES

•指导一名博士生进行深度多实例学习(MIL)，用于大图像分类并提交给期刊.
•监督两个硕士项目，执行基于cnn的组织学图像分割和检测.
•开发和监督两个基于CNN和gan方法的超分辨率硕士项目.

多尺度模态图像融合、重建和流体模拟

ROLE AND RESPONSIBILITIES

•开发了基于滤波器组的弱监督迭代卷积网络, AdaBoost, 自动上下文，提高细线状裂缝的分段连通性. 它在2016年的会议上展出，并在2018年以海报的形式展示.
• Conducted CT and SEM image registration, multiscale data fusion, 并利用多点统计方法指导三维孔隙结构重建, conditional to neighboring "patch."
•开发了一种基于随机森林的自动斑块岩石模式分类程序.
•对大型油藏多相流进行了建模和数值模拟，并提交给业界.

医学图像分析挑战- Gleason19

http://gleason2019.grand-challenge.org/
ROLE AND RESPONSIBILITIES

•编写R脚本，将六个专家的像素注释合并为一个.
•开发和训练深度学习模型，用于超高分辨率组织病理学组织微阵列(TMA)图像的前列腺癌分割和分类Gleason分级.
•根据任务要求开发在测试数据集上运行的评估代码，并提交给竞赛. Entered the top ten on the leaderboard.

医学图像分析挑战赛- DigestPath2019

http://digestpath2019.grand-challenge.org/
ROLE AND RESPONSIBILITY

•开发并训练了一个用于超高分辨率组织学图像分割和分类的分割模型.
•处理超高分辨率组织学图像的预处理成适合深度学习模型的成对补丁.
•开发评估代码，并将其打包在Docker容器中提交.

地理空间图像分析挑战-远程人工智能

ROLE AND RESPONSIBILITY

•包括遥感图像数据清洗和预处理.
•部署各种细分模型，以平衡性能效率, such as U-Net, MobileNet, and HR-Net.
•实现各种优化技巧，以提高性能, such as augmentation and regularization.
•根据组织者的测试要求开发测试代码和测试包.
•进入决赛(前10%).

Reservoir Simulation Based on Eclipse

对两相(水/油)油藏进行了模拟. 这些模型有规则和不规则的形状，井位于相对的角落，以模拟四分之一的五个点模式的生产. Providing reservoir properties, history matching, 用Eclipse模拟水/油驱替.

Languages

Python, Batch, C, R, C++, JavaScript

Libraries/APIs

PyTorch, TensorFlow, Keras

Tools

木星，集群，ImageJ, TensorBoard, MATLAB, ParaView, Cinema 4D

Platforms

Linux, Docker, Eclipse

Other

Computer Vision, Machine Learning, Artificial Intelligence (AI), Image Processing, Deep Learning, Algorithms, Computer Vision Algorithms, Convolutional Neural Networks (CNN), Health, Signal Processing, Models, Cloud, 3D Image Processing, Artificial General Intelligence (AGI), Team Leadership, Object Detection, Object Tracking, Geology, Simulations, Medical Imaging, Satellite Images, Data Representation, Natural Language Processing (NLP), User Interface (UI), Web UI, Gradio, Engineering, Formation Evaluation, Economics, Test Analysis, Calculus, Linear Algebra, Chemical Engineering, Hydrology, Fluid Dynamics, Civil Engineering, Oil & 采购产品天然气，管道，存储，GPT，生成预训练变压器(GPT)，提示工程

Paradigms

Data Science

Industry Expertise

Petroleum Engineering

2013 - 2017

石油工程-计算地球科学博士

赫瑞瓦特大学-英国苏格兰爱丁堡

2011 - 2012

Master's Degree in Petroleum Engineering

赫瑞瓦特大学-英国苏格兰爱丁堡

2007 - 2011

石油工程学士学位

中国石油大学(青岛

AUGUST 2018 - PRESENT

CS231n: Deep Learning for Computer Vision

Stanford University

JUNE 2018 - PRESENT

CS221人工智能:原理与技术

Stanford University

Collaboration That Works

How to Work with Toptal

在数小时内，而不是数周或数月，我们的网络将为您直接匹配全球行业专家.

1

Share your needs

在与Toptal领域专家的电话中讨论您的需求并细化您的范围.
2

Choose your talent

在24小时内获得专业匹配人才的简短列表，以进行审查，面试和选择.
3

Start your risk-free talent trial

与你选择的人才一起工作，试用最多两周. Pay only if you decide to hire them.

Top talent is in high demand.

Start hiring