本课程围绕“基于深度学习的干眼症检测算法”项目展开，面向计算机考研复试、保研面试，帮助同学掌握一个完整的图像AI项目。
项目基于Placido环泪膜成像，通过深度学习方法完成眼部图像分类、目标检测和病变区域分割，最终辅助判断干眼症的病变位置和严重程度。
本项目适合写入考研复试简历、保研申请材料和科研项目经历中。
通过本课程，学生不仅能了解项目流程，还能学会如何在面试中向导师讲清楚项目背景、技术路线、模型结构、实验结果和个人工作内容。
课程涉及的主要技术包括：
深度学习、卷积神经网络CNN、医学图像处理、视频帧裁剪、图像分类、目标检测、图像分割、多任务学习、轻量化网络、特征提取、特征融合、模型调参、对比实验和消融实验。
第一，学习干眼症检测的医学背景，理解Placido环成像、泪膜破裂时间BUT和破裂面积等核心概念。
第二，学习图像分类任务，将眼部图像帧划分为Close、Clear、Blur、Broken等类别，筛选有效检测图像。
第三，学习目标检测任务，掌握如何标注并检测outside、middle、inside等关键区域。
第四，学习图像分割任务，掌握如何分割泪膜破裂区域，定位干眼症病变位置。
第五，学习多任务视觉模型LMV的整体架构，包括Backbone骨干网络、Head头部网络、浅层特征、中层特征、深层特征和特征融合。
课程将带你接触和理解多种经典深度学习模型，包括：
ResNet、MobileNet、SqueezeNet、ShuffleNet、GhostNet、UNet、PSPNet、DeepLab、Mask R-CNN、YOLO等。
课程会讲解项目中的实验分析方法，包括模型对比实验、轻量化实验、调参实验和消融实验。
将学习如何理解和解释Params、FLOPs、Latency、Precision、Recall、mAP、F1-score、mIoU等常见实验指标。
掌握一个完整的深度学习医学图像项目；
理解图像分类、目标检测、图像分割三大视觉任务；
看懂并解释常见模型结构和实验指标；
掌握YOLO、ResNet、MobileNet、GhostNet、UNet、DeepLab等模型的基本应用；
学会如何进行项目调参、模型对比和实验分析；
能够将项目整理成适合考研复试和保研面试的简历项目；
能够围绕项目背景、技术路线、实验结果和个人贡献回答导师追问。
本课程适合计算机、软件工程、人工智能、电子信息、数据科学等相关专业的考研复试同学、保研面试同学，以及希望补充深度学习、计算机视觉、图像项目经历的本科生。
如果缺少一个拿得出手的科研项目，或者担心复试、保研面试中项目经历不够有竞争力，本课程可以帮助你系统掌握一个具有AI背景、深度学习技术栈和完整实验支撑的高质量项目。
学完后，你获得的不只是一个项目名称，而是一套可以写进简历、讲进复试、应对导师追问的项目表达体系。
项目名称：基于轻量级多任务视觉网络的干眼症检测与病变区域分割
项目描述：
本项目面向干眼症辅助诊断场景，基于Placido环泪膜成像数据，构建轻量级多任务视觉模型，实现眼部图像分类、关键区域检测和泪膜破裂区域分割，用于辅助判断干眼症病变位置和严重程度。
研究内容：
录播视频课：预计 6 节，2026年7月底完结
直播复试指导、答疑押题：预计 1 节，面试前1月左右