该项目为adas开发，我个人负责车道线检测算法开发，与网络模型融合工作以及在fpga上部署工作。 使用mobilenet主干网络，skipnet作为分割网络，实现了车道线的二值化分割，随后使用传统算法将二值化输出分割为独立车道线，并且使用卡尔曼滤波进行结果稳定。并且融合分割与检测网络至统一网络下，实现在塞林斯的某dpu开发版上20fps的计算速度。

2018.01-2018.06 独自阅读《realtimemulti-person2dhumanposeestimationusingpartaffinityfields》论文，并复现其中state1部分。 我们使用coco数据集，预处理是保持图片的scale进行resize，以黑色填充图片达到统一尺寸，使用tensorflow训练，numpy数据处理、并行计算生成label，pillow结果可视化。 效能分析, 由于运行效能的优化, 我们使用python 在1080ti gpu, e5 1245 cpu上测试, 达到平均 0.046s'图片 约21.7FPS的效能, 远高于作者8.8 FPS的效能, 但考虑到作者使用的gpu为 1080 语言为(matlab + c), 我们的效能仍然比作者更佳. 训练效果, 由于我们训练使用17个关键点, 多于作者3个关键点(双耳, 鼻子), 我们在五官的关键点检测上效果近乎完美, 但是于肢体的关键点部分效果一般, 离作者的效果有较大距离. 我们认为仍然有改进空间，包括使用更大的图片训练，以及使用更为复杂的主干网络（目前使用的是vgg net）， 代码地址： https://github.com/lsjws2008/realtime-multi-person-2d-pose-estimation-using-part-affinity-fields 我们在对于矩阵的并行运算上做到了非常完美的优化，远高于原作者的运行效率，但是与作者的差距在于后期处理，网络的输出近乎完美，而网络输出到最终结果这一部分的算法和作者有相当差距(非论文部分)。

该项目是本人与指导老师合作的一个项目，数据是PUBG这一款游戏提供，包括击杀数、治疗量、运动距离等28个特征以预测该队伍的排名， 我们主要做了数据归一化与特征筛选，我们排列组合式的删除一些特征，然后选取一个效果最佳的组合，网络架构就是重构了一个一维vgg net我们在最后的回归层使用了全连接层。虽然效果于整体竞赛排名并不佳，但是我们验证了一维vgg net确实有效。 验证了一维 vgg的可行性 项目链接: https://github.com/lsjws2008/kaggle_PUBG