人工智能

军工识别项目: OpenMMLab 团队于 2022 年 9 月 1 日在世界人工智能大会发布了新一代训练引擎 MMEngine，它是一个用于训练深度学习模型的基础库。相比于 MMCV，它提供了更高级且通用的训练器、接口更加统一的开放架构以及可定制化程度更高的训练流程。 与此同时，MMCV 发布了 2.x 预发布版本，并将于 2023 年 1 月 1 日发布 2.x 正式版本。在 2.x 版本中，它删除了和训练流程相关的组件，并新增了数据变换模块。另外，从 2.x 版本开始，重命名包名 mmcv 为 mmcv-lite 以及 mmcv-full 为 mmcv。详情见兼容性文档。 MMCV 会同时维护 1.x 和 2.x 版本，详情见分支维护计划。

通过使用不用的模型在自然语言推理数据集上（SNLI和MultiNLI数据集）进行训练，对比不同模型的差异，以及探索数据集的有偏性

项目简介：针对顾客评价进行评价维度和观点抽取，以及细粒度的情感分析。 1. 项目分为四个部分： ① 数据准备：收集数据（API+爬虫）、数据ETL、确定标签的结构和层级、对数据进行标注（专业标注工具+培训后的标注员） ② 模型训练：使用预训练模型微调训练数据 ③ 模型精度：训练数据100W +，标签维度为180维 +，模型精度0.9以上 ④ 模型部署：将分类模型部署到生产环境（PC和移动端） 2. 项目价值：通过顾客评价提取产品的改善点，并可视化类别占比。持续监控相关指标，提升顾客满意度从70%到90%；提供产品改善建议到研发部，研发部处理后做标记处理，形成闭环，2022年第四季度，商品质量同比改善115%。 3. 我的角色：项目负责人+ 算法工程师

人工智能（AI）预测是一种使用AI技术来预测未来可能出现的事件或情况的方法。 AI预测可以使用数据挖掘、机器学习和深度学习等技术从大量数据中提取可以用来预测的特征。AI模型解释是一种有助于深入理解人工智能模型的技术，它能够解释AI模型的决策过程，使用者可以更好地理解其行为和决定，进而改进模型。

对2022年论文ConvNext网络进行复现，并且收集猴痘以及相似皮肤病的数据集，同时使用多种先进的网络，transformer和图神经网络进行测试，对比效果和性能差异。

项目简介： 通过假设在监测区域摄像头获取实时事故多发段道路信息，通过one-stage检测算法实现车流检测，并使用sort算法进行多目标跟踪，配合虚拟线圈完成目标框与检测线的碰撞检测，完成流量检测 责任描述：算法实现 1. 通过实地考察高速路段场景，车辆类型，车速等因素结合项目需求，进行技术选型和前期验证 2. 选择使用yolov3进行车辆检测，通过迁移学习，使用公司内部的数据集完成对模型的fine-tuning。使用DNN进行部署 3. 使用kalman滤波实现对目标框的修正并建立跟踪链，使用numba优化速度 4. 使用匈牙利算法完成目标框与检测框数据关联， 5. 使用SORT，根据IOU,Kalman，KM算法实现多目标跟踪 6. 通过模拟物理线圈的方式，进行碰撞检测来完成车流技术的功能

项目使用官方的YOLOv5算法代码，网上进行收集相关的数据集，修改整理并使用标注软件标注用于训练，训练完成实现对口罩的识别。

一个核酸检测机器，完成核酸检测的出管，同时具备扫描身份证，打印号码，具有UI界面，有一定的人机交互功能，为核酸检测人员带来极大的便利。

利用python的opencv实现识别魔方状态，其中包括空间和每个面的颜色，运用基础魔方算法，实现解法的计算，最后利用matplotlib的交互演示算法。

1、公司对外的AGV大屏展示网站，实现了对整体的agv动态监控及实时任务反馈，数据是模拟数据，独立开发 2、技术栈：vue全家桶+ECharts+dataV+cad绘图

使用目标检测算法识别目标物体，结合卡尔曼滤波和匈牙利算法进行后处理跟踪，实现多目标算法，并应用到四足机器人上，完成行人目标跟踪

自然语言处理模型bert存在着各向异性，通过对比学习可以有效缓解这种情况，通过实验训练，在多个数据集上验证了对比学习的有效性。

1、主要任务 1)搭建基于snort的网络入侵检测系统 2)通过模拟攻击行为对snort的入侵检测规则进行测试 2、具体要求 1)分析snort规则，针对常规检测规则构造模拟攻击数据。 2)在Linux环境下搭建基于snort的网络入侵检测系统。 3)构造和发送模拟攻击数据包，并自定义检测规则对其有效性进行验证。 4)针对tcp、icmp、udp协议的入侵行为进行仿真测试。

配送站站内作业架构升级 原退仓功能，没有单测试，属于历史遗留代码。充斥这个大量的 if else 缺乏业务语意，代码规范混乱维护成本极高，在此 基础上修改产出及低，故需要重构，重构后方案使用清晰，易维护 重构方案： 系统显性的定义产品方案，逆向收货单接单时通过相关属性判断使用那种解决方哪，在退仓作业时通过方哪种方案决定如何 创退仓单，如果打包，是否需要预约等 方案引入 liteflow 轻量级框架，通过强制定义 node 节点来开发出符合单一原则的组件，通过对 Node 编写单元测试，来 实现代码可测试能力 内容: 全物流，仓、CFC 、配送、运输 作业端定时上传蓝牙扫码到的温度信息，实现全链冷链温度跟踪。采集率达到 93% 1、项目新增了容器管理，用于容器与温度采集蓝牙设备的关系。 2、App 温度采集，由于作业端 APP 数据定时上报，将近1万 App 终端。每分钟就会产生 10 万条温度记录。对系统的存储 要求比较高，通过上报时间作为分表键进行分表。 3、 App 采集频率很高，当温度没有变化时记录大量的无用的数据，通过道格拉斯普克算法对历史数据进行抽稀 4、 作业端 APP 改

1. 项目分为数据收集和算法的开发与实现 2. 通过作者的不同翻译版本采集不同风格的文本数据 3. 在少量数据的情况下，利用MAML的元学习方法同时训练不同风格的相互转换 4. 论文在arXiv上

项目简介： 对摄像头采集到的数据进行处理，使用two-stage模型完成人脸检测，姿态检测，关键点识别，活体检测与人脸识别 责任描述：模型训练与部署 1. 对摄像头采集的视频进行处理,使用yolov3tiny完成人脸检测 2. 多任务：Backbone使用resnet34，完成关键点（wing-loss），人脸姿态（landmark-free直接回归欧拉角），性别（分类），年龄检测（回归） 3. 通过计算人眼关键点横纵比变化来进行活体检测 4. 人脸识别：backbone使用SeNet，头网络使用Arcface，使用BS架构。为了调高计算并行度，将原论文中的loss改为(FeatureMax @ W) 5. 优化人脸识别评估自动调参，FAR错误接受率低于十万分之一，FRR 51%，精准率55%（单张图片） 6. 优化人脸数据自动录入（姿态过滤，翻滚角修正，依据翻滚角进行仿射变换）

项目研究利用嵌入式、图像处理、温度传感器、距离补偿等技术，基于stm32和K210，通过摄像头获得图像，并提取人脸部特征，进行监测对比，通过深度学习，使用卷积神经网络训练分类模型，检测口罩佩戴的规范行为；同时，通过MLX90614温度传感器实时获取人体的温度，若体温不符合正常范围，给予提示，并利用通信模块，向监测者发送实时信息给予提醒。本人负责图像识别、深度学习、温度测量和嵌入式模块。

系统框架核心使用 TC264D微控制器作为主控制器，通过角速度环、角度环和速度环串联、转向环并联的PID 参数的适配控制研究，借助于飞轮在改变加速度过程时产生的反作用惯性力矩，使自行车机器人欠驱动系统能够渐近收敛于直立的静止平衡状态，车体倾角呈周期性变化，实现自行车机器人的直立自平衡，并具备一定的抗干扰能力。本人负责系统的软件设计，实现了自行车平稳快速的自动行驶。

项目使用官方的YOLOv5算法代码，网上进行收集相关的数据集，修改整理并使用标注软件标注用于训练，训练完成实现对鱼类的识别。

相较于传统的OLS面板方法给出的预测（R方约为0.06），机器学习方法可达到0.53的R方 若只考虑盈亏预测，则准确度可达80% 此外，机器学习模型可以将每个因子的多元异质效果可视化展示，给决策者提供更加丰富，稳健的信息 由于模型过大，无法上传，可以私信我获取预测模型~