机器深度学习

本任务主要用于统计高速路车流量和景区人流量。 •项目实现： ①.目标跟踪是目标检测的更高级用法，主要解决问题是能正确识别不同帧之间的同一个目标，而不是仅仅是同一类目标。 ②.使用yolov8分类器和DeepSort跟踪器识别车辆和行人并训练其ID； ③.MatchingCascade(级联)：对detection使用匈牙利算法找到最小成本的匹配，在每个连续的帧之间确定每个目标的ID； ④.卡尔曼滤波分预测阶段：根据系统的动态模型对系统当前状态进行预测，并预测系统状态的协方差(表示不确定性)，预测的结果作为下一更新阶段的输入；更新阶段：滤波器使用新的数据来修正预测结果。这里涉及到卡尔曼增益，决定如何在预测和实际检测之间去平衡，然后滤波器会更新状态估计和状态协方差； ⑤.马氏距离：实现代价矩阵门控的函数，使代价矩阵中的不可行条目无效。对每一个检测和跟踪的匹配计算马氏距(MahalanobisDistance)作为门控阈值，如果马氏距离大于预定阈值，说明该匹配不可行。

利⽤机器学习⾃动检测Hadoop中执⾏慢的节点、并且⾃动分析其根本原因。实验是基于6个异构的 Hadoop节点多轮分别运⾏不同类型，不同负载的任务。采集执⾏过程中的各种核⼼性能数据，CPU占⽤率、内存占⽤率、Job执⾏进度、硬盘负载、⽹络I/ O，利⽤机器学习检测数据的离散性，⾃动检测异常。对异常节点再次进⾏分析，对异常原因进⾏分类，然后训练⼀个基于 随机森林的模型。对实验组进⾏实验，最终实验 的结果精准率98%、准确率97%、误报率6%

本项目主要提供智能翻译功能的引擎。 实现原理是利用Transformer架构通过深度学习进行语言翻译。 和流行的大语言模型翻译的主要区别在于： 1.推理速度快，参数量小，可以在端侧实行推理 2.不像生成式模型大多只用了Transformer的解码器部分。此项目同时使用编码器和解码器，环顾整个句子的前后文字关系进行翻译，提高翻译准确度 本人主要对此项目的神经网络模型进行设计编写和优化。

项目包含图像处理模块、图像加载模块、参数控制模块、训练验证模块、模型导出模块…… 使用迁移学习、Pytorch、sklearn、混淆矩阵

基于人脸关键点框架获取到400+人脸3D关键点数据，并绘制到人脸上。 关键点数据覆盖：眼周、瞳孔、鼻子、额头、内外嘴唇…… MediaPipe

基于关键点提取框架获得人体30多个关键点坐标信息，选择向量夹角作为度量标准。提供10余种不良坐姿检测功能。 MediaPipe

一个基于BERT的意图（intent）和槽位（slots）联合预测模块。想法上实际与JoinBERT类似，利用 [CLS] token对应的last hidden state去预测整句话的intent，并利用句子tokens的last hidden states做序列标注，找出包含slot values的tokens。你可以自定义自己的意图和槽位标签，并提供自己的数据，通过下述流程训练自己的模型，并在JointIntentSlotDetector类中加载训练好的模型直接进行意图和槽值预测。

基于LangChain + 开源 LLM构建个人知识库，用 LangChain 对文档进行向量化，然后检索内容，在调用 LLM 对得到的内容进行总结输出

1.基于 Kubeflow 研发 AI 作业全生命周期产品，包括 MLOps Pipeline 、数据特征工程、制品元数据管理、模型训练及推理功能。 2.基础设施层面 GPU 算力共享、RDMA 拓扑感知、Fluid 对象存储加速、Volcano 多场景调度、AI 作业训练推理性能优化。 3.基于Ray、DeepSpeed分布式训练及推理工程实践实现大模型业务场景私有知识库、智能对话的产品功能。 4.打通 IoT 边缘计算集群 云端 基于 Python Web框架 KubeEdge 开发管理边缘计算节点、应用及设备，边缘路由、AI 模型及数据等功能。 边缘端 基于 Python TensorFlow 开发 AI 应用代码编译发布升级、数据上报、模型训练升级等功能。

1. 学生端APP图书阅读打分、学习任务、课程功能、直播功能、发现功能、学习报告、积分商城、卡牌、评级测试、加入学校、消息推送等功能规划； 2、带领团队从0开始搭建各端功能，APP版本在三年多的时间里由1.0版本迭代到3.7.0，用户数量累计达到80万；

作品的CSDN地址：https://blog.csdn.net/zhulong1984/article/details/89929718 视频实景地图 立体防控系统通过在空中俯看地面，结合视频标签独有的增强现实技术能对建筑物、道路、重点目标等进行语义化标注以及属性添加，整体效果就是一个实景地图，能给监控人员带来非常直观的临场感。 高低点联动的立体监控 立体防控系统通过高点摄像机掌握监控区域的整体情况，通过增强现实视频联动技术能调用监控区域周边的低点摄像机，从不同角度查看监控区域的视频。

当前越多越多的业务开始使用多模态大模型，尤其是视觉-语言预训练模型。在实际使用中，我们通常需要对预训练模型进行调优来适配实际的业务场景，而这需要大量的资源介入且费时费力，尤其是对视觉基座的调优在资源有限的情形下几乎是不可行的。本项目探索了在不调优视觉基座的前提下，仅通过对语言端进行调优并优化推理过程，实现语言增强的零样本多标签分类任务 (Zero-shot Multi-label Classification)。本项目为国际比赛获奖项目。

⚫ 开发了一个用于地震后建筑物的损坏等级的预测系统。通过搭建自编码器（Autoencoder，ANN），对数据中地理坐标数据进 行特征工程，提取并加强了地理特征。 ⚫ 基于集成方法构建并训练了由随机森林，XGBoost 和 LightGBM 构成的模型来做预测， 取得了最高F1-score 75.32%，位 列前30名。

自动完成发票查验，无需输入验证码，提供发票查验界面和webapi接口，方便于现有系统集成，查验速度2秒以内，可以免费体验，有任何需求和建议可以发给我。

本作品由本人完成，完成摔倒数据的设计，基于SVM机器学习方法进行摔倒检测，利用yolov5算法进行目标检测。并使用pyqt5设计了ui界面，可以实现视频和图片的摔倒检测。有需要基于python的qt5设计界面检测算法的，可以联系

引入mqtt消息队列、分库分表、ES等技术，解决高并发下海量数据存储与检索的技术难题 集成liveGBS流媒体服务，提供可视化 WEB 页面管理摄像头 集成电信aep平台数据

项目需求评审、工作量评估以及开发人员任务分配及进度管理 架构设计，模块重构，不同院校不同版本慕课的模块迁移和整合开发 部分模块解耦，独立设计部分模块，以适应不同学校的需求 核心业务模块逻辑优化，第三方接口对接优化 数据库查询性能优化，接口响应时间优化 线上问题排查解决，项目优化迭代跟进

架构设计。基础框架搭建，springboot+dubbo微服务架构 第三方底层框架集成。包括万科项目底层组件，云信直播、视频SDK 第三方业务系统集成。海尔单点登录集成，海尔用户中心注册、修改用户接口集成，对接海尔 COSMOPlat支付接口，对接海尔消息平台（短信），七鱼客服系统集成 核心业务模块。包括在线学习、直播、点播观看和管理，订单模块，支付模块 后台模块。包括用户管理，集团组织机构管理，用户权限（shiro），直播点播统计（ELK） 推流助手二次开发（c++）。对推流助手UI进行调整，添加了类似清晰度、直播暂停、恢复等功能 海尔COSMOPlat项目部署，基于k8s平台的docker镜像部署 基于pytorch开发、训练的AI搜索助手

项目主要是分为前端、后端和算法三个模块，我主要负责算法部分 1、对挥手求助等2D图像进行yolo目标检测，对跌到等3D视频流进行C3D检测，然后将检测出的异常行为类型给于对应标签，再与其他相关信息一起传给后端进行存储 2、其中对算法也进行改进，例如C3D加入视频流缓冲池等，基于项目需求进行改进 3、算法的识别精度高、系统运行的流畅度好

项目主要是在DETR系列目标检测算法的基础上进行改进的，将其与多模态模型进行融合，将单模态目标检测算法改进为多模态目标检测算法，实现检测能力和识别能力上的提升。