机器深度学习

985研0，本科期间长期在实验室参加比赛（获得过RoboMaster、中国机器人大赛，中国大学生计算机设计大赛等等国家级奖项），擅长计算机视觉、深度学习（图像分类，目标检测方向为主）。擅长基于机器学习的分类、回归任务，基于Opencv的图像预处理，传统目标检测算法，简单的QT界面设计，包括python版本的PYQT，c++版本的QT界面设计，以及基于深度学习的目标检测算法，基于paddlepaddle、pytorch等深度学习框架的目标检测算法实现或github项目复现，加讲解。

熟悉文生图各类扩散模型底层结构，采用开源扩散模型，优化提示等方法，针对特定需求进行提示优化，进行文生图调优，以得到最终想要的图片内容和图片风格。

【1】用百川、千问等国内优秀大语言模型测试特定领域知识问答效果，并引入检索增强提升问答准确率 【2】针对特定领域结合传统小模型完成文件拆解、分类等需求，分类准确率高达92%+。

【1】论文研究深度学习中弱监督问题，发表在CCF-A会议Neurips2020，被引用次数50+，https://arxiv.org/abs/1906.00642 【2】我主要负责其中算法设计，代码实现，实验对比测试、论文撰写等方面。

对多模态的脑影像进行预处理和指标的提取，基于机器学习完成了脑部疾病的分类。在此过程中，全权负责所有模型及预处理的过程，负责代码部分

基于深度学习中的卷积神经网络实现医学影像分割，并发表到Q1的SCI。在此部分中全权负责影像的分析及文章的撰写

这个项目与奶粉罐那个相似，属于不同的应用场景。 不同在于，图片的获取方式不同，处理方式不同，以及结果处理方式不同。 项目难点：餐盒需要segment，来确保异物在餐盒之上，而不是周围环境

使用深度学习实现神经辐射场的训练、渲染，增加编辑模块，可以实现自由的车辆、行人编辑功能。实现了很高的数值评价指标。

1、主要实现长时间序列的预测任务 2、使用技术有时间序列分解，深度学习卷积神经网络，Transformer。 3、难点是如何捕捉长时间序列的前后相关性，然后达到很好的预测效果。

使用神经网络(LSTM)对样本存取频率进行预测，预测出未来哪些样本的存取频率高，并将其存放在离机械臂近的地方。 算法：长短期记忆网络（LSTM） 使用Pyside2来开发界面，使用Python语言编写 采用mysql数据库

实施了针对不同电梯信号类型的数据预处理，降噪，特征工程。 构建并优化了基于 CNN与 LSTM的 Autoencoder 无监督模型以及 LSTM与CNN结合的有监督模型，专门用于学习和检测异常信号。 参与了模型的网络架构优化、超参数调整、训练、测试，以及模型的压缩与加速过程。 难度在于正负样本极度不平衡，且容易过拟合产生误报

图像分割,使用上下采样构建模型,用三重损失指引模型梯度下降,用到的技术有cnn,残差网络,se模块,逐点卷积切换通道的技术,关键在于特征提取，牙齿属于精细化的输出,不是仅仅iou,dice高,能够看到分割的细节,彩色 图的分割，属于分割前景和背景,能够相当好的区分前景和背景

负责核心技术平台架构和技术预研，带领团队改造并完成内容数据平台和信息流分发平台，Feed流的智能化推荐、会员增值服务，车型库等基础技术平台建设和部署，支撑亿级用户高并发访问。

知名的社交内容推荐类项目，搭建数据，内容平台等对外提供社交内容服务： 2.1 图像处理包括图像内容识别，分类，算法包括FM ,GBDT ,XGboost , CNN ,DNN，DSMM等等。 2.2.内容推荐包括数据采集，特征处理，数据建模，内容推荐等。算法包括LR，GBDT，CDF，Bert ,GRU，CNN，DNN等等。

1、账号买卖的时候总是需要截图啥的，于是写了一个自动截图程序。可以一键自动截取账号内所有的需要的图片。 2、支持自动更换账号，截图保存上传服务端等等。 3、完美配合账号商家的账号状态同步。

大模型有较强的语义理解能力、常识推理能力，任务规划能力，但在面向特定领域时，存在以下挑战： 领域知识匮乏 • 领域应用的本质是复杂决策。通用大模型具备宽 广的知识底座，具有宽度有余但深度不足，无法 直接胜任复杂任务。 大模型的“幻觉”问题 • 没有依据的答案，通过简单类比得出错 误答案，在企业内，需要确保领域问题 的准确性。 数据和知识过时，难更新 • LLM的知识很容易过时，很难更新；难以保证数 据的完整性，容易形成错误回答，或者无法回答。 对于给定信息的“忠实度” • 在领域任务中，我们需要大模型遵循特定领域的规范、制 度、流程和知识进行回答。然而，如果没有进行适当的调 优，大模型往往会抛开给定的文档或信息，而倾向于利用 已习得的通用知识进行自由发挥。飘逸的创造发挥与忠实 的事实陈述是一对难以调和的矛盾。 不可解释 • 生成的答案是否有依据？为什么是A而不是B？

大华视频会议终端设备，视频会议系统 个人负责终端ROM定制开发，底层驱动到中间层，系统有Android版本，也有Linux版本，会议白板，音频定制开发等

项⽬描述:病⼈通过本公司单导联进⾏⼼电图的测试并传到本公司指定app中进⾏⼼率变异性分析与房颤检测，使得病⼈可 以在家中提前进⾏有效筛查，提⾼病情筛查的时速性 项⽬职责： 1、通过keras搭建以RNN、CNN为基础的多个⾃定义神经⽹络进⾏R锋定位与房颤检测，⽹络中结合了ResNet、SEnet、 vgg等通⽤⽹络结构优点 2、将不同格式的数据通过，重采样、标准化等预处理进⾏统⼀，并通滤波去噪、滤波去基线进⾏数据预处理，然后通过裁 剪、移动起动等操作扩充数据集 3、将训练好的模型打包成sdk并部署到服务器中进⾏落地应⽤ 4、R点识别在mitdb公开数据集中的敏感性达到了99%以上。

本项目基于单一摄像头进行手势识别与应用，因此使用与部署简便，对环境无过多要求，因此，非常适用于移动平台使用，通过手机摄像头，即可实现简易的手势识别。 通过识别手势，本项目可以基于识别手势，可以进行一定数量的操作，因此，可以模拟部分简易的操作，实现无需接触的操作。 关键技术： Darknet卷积模块： darknet卷积模块是这个模型里最基本的网络单元，包括卷积层、batch norm(BN)层、激活函数。 upsample 层：上采样是为了将特征图采样到指定分辨率大小，比如一张(416,416,3)的图片经过一系列卷积池化操作后，得到一个特征图,维度(13,13,16)，为了把这个特征图和原图进行比较,需要将这个特征图变成(416,416,3)大小.这个就称为上采样。 个人当时主要做了YOLOv3手部检测相关部分的工作

项目描述：采用机器+人工的识别方法挖掘海量网络舆情中特定关注领域负面舆情，实现舆情自动化工单智能去重、分级、分类，解决了舆情爆发时海量舆情工单应急处置问题和舆情实时监控、实时告警问题。 职责/关键技术：负责项目管控和智能算法研发，包括产品设计、智能算法研发、实时、技术文档、项目验收。智能识别算法识别准确率达到92%，减少85%无效人工。熟悉舆情监控市场产品技术，熟悉舆情业务。 成效：实现总部和三十余家二级单位舆情实时监控，已运行3年，每天下派百余条有效工单