派森菌
算法工程师
中国移动 · 5年经验
日薪：
￥500/8h
地点：
西安 全区
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
2
收藏数
技术能力
熟练运用TensorFlow、Keras以及Pytorch进行深度学习相关的算法开发，主要是在CV领域，包括图像识别、目标检测等；NLP领域也有涉猎。
熟悉Linux系统，了解Docker，有过实际工程部署经验。
熟悉Linux系统，了解Docker，有过实际工程部署经验。
项目经验
项目一 ：基于YOLO v3实现安全帽佩戴检测
开发环境： CentOS+ Python 3.6 + TensorFlow 1.14.0 + OpenCV
项目描述：安防监控系统中有时需要对图像进行精确识别，检测工人是否佩戴安全帽，为此研发
出基于YOLO v3的检测模型，通过该模型可对视频采集到的图片进行检测，并在图片 上标识出来，从而判断工人佩戴安全帽情况并及时报警提醒。
项目职责：为项目搭建基础模型，并对实际方案做部分整改
所用技术：
1 根据 YOLOv3算法基本原理，通过 TensorFlow 框架搭建 YOLOv3 模型
2 在 YOLOv3模型中运用卷积网络来提取特征，采用了drop out和数据增强（data augmentation）来防止过拟合
3 结合实际情况，通过调节权重参数λ以及损失函数的超参数，让坐标、confidence、classification 三个方面达到一定的平衡
4 用非极大值抑制算法（NMS）对检测结果去重
项目二 ：汽车安全等级的评定
开发环境： CentOS + Python 3.6 +sklearn + numpy +VS Code
项目描述：随着汽车的普及，现在的消费者越来越看重车辆的安全性。车企也很懂这个趋势，为了更好地反映汽车配置与安全等级之间的关系，设计构建模型，通过对数据的不断学习，使之能够完成汽车安全等级判定。
项目职责：构建模型，算法调优
所用技术：
1 通过requests模块爬取部分数据，部分数据参考C-IASI机构的碰撞测试结果
2 整理样本数据，做特征分析；自定义标签编码,并结合LabelEncoder方法构建纯数字的数据集
3 整理输入集与输出集，选择不同的分类器进行交叉验证，综合f1_weighted得分和性能，得到较优模型，进行网格搜索(GridSearchCV)调参优化
4 训练模型，使用测试数据测试，验证精度，并保存模型
项目三：快递单手机号及单号识别
主要技术：利用CTPN进行检测；利用CRNN进行识别。
项目四：智能外呼系统中的情感分析模块
主要技术：利用双向LSTM提取时序特征，利用Attention机制筛选出关键特征，改用word2vec预训练词向量来初始化Embedding的方式提高精度，加之其他一些trick，最终模型acc达到0.93。
开发环境： CentOS+ Python 3.6 + TensorFlow 1.14.0 + OpenCV
项目描述：安防监控系统中有时需要对图像进行精确识别，检测工人是否佩戴安全帽，为此研发
出基于YOLO v3的检测模型，通过该模型可对视频采集到的图片进行检测，并在图片 上标识出来，从而判断工人佩戴安全帽情况并及时报警提醒。
项目职责：为项目搭建基础模型，并对实际方案做部分整改
所用技术：
1 根据 YOLOv3算法基本原理，通过 TensorFlow 框架搭建 YOLOv3 模型
2 在 YOLOv3模型中运用卷积网络来提取特征，采用了drop out和数据增强（data augmentation）来防止过拟合
3 结合实际情况，通过调节权重参数λ以及损失函数的超参数，让坐标、confidence、classification 三个方面达到一定的平衡
4 用非极大值抑制算法（NMS）对检测结果去重
项目二 ：汽车安全等级的评定
开发环境： CentOS + Python 3.6 +sklearn + numpy +VS Code
项目描述：随着汽车的普及，现在的消费者越来越看重车辆的安全性。车企也很懂这个趋势，为了更好地反映汽车配置与安全等级之间的关系，设计构建模型，通过对数据的不断学习，使之能够完成汽车安全等级判定。
项目职责：构建模型，算法调优
所用技术：
1 通过requests模块爬取部分数据，部分数据参考C-IASI机构的碰撞测试结果
2 整理样本数据，做特征分析；自定义标签编码,并结合LabelEncoder方法构建纯数字的数据集
3 整理输入集与输出集，选择不同的分类器进行交叉验证，综合f1_weighted得分和性能，得到较优模型，进行网格搜索(GridSearchCV)调参优化
4 训练模型，使用测试数据测试，验证精度，并保存模型
项目三：快递单手机号及单号识别
主要技术：利用CTPN进行检测；利用CRNN进行识别。
项目四：智能外呼系统中的情感分析模块
主要技术：利用双向LSTM提取时序特征，利用Attention机制筛选出关键特征，改用word2vec预训练词向量来初始化Embedding的方式提高精度，加之其他一些trick，最终模型acc达到0.93。
派森菌
算法工程师 · 5年经验 · 中国移动
0
累计接单
0
用户评价
2
被收藏
信用行为
0
接单数
0
评价数
2
收藏数
技术能力
熟练运用TensorFlow、Keras以及Pytorch进行深度学习相关的算法开发，主要是在CV领域，包括图像识别、目标检测等；NLP领域也有涉猎。
熟悉Linux系统，了解Docker，有过实际工程部署经验。
熟悉Linux系统，了解Docker，有过实际工程部署经验。
项目经验
项目一 ：基于YOLO v3实现安全帽佩戴检测
开发环境： CentOS+ Python 3.6 + TensorFlow 1.14.0 + OpenCV
项目描述：安防监控系统中有时需要对图像进行精确识别，检测工人是否佩戴安全帽，为此研发
出基于YOLO v3的检测模型，通过该模型可对视频采集到的图片进行检测，并在图片 上标识出来，从而判断工人佩戴安全帽情况并及时报警提醒。
项目职责：为项目搭建基础模型，并对实际方案做部分整改
所用技术：
1 根据 YOLOv3算法基本原理，通过 TensorFlow 框架搭建 YOLOv3 模型
2 在 YOLOv3模型中运用卷积网络来提取特征，采用了drop out和数据增强（data augmentation）来防止过拟合
3 结合实际情况，通过调节权重参数λ以及损失函数的超参数，让坐标、confidence、classification 三个方面达到一定的平衡
4 用非极大值抑制算法（NMS）对检测结果去重
项目二 ：汽车安全等级的评定
开发环境： CentOS + Python 3.6 +sklearn + numpy +VS Code
项目描述：随着汽车的普及，现在的消费者越来越看重车辆的安全性。车企也很懂这个趋势，为了更好地反映汽车配置与安全等级之间的关系，设计构建模型，通过对数据的不断学习，使之能够完成汽车安全等级判定。
项目职责：构建模型，算法调优
所用技术：
1 通过requests模块爬取部分数据，部分数据参考C-IASI机构的碰撞测试结果
2 整理样本数据，做特征分析；自定义标签编码,并结合LabelEncoder方法构建纯数字的数据集
3 整理输入集与输出集，选择不同的分类器进行交叉验证，综合f1_weighted得分和性能，得到较优模型，进行网格搜索(GridSearchCV)调参优化
4 训练模型，使用测试数据测试，验证精度，并保存模型
项目三：快递单手机号及单号识别
主要技术：利用CTPN进行检测；利用CRNN进行识别。
项目四：智能外呼系统中的情感分析模块
主要技术：利用双向LSTM提取时序特征，利用Attention机制筛选出关键特征，改用word2vec预训练词向量来初始化Embedding的方式提高精度，加之其他一些trick，最终模型acc达到0.93。
开发环境： CentOS+ Python 3.6 + TensorFlow 1.14.0 + OpenCV
项目描述：安防监控系统中有时需要对图像进行精确识别，检测工人是否佩戴安全帽，为此研发
出基于YOLO v3的检测模型，通过该模型可对视频采集到的图片进行检测，并在图片 上标识出来，从而判断工人佩戴安全帽情况并及时报警提醒。
项目职责：为项目搭建基础模型，并对实际方案做部分整改
所用技术：
1 根据 YOLOv3算法基本原理，通过 TensorFlow 框架搭建 YOLOv3 模型
2 在 YOLOv3模型中运用卷积网络来提取特征，采用了drop out和数据增强（data augmentation）来防止过拟合
3 结合实际情况，通过调节权重参数λ以及损失函数的超参数，让坐标、confidence、classification 三个方面达到一定的平衡
4 用非极大值抑制算法（NMS）对检测结果去重
项目二 ：汽车安全等级的评定
开发环境： CentOS + Python 3.6 +sklearn + numpy +VS Code
项目描述：随着汽车的普及，现在的消费者越来越看重车辆的安全性。车企也很懂这个趋势，为了更好地反映汽车配置与安全等级之间的关系，设计构建模型，通过对数据的不断学习，使之能够完成汽车安全等级判定。
项目职责：构建模型，算法调优
所用技术：
1 通过requests模块爬取部分数据，部分数据参考C-IASI机构的碰撞测试结果
2 整理样本数据，做特征分析；自定义标签编码,并结合LabelEncoder方法构建纯数字的数据集
3 整理输入集与输出集，选择不同的分类器进行交叉验证，综合f1_weighted得分和性能，得到较优模型，进行网格搜索(GridSearchCV)调参优化
4 训练模型，使用测试数据测试，验证精度，并保存模型
项目三：快递单手机号及单号识别
主要技术：利用CTPN进行检测；利用CRNN进行识别。
项目四：智能外呼系统中的情感分析模块
主要技术：利用双向LSTM提取时序特征，利用Attention机制筛选出关键特征，改用word2vec预训练词向量来初始化Embedding的方式提高精度，加之其他一些trick，最终模型acc达到0.93。
立即沟通
