许超潜
图像算法工程师
长沙神弓智能科技有限公司 · 2年经验
日薪：
￥800/8h
地点：
长沙 全区
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1 熟悉c/c++、python，具有完备的计算机基础知识体系。
2 熟悉常用深度学习算法及实现（目标检测，目标跟踪，语义分割等），熟悉tensorflow，pytorch等常用深度学习框架。
3 熟悉图像处理原理及实现（图像拼接、增强、变换、滤波，编解码等），熟悉opencv
4 熟悉cuda、tensorRT、vslam、ros等。
5 能阅读相关领悟论文及复现
6 工程能力强,重视代码风格
7 数据结构及算法基础扎实
8 熟悉nvidia tx2、xavier，瑞芯微系列芯片
9 熟悉linux
2 熟悉常用深度学习算法及实现（目标检测，目标跟踪，语义分割等），熟悉tensorflow，pytorch等常用深度学习框架。
3 熟悉图像处理原理及实现（图像拼接、增强、变换、滤波，编解码等），熟悉opencv
4 熟悉cuda、tensorRT、vslam、ros等。
5 能阅读相关领悟论文及复现
6 工程能力强,重视代码风格
7 数据结构及算法基础扎实
8 熟悉nvidia tx2、xavier，瑞芯微系列芯片
9 熟悉linux
项目经验
一 泊车位检测，该项目用于无人驾驶中的自动泊车系统
1. 将前后左右四个摄像头的图片变换为鸟瞰图并拼接成环视图。
2. 使用颜色定位和hough变换检测车位线。
3. 根据泊车位的长宽及检测到的车位线寻找车位。
二 车道线检测，该项目用于无人驾驶中的车道保持系统
1. 使用mobilenet+fcn语义分割提取图片的车道线区域。
2. 使用图像处理的办法计算车道线和车辆的夹角。
3. 将tensorRT加速车道线检测
三 行人及车辆检测，该项目用于无人驾驶中的障碍物检测系统
1. 使用yolov3和卡尔曼滤波对行人和车辆进行检测和跟踪。
2. 使用tensorRT对yolov3进行加速。
3. 将tensorRT引擎移植到dla上。
4. 将雷达点云与图片检测结果融合
四 Image Captioning based on Automatic Constraint Loss
(2019 11th International Conference on Machine Learning and Computing)
1. 针对图像语义理解中循环神经网络存在训练和预测过程不统一的问题，提出了自动限制损失方法。
2. 在MSCOCO数据集上的实验结果显示本文方法能提高注意力机制的效果，使生成的句子更符合图像意思。
1. 将前后左右四个摄像头的图片变换为鸟瞰图并拼接成环视图。
2. 使用颜色定位和hough变换检测车位线。
3. 根据泊车位的长宽及检测到的车位线寻找车位。
二 车道线检测，该项目用于无人驾驶中的车道保持系统
1. 使用mobilenet+fcn语义分割提取图片的车道线区域。
2. 使用图像处理的办法计算车道线和车辆的夹角。
3. 将tensorRT加速车道线检测
三 行人及车辆检测，该项目用于无人驾驶中的障碍物检测系统
1. 使用yolov3和卡尔曼滤波对行人和车辆进行检测和跟踪。
2. 使用tensorRT对yolov3进行加速。
3. 将tensorRT引擎移植到dla上。
4. 将雷达点云与图片检测结果融合
四 Image Captioning based on Automatic Constraint Loss
(2019 11th International Conference on Machine Learning and Computing)
1. 针对图像语义理解中循环神经网络存在训练和预测过程不统一的问题，提出了自动限制损失方法。
2. 在MSCOCO数据集上的实验结果显示本文方法能提高注意力机制的效果，使生成的句子更符合图像意思。
许超潜
图像算法工程师 · 2年经验 · 长沙神弓智能科技有限公司
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1 熟悉c/c++、python，具有完备的计算机基础知识体系。
2 熟悉常用深度学习算法及实现（目标检测，目标跟踪，语义分割等），熟悉tensorflow，pytorch等常用深度学习框架。
3 熟悉图像处理原理及实现（图像拼接、增强、变换、滤波，编解码等），熟悉opencv
4 熟悉cuda、tensorRT、vslam、ros等。
5 能阅读相关领悟论文及复现
6 工程能力强,重视代码风格
7 数据结构及算法基础扎实
8 熟悉nvidia tx2、xavier，瑞芯微系列芯片
9 熟悉linux
2 熟悉常用深度学习算法及实现（目标检测，目标跟踪，语义分割等），熟悉tensorflow，pytorch等常用深度学习框架。
3 熟悉图像处理原理及实现（图像拼接、增强、变换、滤波，编解码等），熟悉opencv
4 熟悉cuda、tensorRT、vslam、ros等。
5 能阅读相关领悟论文及复现
6 工程能力强,重视代码风格
7 数据结构及算法基础扎实
8 熟悉nvidia tx2、xavier，瑞芯微系列芯片
9 熟悉linux
项目经验
一 泊车位检测，该项目用于无人驾驶中的自动泊车系统
1. 将前后左右四个摄像头的图片变换为鸟瞰图并拼接成环视图。
2. 使用颜色定位和hough变换检测车位线。
3. 根据泊车位的长宽及检测到的车位线寻找车位。
二 车道线检测，该项目用于无人驾驶中的车道保持系统
1. 使用mobilenet+fcn语义分割提取图片的车道线区域。
2. 使用图像处理的办法计算车道线和车辆的夹角。
3. 将tensorRT加速车道线检测
三 行人及车辆检测，该项目用于无人驾驶中的障碍物检测系统
1. 使用yolov3和卡尔曼滤波对行人和车辆进行检测和跟踪。
2. 使用tensorRT对yolov3进行加速。
3. 将tensorRT引擎移植到dla上。
4. 将雷达点云与图片检测结果融合
四 Image Captioning based on Automatic Constraint Loss
(2019 11th International Conference on Machine Learning and Computing)
1. 针对图像语义理解中循环神经网络存在训练和预测过程不统一的问题，提出了自动限制损失方法。
2. 在MSCOCO数据集上的实验结果显示本文方法能提高注意力机制的效果，使生成的句子更符合图像意思。
1. 将前后左右四个摄像头的图片变换为鸟瞰图并拼接成环视图。
2. 使用颜色定位和hough变换检测车位线。
3. 根据泊车位的长宽及检测到的车位线寻找车位。
二 车道线检测，该项目用于无人驾驶中的车道保持系统
1. 使用mobilenet+fcn语义分割提取图片的车道线区域。
2. 使用图像处理的办法计算车道线和车辆的夹角。
3. 将tensorRT加速车道线检测
三 行人及车辆检测，该项目用于无人驾驶中的障碍物检测系统
1. 使用yolov3和卡尔曼滤波对行人和车辆进行检测和跟踪。
2. 使用tensorRT对yolov3进行加速。
3. 将tensorRT引擎移植到dla上。
4. 将雷达点云与图片检测结果融合
四 Image Captioning based on Automatic Constraint Loss
(2019 11th International Conference on Machine Learning and Computing)
1. 针对图像语义理解中循环神经网络存在训练和预测过程不统一的问题，提出了自动限制损失方法。
2. 在MSCOCO数据集上的实验结果显示本文方法能提高注意力机制的效果，使生成的句子更符合图像意思。
立即沟通
