采蘑菇的小西佬
研究助理
香港中文大学 · 1年经验
日薪：
￥700/8h
地点：
北京 海淀
时间：
可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
熟悉各类计算机视觉相关深度学习方法，熟悉各类互联网公司面试题。
+ 天池 ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛（排名12/ 2135）
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
+ 天池 ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛（排名12/ 2135）
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
项目经验
+ 天池 ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛（排名12/ 2135）
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
ACM-ICPC 国际大学生程序设计竞赛亚洲区域赛（上海站）银奖
中国高校计算机团体程序设计天梯赛 一等奖
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
ACM-ICPC 国际大学生程序设计竞赛亚洲区域赛（上海站）银奖
中国高校计算机团体程序设计天梯赛 一等奖
采蘑菇的小西佬
研究助理 · 1年经验 · 香港中文大学
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
熟悉各类计算机视觉相关深度学习方法，熟悉各类互联网公司面试题。
+ 天池 ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛（排名12/ 2135）
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
+ 天池 ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛（排名12/ 2135）
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
项目经验
+ 天池 ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛（排名12/ 2135）
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
ACM-ICPC 国际大学生程序设计竞赛亚洲区域赛（上海站）银奖
中国高校计算机团体程序设计天梯赛 一等奖
模型架构：Cascade R-CNN作为目标检测器，并且利用额外的Swin Transformer作为分类器对预测进行后处理。
比赛禁止外部数据，故采用离线的数据增强，裁剪部分真实框并随机粘贴到其他样本的无目标区域。为了增加合成图像的真实性，对粘贴区域随机采用柏松融合与像素平均以及其他相关数据增强。
认识到图像的训练尺度与模型感受野大致需要成正比的关系，即增大图像尺度，需要扩大模型感受野，可以采用更深或者更宽的网络进行特征提取。
ACM-ICPC 国际大学生程序设计竞赛亚洲区域赛（上海站）银奖
中国高校计算机团体程序设计天梯赛 一等奖
立即沟通
