辰
中级算法工程师
科大讯飞 · 3年经验
日薪：
￥500/8h
地点：
其他 全区
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
使用过一些常用的神经网络，了解tensorflow、pytorch深度学习框架，熟悉CNN、RNN等主流深度学习算法，具备基本的实际使用和调试技巧。对于OCR检测方面较为熟悉，OCR识别方面有所接触。
1. 对于模型压缩任务自己完成过整套工具，在多个任务中分别压缩至50%，30%，25%效果无损失；
2. OCR多项目任务中完成检测任务
1. 对于模型压缩任务自己完成过整套工具，在多个任务中分别压缩至50%，30%，25%效果无损失；
2. OCR多项目任务中完成检测任务
项目经验
1. 银行卡识别
拍摄公司内部银行卡，制作数据，利用 ctpn 做检测，crnn 做识别，识别结果返回给银行卡的结构化类通过正则返回前端页面。（项目占比：80%）同时，进行各单一场景下的结构化信息匹配，从而完成定制场景开发。
2. 集装箱识别
首先利用真实集装箱数据标注集装箱号位置信息，然后进行数据增强，从而进行 PSENet 训练，得到检测模型；在识别方面，提取 ROI 区域并写入txt，保存 label，数据增强后创建 LMDB 数据集，使用 attention 在预训练模型基础上进行 finetune 得到集装箱号的识别模型。
3. 表格识别
1.0版本：（传统算法）分析图片进行去印章处理，寻找表格轮廓进行图像分割，分别对文本部分和表格部分进行处理；文本部分通过 PSE 与 CRNN 进行识别；表格识别利用轮廓寻找到 cell，进行 crnn 识别。
2.0版本：（深度学习）首先进行文字四分类方向检测，然后采用 Unet 网络进行表格线的语义分割和提取，分割出表格、非表格区域，识别返回结果。
4. 其余各个任务
拍摄公司内部银行卡，制作数据，利用 ctpn 做检测，crnn 做识别，识别结果返回给银行卡的结构化类通过正则返回前端页面。（项目占比：80%）同时，进行各单一场景下的结构化信息匹配，从而完成定制场景开发。
2. 集装箱识别
首先利用真实集装箱数据标注集装箱号位置信息，然后进行数据增强，从而进行 PSENet 训练，得到检测模型；在识别方面，提取 ROI 区域并写入txt，保存 label，数据增强后创建 LMDB 数据集，使用 attention 在预训练模型基础上进行 finetune 得到集装箱号的识别模型。
3. 表格识别
1.0版本：（传统算法）分析图片进行去印章处理，寻找表格轮廓进行图像分割，分别对文本部分和表格部分进行处理；文本部分通过 PSE 与 CRNN 进行识别；表格识别利用轮廓寻找到 cell，进行 crnn 识别。
2.0版本：（深度学习）首先进行文字四分类方向检测，然后采用 Unet 网络进行表格线的语义分割和提取，分割出表格、非表格区域，识别返回结果。
4. 其余各个任务
辰
中级算法工程师 · 3年经验 · 科大讯飞
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
使用过一些常用的神经网络，了解tensorflow、pytorch深度学习框架，熟悉CNN、RNN等主流深度学习算法，具备基本的实际使用和调试技巧。对于OCR检测方面较为熟悉，OCR识别方面有所接触。
1. 对于模型压缩任务自己完成过整套工具，在多个任务中分别压缩至50%，30%，25%效果无损失；
2. OCR多项目任务中完成检测任务
1. 对于模型压缩任务自己完成过整套工具，在多个任务中分别压缩至50%，30%，25%效果无损失；
2. OCR多项目任务中完成检测任务
项目经验
1. 银行卡识别
拍摄公司内部银行卡，制作数据，利用 ctpn 做检测，crnn 做识别，识别结果返回给银行卡的结构化类通过正则返回前端页面。（项目占比：80%）同时，进行各单一场景下的结构化信息匹配，从而完成定制场景开发。
2. 集装箱识别
首先利用真实集装箱数据标注集装箱号位置信息，然后进行数据增强，从而进行 PSENet 训练，得到检测模型；在识别方面，提取 ROI 区域并写入txt，保存 label，数据增强后创建 LMDB 数据集，使用 attention 在预训练模型基础上进行 finetune 得到集装箱号的识别模型。
3. 表格识别
1.0版本：（传统算法）分析图片进行去印章处理，寻找表格轮廓进行图像分割，分别对文本部分和表格部分进行处理；文本部分通过 PSE 与 CRNN 进行识别；表格识别利用轮廓寻找到 cell，进行 crnn 识别。
2.0版本：（深度学习）首先进行文字四分类方向检测，然后采用 Unet 网络进行表格线的语义分割和提取，分割出表格、非表格区域，识别返回结果。
4. 其余各个任务
拍摄公司内部银行卡，制作数据，利用 ctpn 做检测，crnn 做识别，识别结果返回给银行卡的结构化类通过正则返回前端页面。（项目占比：80%）同时，进行各单一场景下的结构化信息匹配，从而完成定制场景开发。
2. 集装箱识别
首先利用真实集装箱数据标注集装箱号位置信息，然后进行数据增强，从而进行 PSENet 训练，得到检测模型；在识别方面，提取 ROI 区域并写入txt，保存 label，数据增强后创建 LMDB 数据集，使用 attention 在预训练模型基础上进行 finetune 得到集装箱号的识别模型。
3. 表格识别
1.0版本：（传统算法）分析图片进行去印章处理，寻找表格轮廓进行图像分割，分别对文本部分和表格部分进行处理；文本部分通过 PSE 与 CRNN 进行识别；表格识别利用轮廓寻找到 cell，进行 crnn 识别。
2.0版本：（深度学习）首先进行文字四分类方向检测，然后采用 Unet 网络进行表格线的语义分割和提取，分割出表格、非表格区域，识别返回结果。
4. 其余各个任务
案例展示
表格识别
表格识别 1.0版本：（传统算法）分析图片进行去印章处理，寻找表格轮廓进行图像分割，分别对文本部分和表格部分进行处理；文本部分通过 PSE 与 CRNN 进行识别；表格识别利用轮廓寻找到 cell，进行 crnn 识别。 2.0版本：（深度学习）首先进行文字四分类方向
相机畸变矫正
三、相机标定 1. 相机标定的目的 获得相机的内参和外参矩阵（同时也会得到每一幅标定图像的旋转和平移矩阵），内参和外参系数可以对之后相机拍摄的图像进行矫正，得到畸变很小的图像。 2. 相机标定的输入 标定图像上所有内角点的图像坐标，标定板图像上所有内角点的空间三维坐标
相机畸变矫正
三、相机标定 1. 相机标定的目的 获得相机的内参和外参矩阵（同时也会得到每一幅标定图像的旋转和平移矩阵），内参和外参系数可以对之后相机拍摄的图像进行矫正，得到畸变很小的图像。 2. 相机标定的输入 标定图像上所有内角点的图像坐标，标定板图像上所有内角点的空间三维坐标
立即沟通
