IT人力外包人才简历库

精通Python编程语言，熟悉C++基础开发；掌握深度学习框架PyTorch/TensorFlow，精通NLP领域Transformer/BERT/ALBERT模型架构，熟悉计算机视觉领域CNN/RNN/LSTM/Transformers模型原理；熟练使用OpenCV进行图像处理算法开发，精通Linux开发环境配置与调试；掌握Git版本控制工具，熟悉SVN代码管理；具备模型训练调优经验，熟悉Adam/SGD等优化算法，掌握CrossEntropyLoss/FocalLoss等损失函数应用；熟悉目标检测（YOLO/RetinaNet）、语义分割（Unet/FCN）、图像分类、人群计数等计算机视觉技术；具备自然语言处理技术能力，熟悉TF-IDF/Word2vec/Transformer等模型；具备英语六级阅读能力，可理解技术文档

专注于AI算法研发与工程化落地，主导多个工业视觉检测项目，包括烟盒/门板/密封环缺陷检测系统开发，实现缺陷识别准确率提升30%以上。设计并实现基于改进Unet的语义分割模型，解决小样本缺陷检测难题；研发基于RetinaNet的目标检测系统，优化模型推理速度达2倍。构建NLP工具API平台，支持文本摘要、实体识别等场景，日均处理文本数据50万条。具备完整的模型训练、调参、部署经验，熟悉模型压缩与OOD检测技术，成功应用于工业质检场景。

烟盒缺陷检测：针对烟厂包装检测场景，设计无监督+监督混合学习方案。利用OK样本训练无监督模型检测未知缺陷，通过监督学习对开口处进行分类，采用CAM热图可视化技术，结合特定算法实现OOD检测，提升缺陷识别覆盖率。

密封环缺陷检测：开发基于改进Unet的语义分割系统，针对小样本缺陷特征，优化底层特征复用机制。通过实验对比CrossEntropyLoss/FocalLoss/IOULoss等损失函数，最终实现98.2%的分割准确率。

门板缺陷检测：基于Detectron2框架开发检测系统，后通过研究RetinaNet论文实现自研模型。采用多尺度特征融合技术提升小目标检测能力，检测速度提升40%。

人群计数：基于改进CSRNet算法实现高密度人群计数，通过注意力机制优化特征提取，解决遮挡场景下的计数误差问题。