1.熟练掌握多种经典机器学习算法的原理,如:KNN、线性回归、逻辑回归、K-means 聚类、SVM、决策树、随机森林,主成分分析,集成学习,HMM算法等等
2.熟悉神经网络算法,如 CNN、Faster-RCN、SSD、YOLO、RNN、MOBILENET、 Lstm, Gru 系列等
3.熟悉经典主流神经网络:VGG、GooLeNet、ResNet,BERT, seq2seq 模型和 word2vec 模型等
4.熟悉深度学习框架,如 tensorflow, pytorch, 可实现多种算法模型
5.熟悉 Python 编程语言,熟悉 numpy、matplotlib、OpenCV, pandas, sklearn库
6.熟悉 Linux 操作系统的基本命令及 MySQL 数据库,可进行增、删、查、选的基本操作需求
7.有扎实的数学基础,熟练掌握积分求导等数学模型
8.熟悉 c 语言,matlab,传感器等相关知识, 了解部分c++知识
项目名称:基于红外传感器的姿态识别
项目背景:随着生活水平的提高,智能家居也已经越来越普及,利用红外阵列传感器的智能家居进行人体姿态识别,有助于在识别人体姿态
的同时,根据人体的行为家居设备进行相应的操作。
项目描述:
一、需求分析:通过光学摄像头结合红外传感器记录人体姿势行为,家居设备根据人类的姿态判断人的行为进行相应的控制,现有的技术可以实现热感图人体姿态识别。
二、数据获取:数据来源于甲方,一方面是光学摄像头记录的数据,这些数据通过openpose算法打好18个关键点的标签,另一方面就是红外传感器获得的热感图数据,前者的标签和后者的图的关键点一一对应,以此作为训练数据,并且进行图像增强、清洗不相关数据。
三、模型构建和模型训练:模型采用的是3d卷积的方式来处理,五层3d卷积和四层3d反卷积(光学摄像头和红外传感器的热感图是利用时间戳来进行一一对应),设计好之后,将数据放到模型里进行训练,观察训练过程中的热感图关键点实时检测情况,检查精度。
四、模型优化:采用更好优化器adm、激活函数使用leakey,通过调整学习率衰减公式中的local_step优化学习率经过模型训练优化,模型准确率达到96.98%。
五、模型部署:模型部署在服务器上,有服务器对数据进行预测处理,光学摄像头和红外传感器只是存储数据的媒介。