猿急送>

其他后端兼职程序员

ID：330880

TXY 身份已认证

人工智能工程师

公司信息：
中科创达

工作经验：
10年

兼职日薪：
500元/8小时

兼职时间：
下班后
周六
周日

所在区域：
其他
全区

技术能力

编程能力：
熟练掌握Python编程语言，包括其基础语法、面向对象编程、异常处理、文件操作等。
精通深度学习技术，包括神经网络的基本原理、常见深度学习模型（如CNN、RNN、LSTM、Transformer等）以及相关的优化算法（如梯度下降、反向传播等）。
能够利用Python及其深度学习框架（如TensorFlow、PyTorch等）进行模型训练、调优和部署。
后端开发能力：
精通Java编程语言，熟悉Java EE规范和相关技术栈（如Spring、Hibernate等）。
熟悉后端应用开发流程，包括需求分析、系统设计、数据库设计、接口开发、测试部署等。
能够使用Java进行高性能、高可用、安全稳定的后端服务开发。
嵌入式系统开发能力：
精通C/C++编程语言，熟悉其内存管理、指针操作、数据结构等核心特性。
具备一定的嵌入式系统开发经验，了解嵌入式系统的基本原理、硬件接口、驱动程序开发等。
能够使用C/C++进行嵌入式应用的开发，包括与硬件的交互、系统资源的管理、性能优化等。

项目经验

1. 基于OCR技术的车牌、合同等文字自动提取识别项目

项目背景：随着智能化技术的发展，自动从图像中提取文字信息成为一项迫切需求。特别是在车牌识别、合同管理等场景中，OCR技术的应用能显著提高工作效率。
技术实现：使用深度学习框架，如TensorFlow或PyTorch，训练OCR模型。模型采用卷积神经网络（CNN）进行特征提取，并使用循环神经网络（RNN）或Transformer结构进行序列建模。
项目职责：负责数据集的收集、预处理和标注工作。参与模型的设计、训练和优化，实现文字的定位和识别功能。
项目成果：成功实现了车牌和合同中的文字自动提取，识别准确率达到了90%以上，显著提高了相关业务的处理速度。
2. 基于遥感影像的道路要素自动提取项目

项目背景：遥感影像处理在城市规划、交通管理等领域有广泛应用。自动提取遥感影像中的道路要素，对于交通网络的自动化分析具有重要意义。
技术实现：利用遥感图像处理技术，如分割、滤波和边缘检测等，结合深度学习算法，实现对道路要素的自动识别。
项目职责：负责遥感影像的预处理工作，设计并训练针对道路提取的深度学习模型。参与模型的后处理，确保提取的道路要素准确完整。
项目成果：成功实现了遥感影像中的道路要素自动提取，提取准确率达到了85%以上，为城市规划提供了有力的数据支持。
3. 基于深度学习的骨骼点识别与分配项目

项目背景：骨骼点识别在人体姿态估计、动作识别等领域有重要应用。准确识别并分配骨骼点是相关研究的基础。
技术实现：利用深度学习技术，如卷积神经网络和姿态估计算法，实现对图像或视频中人体骨骼点的自动识别和分配。
项目职责：参与模型的设计和优化，负责数据集的收集、标注和增强。编写代码实现骨骼点的识别和分配功能。
项目成果：成功实现了对图像和视频中人体骨骼点的自动识别与分配，准确率达到了90%以上，为人体姿态估计和动作识别提供了可靠的数据基础。
4. 基于深度学习的点云分类项目

项目背景：点云数据是三维空间中离散点的集合，广泛应用于三维重建、自动驾驶等领域。对点云数据进行分类是处理点云数据的重要步骤。
技术实现：利用深度学习中的点云处理网络，如PointNet、PointCNN等，对点云数据进行分类。
项目职责：负责点云数据集的收集和预处理工作。参与模型的设计、训练和优化，实现点云数据的自动分类。
项目成果：成功实现了对点云数据的自动分类，分类准确率达到了85%以上，为三维重建和自动驾驶等领域提供了有效的数据分类方法。
5. 基于深度学习的视频分类项目

项目背景：随着视频数据的爆炸式增长，自动对视频进行分类成为一项重要任务。准确分类视频有助于信息检索、内容分析等应用。
技术实现：利用深度学习中的卷积神经网络（CNN）和时序建模技术，如长短期记忆网络（LSTM），对视频进行分类。
项目职责：负责视频数据集的收集、标注和预处理工作。参与模型的设计、训练和优化，实现视频的自动分类功能。
项目成果：成功实现了对视频的自动分类，分类准确率达到了90%以上，为视频信息检索和内容分析提供了有效的技术手段。
6. 基于深度学习的医疗图像分割项目

项目背景：医疗图像分割是医学影像分析的关键步骤，对于疾病的诊断和治疗具有重要价值。
技术实现：利用深度学习中的语义分割算法，如U-Net、Mask R-CNN等，对医疗图像进行自动分割。
项目职责：负责医疗图像数据集的收集、标注和预处理工作。参与模型的设计、训练和优化，实现医疗图像的自动分割功能。
项目成果：成功实现了对医疗图像的自动分割，分割准确率达到了85%以上，为医学影像分析提供了可靠的分割结果。

案例展示

工业质检

无监督表征学习已被证明是图像异常检测/定位的关键组成部分。学习这种表达方式的挑战有两个方面。首先，样本量通常不太大，使用常规技术，不足以学习到足够的通用特征。其次，虽然在训练时只有正常样本可用，但学习的特征应该能够区分正常样本和异常样本。在这里，使用在ImageNet上预先训练的
摩尔纹消除与图像增强

摩尔纹是在摄像设备中常见的一种图像失真现象，通常表现为重复的条纹或斑点。这种现象由于光源频率和相机采集频率之间的不匹配引起，特别是在使用电子设备（如手机摄像头或摄像机）录制视频或拍摄照片时容易出现。为了解决这一问题，本项目致力于研究和开发摩尔纹消除技术。本项目旨在设计和实
图像降噪

近年来，由于神经网络的快速发展，图像降噪也从中获得了巨大的好处。然而，由于需要大量的噪声-干净的图像对来进行模型的监督训练，限制了这些模型的推广。虽然已经有一些尝试训练一个只有单个噪声图像的图像去噪模型，但现有的自监督去噪方法存在网络训练效率低、有用信息丢失或依赖于噪声建模等问题