项目简介： 通过假设在监测区域摄像头获取实时事故多发段道路信息，通过one-stage检测算法实现车流检测，并使用sort算法进行多目标跟踪，配合虚拟线圈完成目标框与检测线的碰撞检测，完成流量检测 责任描述：算法实现 1. 通过实地考察高速路段场景，车辆类型，车速等因素结合项目需求，进行技术选型和前期验证 2. 选择使用yolov3进行车辆检测，通过迁移学习，使用公司内部的数据集完成对模型的fine-tuning。使用DNN进行部署 3. 使用kalman滤波实现对目标框的修正并建立跟踪链，使用numba优化速度 4. 使用匈牙利算法完成目标框与检测框数据关联， 5. 使用SORT，根据IOU,Kalman，KM算法实现多目标跟踪 6. 通过模拟物理线圈的方式，进行碰撞检测来完成车流技术的功能

项目简介： 对摄像头采集到的数据进行处理，使用two-stage模型完成人脸检测，姿态检测，关键点识别，活体检测与人脸识别 责任描述：模型训练与部署 1. 对摄像头采集的视频进行处理,使用yolov3tiny完成人脸检测 2. 多任务：Backbone使用resnet34，完成关键点（wing-loss），人脸姿态（landmark-free直接回归欧拉角），性别（分类），年龄检测（回归） 3. 通过计算人眼关键点横纵比变化来进行活体检测 4. 人脸识别：backbone使用SeNet，头网络使用Arcface，使用BS架构。为了调高计算并行度，将原论文中的loss改为(FeatureMax @ W) 5. 优化人脸识别评估自动调参，FAR错误接受率低于十万分之一，FRR 51%，精准率55%（单张图片） 6. 优化人脸数据自动录入（姿态过滤，翻滚角修正，依据翻滚角进行仿射变换）

项目简介： 在安卓端部署 上游:目标检测 下游:21关键点回归 手势识别 责任描述：独立完成算法的开发训练部署 1. 使用YoloV5-lites 训练手掌检测器 0.5mAP 0.9 2. 使用mediapipe-hand作为关键点回归器 将backbone的输出anchor尺度调整 3. 使用逻辑回归识别手势模式 准确率98%,使用决策树完成 静态手势识别 分类准确率97% 4. Pt转onnx转ncnn,使用Ncnn框架完成yolo模型的量化,并修改结构适配输入输出 模型大小 6M(原始)->3M(fp16)->1.6M(int8) 推理速度10fps->20fps->23fps 5. 使用c++完成Android端模型部署,以及业务逻辑 6. Android Native层完成性能优化,so包部署