深度学习

1.支持实时的对话服务(Real-timeCrawlerIntegration)功能描述：对话系统不再仅限于其内置的静态知识。当用户的提问涉及最新事件、实时数据或特定网站内容时，系统可通过集成的实时服务，动态地从互联网上获取最新信息。价值：彻底解决了大模型知识陈旧、无法回答时效性问题的痛点，使服务能

利用pytorch训练图片集，模型选用mobilenet，识别率95%以上。结合yolov8使用预训练模型，可视频动态识别物品的材质。yolo可以自己搜集图片集训练自己的模型

AI在线训练平台是一个面向企业和个人开发者的零门槛 AI 开发平台，为零算法基础的开发者提供定制高精度 AI 模型的服务，包括数据处理、模型训练、服务管理、模型部署功能模块。零代码交互式获取 AI 能力模型，助力各行业快速实现 AI 赋能物体检测模型用于定制识别图片中目标的位置、名称，适合有多个目标主体，或要识别目标位置及数量的场景。常见应用场景：视频监控、工业检测、零件计数等。 我负责全部的Java后端业务接口以及Python端AI能力接口。技术栈使用了Spring Boot以及Mybaitsplus框架来做业务侧API，Pytorch，MMDetection，Celery，FastAPI来做AI侧API能力开发。

路侧部署边缘计算单元完成传感器数据的接入与处理，实现交通目标的检测，MEC 作为边缘计算设备，向下接收并分析传感器原始数据。 使用深度学习算法，对路面的行人和车辆进行检测，通过目标匹配和跟踪算法进行人和车辆的流量统计，同时能够对车辆和行人的位置和速度进行估计。 能够在Jetson边缘计算设备上部署，算力要求低，使用MQTT协议进行通信。

本方案专为金融投资者和对实时资讯有高度要求的用户设计，旨在帮助您在瞬息万变的市场中抢占先机。我们通过强大的实时爬虫技术，为您聚合海量新闻，并利用尖端的大模型进行深度情感分析，助您迅速洞察市场情绪与公众舆论。与常规方案相比，我们的核心优势在于情感分析模型经过金融领域的专项微调，解读更精准。最终，所有关键信息将通过遵循 Material 2 设计规范的现代化网页界面清晰呈现，为您带来简洁直观、操作流畅的极致体验。

1.本方案面向工业软测量建模预测和变量优化 2.项目采用pytorch框架和Python语言 3.项目包含数据预处理代码，包括对齐，清理 4.代码支持设置定时自动更新模型，以适配最新工况 5.代码打通了数据库，支持从数据库中获取数据用于准备模型所需数据集 6.项目代码包已在某化工厂落地使用，经过实际验证，项目已顺利结题验收

针对曳引式电梯为研究对象，面向电梯监管部分与电梯运营单位开发电梯运行风险的预警预测系统。主要解决当下电梯运行风险无法掌握、海量电梯无法监管的痛点。 经调研，目前市场上主流电梯风险预警与分析的方法比较单一，多数属于阈值判断。本项目基于深度学习算法，围绕电梯全生命周期数据（例如结构化传感器、音频、视频、文本等多模态数据）进行全量多模态特征提取与融合，并考虑长时序列关系进行建模分析。实现对电梯运行风险的提前1天、2天、3天的预测预警。

一、面向对象与问题解决 本方案面向国内高校国际学生事务管理人员，尤其是负责舆情监测和跨文化事务处理的职能人员。近年来，国际学生在中国高校中的占比持续上升，其多元文化背景、语言障碍和信息获取偏差导致网络舆情事件频发，若处理不当，极易引发舆论危机甚至国际政治风险。 本系统通过融合文本、图像等多模态数据，建立实时、精准的国际学生舆情监测与预警机制，有效帮助高校在第一时间识别敏感情绪和风险话题，提升管理响应效率，维护校园和谐稳定，助力高校国际化办学的稳健发展。 二、市场对比优势（50%） 与市场上传统舆情监测系统（以文本情感分析为主）相比，本方案具备以下显著优势： 1、多模态输入支持：不仅处理文本，还融合图像、视频等模态，全面感知社交媒体上国际学生的真实情绪和观点表达。 2、先进模型架构：集成了CMA（跨模态注意力模型）和CRA（上下文融合模型），相较GLFN、MGNNS等已有方法，情感识别精度提升近6%，具备更强的特征表达与融合能力。 3、深度定制化：系统针对高校场景量身定制，包括关键词自动预警、学生群体画像分析、热点事件聚类和趋势总结等，适配高校管理日常。 4、智能可视化交互：前端采用Vue+Echarts技术栈，搭配智谱大模型生成话题摘要与情绪总结，为非技术人员提供一站式决策参考。 三、产品组成与技术选型（20%） 本系统由四个核心模块构成： 数据采集模块：基于微博开放接口和网络爬虫，自动采集与国际学生相关的多模态数据； 情感分析引擎：采用BERT+ResNet为基础模型，叠加跨模态融合结构（CMA、CRA），实现深层次语义理解； 数据库与后端服务：MySQL负责数据持久化，Flask搭建后端服务，支持数据读取、模型推理与前端接口； 交互与可视化界面：前端由Vue搭建，集成图表与情感饼图展示，结合智谱大模型API生成聚类摘要和主题总结。

编程语言: Python 深度学习框架: PyTorch 核心算法: AlphaPose（人体姿态估计） + ST-GCN（时空图卷积网络） 工具链: OpenCV（视频处理） 硬件平台: NVIDIA GTX3060 以下是根据您提供的信息整理的项目经历描述模板，突出技术亮点和应用价值： 项目名称 基于深度学习的家庭老人健康监护系统——实时动作识别与危险预警 项目简介 针对居家老人安全监护场景，开发一套基于计算机视觉的智能监测系统，利用AI技术实时分析视频流中老年人的行为特征，精准检测跌倒、抽搐等高风险动作并触发紧急报警。系统采用轻量化模型部署于边缘设备，兼顾实时性与准确性，为家庭提供7×24小时主动防护解决方案。 技术栈 编程语言: Python 深度学习框架: PyTorch 核心算法: AlphaPose（人体姿态估计） + ST-GCN（时空图卷积网络） 工具链: OpenCV（视频处理）、TensorRT（模型加速）、Flask（Web服务）、MySQL（数据存储） 硬件平台: NVIDIA Jetson Nano（嵌入式部署） 核心实现细节 多模态数据采集与标注 整合公开数据集（如HMDB51、UCF-101）与自采家庭场景视频，构建包含10k+标注样本的数据集，覆盖正常动作（行走、坐立）及异常动作（跌倒、颤抖）。 使用LabelImg工具进行精细化标注，同步记录时间戳与动作类型标签。 AlphaPose优化与适配 基于OpenPose改进人体关键点检测模型，引入动态权重调整机制提升复杂背景下的鲁棒性（如遮挡、低光照）。 通过ONNX格式转换实现模型轻量化，推理速度降低至

项目名称：社交网络用户影响力分析与建模 一、项目背景 随着互联网技术的发展，社交媒体平台如微博、微信、Facebook、Instagram等越来越受欢迎。人们通过这些平台分享信息、互动交流，形成了庞大的社交网络。社交媒体用户产生了大量的内容，包括文字、图片、视频等。其中一部分用户因其独特的观点、创造性的内容或广泛的关注者而受到关注，拥有较高的影响力。交网络用户影响力分析可以帮助企业识别具有较高影响力的用户，找到合适的合作伙伴进行品牌合作、产品推广等。通过与具有影响力的用户合作，可以提高品牌知名度、扩大产品影响力。 二、项目需求 2.1. 业务需求 •分析用户个人信息与用户影响力的关联关系 •通过用户数据对比，识别出更据影响力的一方，制定合作用户选择策略 个人完成

本方案面向做AI项目的企业团队，同时面向AI小白，刚接手新项目而缺少经验的朋友； 本方案优势在于具备丰富的AI算法及行业落地相关经验，包括计算机视觉、多模态、大模型等； 本方案基于yolo、ByteTrack、ReID、llava、SAM、CLIP、docker、fast-api等相关技术组成！

在数字化时代，直播行业已成为信息传播、娱乐互动和商业推广的重要平台。然而，传统直播模式面临着人力成本高、直播时间受限、内容单一等问题。数字人直播系统应运而生，它结合了人工智能、计算机图形学和实时渲染技术，通过高度智能化、个性化的数字人主播，为用户提供全新的直播体验。该系统不仅能够实现24小时不间断直播，还能根据不同的场景和需求进行个性化定制，为直播行业带来创新和变革，推动其向智能化、高效化方向发展。 1、开发2D口型驱动算法； 2、开发TTS语音生成算法； 3、实现数字人实时推流；

个性化照护是其显著亮点。依据患者病史、基因数据、生活习惯等海量信息，AI 照护师量身定制专属照护方案。从饮食搭配到康复训练计划，从用药提醒到心理疏导，满足个体差异需求，让每位患者都能得到最契合自身的关怀，增强康复信心与效果。 不知疲倦的特性更是一大优势。它可 24 小时不间断工作，时刻守护患者，尤其在夜间等医护人员相对忙碌时段，能持续监测病情，及时预警突发状况，保障患者安全，减轻医护压力，优化医疗资源分配。 而且，AI 照护师还能高效整合医疗资源。与医院信息系统无缝对接，快速获取病历、检查报告等资料，辅助医护人员全面了解患者情况，促进多学科协作，为患者打造连贯、高效的照护服务闭环，推动医疗服务向智能化、精细化迈进，为人类健康保驾护航，成为未来照护领域不可或缺的得力助手，开启智能照护新时代，书写医疗关怀新篇章。

一次简单的项目实践——智能小车辅助系统，具有简单的车道线检测、车道保持、自动避障等功能。本次实践旨在实现实现小车智能辅助系统，能够在行驶过程中对周围环境进行分析，实现自动避障功能（包括碰撞预警和紧急制动）、车道保持辅助等功能。 系统通过摄像头实时采集小车行驶环境中的视频数据，作为车道检测和目标识别的输入。车道检测模块对摄像头获取的图像进行处理，提取车道线信息，通过车道线信息计算出小车保持在车道中心行驶所需的控制信号。同时，目标识别模块对视频画面中的转向标志进行识别，并将识别结果提供给后端的决策线程。 整个系统的核心处理单元是Atlas模块，负责接收车道检测和目标识别的输出数据，综合分析后生成小车的运动控制指令。这些指令通过串口通信传递到Arduino模块。Arduino模块还结合超声波传感器反馈的障碍物信息，进一步优化控制指令，确保小车能够在复杂环境中平稳运行。

参与课题沟通和重点问题处理；承担交叉口提取与构建任务 • 发明基于实例分割的道路交叉口检测方法，达到90%左右的预测精度(专利)； • 基于图形学原理对交叉口内部道路临近路段实现冗余路段融合算法 • 运用Labelme、深度学习框架，针对交叉口检测从数据标注到模型训练测试全流程 该项目针对车载双目影像以及高精度位姿数据中蕴含丰富的道路场景三维语义信息，结合前 沿算法与地图学知识，实现道路三维要素的自动化获取与表达。 • 对双目立体视觉技术及视差匹配模型进行研究，实现双目车载影像的立体匹配与三维视觉点云提取； • 运用空间聚类算法、地图制图学原理对车道整体场景进行表达研究。

行为识别作为人工智能领域的关键应用之一，近年来受到了广泛关注，特别是在监控、人机交互及 体育分析等领域展现出巨大潜力。本文利用三维卷积神经网络（3D-CNN）来提升行为识别的精确度与 效率。3D-CNN 通过整合时空信息，相较于传统 CNN，在捕捉视频中动态行为特征方面具有明显优势。 本文选择 UCF YouTube 动作数据集的 UCF11 子集，该数据集以其多样化的动作类别和真实的视频 场景而著称，涵盖了篮球投篮、自行车骑行、跳水等 11 种典型动作。我们对数据进行了预处理，包括 类别编码、数据集划分、视频帧提取和保存，以便于后续的模型训练和评估。采用了随机裁剪、归一化 处理和转换为 PyTorch 张量等方法进行数据增强；模型训练时通过学习率调整及早停策略，防止过拟合， 确保了训练过程的高效与稳定。本文实施迁移学习策略——使用预训练权重，极大加速了训练进程，显 著提升了模型在新数据上的表现。 最后，模型测试部分展示了该方法在实际视频中的应用，通过对视频流进行逐帧处理，采用连续 16 帧作为输入，输出行为预测概率，实现实时行为识别。此阶段不仅验证了模型在复杂场景下的有效 性和准确性，还凸显了该 3D-CNN 框架在行为识别任务中的实战价值。总之，本文的研究不仅深化了对 3D-CNN 应用于行为识别的理解，也为未来相关研究和应用提供了宝贵的思路与实践指引。

这是一个人工智能强化学习项目，智能体挑战人类的认知逻辑推理能力。人类和智能体进行一场比赛，在10*10的矩阵方格内用最短的时间和步数找到飞机的头部即为获胜方，飞机随机生成，为‘士’字形。找到除飞机的方格为‘空’，找到飞机除头部的位置为‘伤’，找到头部游戏结束。智能体根据训练目的的不同分为两个模型进行训练，主要采用DDQN和PPO两种算法进行强化学习训练。采用Ray框架rllib进行训练，最后达到性能为平均5-6步找到飞机头部，优于人类平均水平。

本方案面向大部分有需求的群体，解决了中少年们解决问题的速度和准确性； 本方案与市面上的其他方案相比，接入了deepseek大模型，依靠强大的语言理解能力和生成能力来实现更智能的交互 本方案运用大量传感器模块，以实现多功能扩展

1.软件面向建筑施工领域，以实现及时、准确的检测混凝土损伤位置。 2.项目分为三大模块，分别为：构建混凝土病害数据集（解决目前开源数据集较少、多数数据集所含的样本类别单一、大多数数据集图像都取材于同一地点，场景较为单一，无法还原真实场景下的混凝土构件病害的问题。）、图像增强模块（旨在增强后续分割模型的鲁棒性和分割效果）、语义分割检测模块（检测实际应用中场景复杂、存在的密集小尺度目标，提高检测准确度）。 3.项目采用的技术方法有：通过数据搜集、数据清洗、图像增强、数据集标注和数据增强这五个步骤构建数据集；提出基于 Retinex 和图像融合的图像增强算法；提出基于注意力机制和特征金字塔的语义分割算法。

项目使用DDPG算法和Keras对TORCS赛车模拟平台进行训练，以达到最优路径和最短时间的训练效果。 DDPG：其主要结合改进了以下三种算法或框架： · DPG（Deterministic Policy Gradient）确定性策略梯度算法 · DQN（Deep Q-Network）深度Q网络 · AC（Actor-Critic）随机离线策略 Actor−Critic框架 DDPG可以看成是DQN的扩展版 ，不同的是，以往的DQN在最终输出的是一个动作向量，对于DDPG是最终确定地只输出一个动作。而且，DDPG让DQN可以扩展到连续的动作空间。 可以用来作为强化学习、机器学习、深度学习课设。