Python

项目背景：通过搭建知识图谱系统进行规整管理，提升工作效率的同时，完成数据信息统一化，进而实现资产关系快速检索及全链路关系查询，做到系统发生故障时的根因分析定位。 项目职责：主导命名实体任务开发及优化+关系抽取、实体链接模型设计与研发+KBQA问答服务。 效果提升：提出通过构造不同的标签序列标注方案进行训练，解决中英文混合输入等问题，提升使用 提升工作效率的同时，完成数据信息统一化，进而实现资产关系快速检索及全链路关系查询，做到系统发生故障时的根因分析定位。 项目职责：主导命名实体任务开发及优化+关系抽取、实体链接模型设计与研发+KBQA问答服务。 效果提升：提出通过构造不同的标签序列标注方案进行训练，解决中英文混合输入等问题，提升使用效果，f1 score最高达96%，较之前提升17%。 模型搭建：主导关系抽取模型及实体链接模型搭建，通过elasticsearch做倒排索引召回，解决实体命名不一致问题，通过Bert_Biaffine模型有效进行嵌套实体识别，提升工作效率。 项目成果：顺利完成项目落地，实现KBQA问答服务，满足业务需求。

项目背景：自研实体识别系统，保障实体识别质量及系统良好扩展性。 项目职责：独立完成项目从0-1设计，主要架构：模型识别+AC自动机词库匹配+正则后处理 实体类别问题处理：深入分析实体类别、标签分布不均匀原因，提出通过数据增强+EDA加噪+标签截断等方式，缩小实体类别差距，提升训练数据质量。 应用效果及速度提升：通过ONNX实现推理加速，同时实现模型蒸馏，有效提升模型运行时间，提升应用场景效果。 对内沟通协调：高效沟通，指导完成数据整改，增加正则的后处理，实现实体规范化管理。 项目成果：各模型在hdfs、apache等6个训练集的准确率基本保持93%+，完成1700+日志模板结构化，满足业务场景需求，在知识图谱中发挥重要作用。

关于扫描件，数字化加工人员扫描不可拆解的书籍时，因为扫描仪设计不合理导致电子文档上留下边缘黑边。去除黑边一般采用ps等图形工具裁剪黑边，这样工作量较大。 改程序通过人工智能自动定位有效内容部分的上下左右位置。通过定位信息可以采用opencv进行裁剪。 1.【100%】基于TensorFlow2.x实现，该模型训练后可以实现扫描件内容部分定位。

技术原理： 1．人脸采集与检测：通过人脸检测技术对图像检测人脸所在位置和尺寸大小，从而获得面部信息（本次使用Dlib官方模型获取人脸信息）。 2．人脸图像预处理：在获取人脸信息后，需要对图片进行必要的处理，使图像中的人脸特征更明显并减少外部环境影响，同时提高人脸识别的准确性。目前人脸预处理可以通过直方图均衡化、灰度值变换、二值化处理、几何矫正等来实现（本次技术实现预处理见第三节设计实现）。 3．人脸图像特征提取：将人脸图像转换为一个多维向量，把人脸信息转换为特定数值来表示人脸的不同。目前可以通过人脸几何特征、代数特征、特征脸、云纹图等方式来提取人脸特征。 4．人脸特征评价：通过预先确立的人脸标准模型对人脸的信息进行差异性比较，获取差异值。标准模型所包含的信息包括：比例、长度、色差、深度等。

简介：Unity 2D场景的阴影效果 个人工作：2D场景的阴影效果，可以做到被场景物遮挡、人物描边、交互物变色等视觉表现

作品简介： MOD编辑器是为了开放给玩家编辑游戏MOD打造的一款应用，玩家可以在里面编辑游戏内的玩法、样式、美术表现等相关选项。 工作内容： 客户端框架；大厅；登录；mod上传、下载、删除、编辑；技能编辑、阵营编辑、角色编辑等。

简介：Unity项目的性能分析与性能优化 工作内容：独自负责项目的性能分析（包括：内存、CPU、GPU等的Profiling）以及项目的性能优化（包括：贴图、材质、spine动画、animation动画、shader等优化），对热点场景和性能瓶颈的UI等进行了专门的针对性处理。 结果：热点场景帧率明显上升，项目的内存占用以及耗电量均有明显下降。

常规流程数据处理，训练，预测， 算法工程师，质量有保障，售后无忧，有需要可联系， 走平台，安全无忧 同时，可接爬虫

使用python对样本数据进行预处理，基于遥感影像使用GEE和深度学习等方法提取省域范围上的冬小麦面积。并使用arcgis工具制作专题图

融合两个项目，并且可以输入视频或者摄像头源。可以实时定位人脸并且识别个人。包含了视频转换接口，可以使用post传输视频进行转换

从事计算机视觉算法的设计、开发、验证与论文发表工作。 从事人脸识别算法的工程化工作，实现了人脸验证算法的工程化部署，支持高并发。 精通计算机视觉中 单目标跟踪、人体关键点识别、目标检测、多目标跟踪等算法，并有发表高质量论文的经验。

本系统的web端的搭建基于streamlit框架， streamlit是一个开源 Python 框架，可以快速的搭建机器学习与数据分析的web端平台，同时也可以使用 Streamlit 轻松部署web端。Streamlit 允许您以与编写 python 代码相同的方式编写应用程序。Streamlit 可以无缝地处理 Web 应用程序中的编码和查看结果的交互循环。 在编程时，如果 streamlit 的 python 脚本的源代码发生更改，应用程序会在右上角显示是否重新运行应用程序。还可以选择“始终重新运行”选项以在源脚本更改时始终重新运行。 这使的web端的开发流程变得更加容易，每次进行一些更改时，它都会立即反映在当前的 Web 应用程序中。编码和实时查看结果之间的这种循环使您可以无缝地使用 streamlit。

某企业内部保存大量的行业知识培训视频，希望实现内容检索，从而提升知识资产的使用价值。 我从视频文件提取语音，并识别文字；采用百度PaddleSpeech等技术实现。 我承担这个项目的所有研发工作。

内容：通过头戴AR眼镜上的摄像头，对视线范围内的装配物体进行识别，结合云端数据库，增强显示装配大纲数据，指导装配。 技术栈：后台管理系统前后端设计（后端SpringMVC，前端BootStrap，数据库Mysql），二维标识码识别（Opencv-contrib ARUCO），三维融合定位，工装夹具设计，AR实时视频流传输

针对工地中基于视频的安全检测问题，开发和搭建基于数字图像处理技术、机器学习技术的工人穿戴是否合规以及工地周边是否有人偷挖资源的监测平台，目的是监测工地中关于工人是否安全作业的情况以及工地周边的情况，提高生产过程中的安全性和资产的安全性 项目职责： 主要负责产品的设计、开发；设计整个系统的架构； 设计系统的软件结构；开发系统的检测识别部分； 项目业绩： 在设计阶段，主要设计了整个系统的总体架构以及软件架构和各个模块； 在开发阶段， 首先收集了关于是否佩戴安全帽的数据集，通过深度学习完成了数据集的训练，生成了可以判断工人是否佩戴安全帽的模型，以及可以判断人的动作是否是可疑动作的模型；其次开发了软件部分，将生成的模型运用到软件工程中，并将程序移植到 AI 开发板上，形成产品；

中小学人工智能教育场景中针对学生考试的错题进行推荐同类题型。将做过的试卷拍照后，可以把学生手写做过的试卷去掉学生手写文字及手画的图片，保存成干净空白试卷，在通过 AI 目标识别、OCR、NLP 等技术，针对学生做错的题推荐若干道题，以达到让学生加强巩固知识的目的。 项目职责：主要负责试卷图片前期的处理（包括试卷部分提取、去除阴影等），文字校正，错误符号的检测、去除手写部分、OCR 版面分析和文字识别。 项目业绩：训练了语义分割模型对带有拍摄背景的图片进行边缘智能识别，去除杂乱的拍摄背景并精准框取试卷边缘，得到完整的试卷图片；将图像的文字和背景做较为清晰的分离使得文字清晰；对于拍摄的比较扭曲的照片完成了文字校正；通过训练了目标检测模型，比较准确地检测出错误符号的位置；训练了文字擦除模型将试卷的手写部分擦除，还原出裸卷；训练了 OCR 模型进行版面分析和文字识别。

交通枢纽的客流分析，交通枢纽每天客流分布、交通枢纽每天时点客流分布、交通枢纽60分钟客流分布、交通枢纽进出站规模与分布、交通枢纽的客流画像分析（性别、年龄、来源）、早晚高峰交通枢纽的人数规模 1）时间维度选择：右上角选择年月日来展示具体数据。 2）区域维度展现：中间提供交通枢纽选择功能，点击交通枢纽名称可以切换页面数据，默认展示其中一个交通枢纽数据，如：长隆度假区。

本发明公开了一种基于生成对抗网络的非可逆人脸信息加密及人脸识别方法，该方法基于人脸属性编辑，对人脸信息提取特征，采用非可逆加密人脸属性映射，得出加密后的数据值并编辑出一张相对应的新的人脸信息，通过比对加密后的人脸信息，识别判断得出结果。本发明可用于安检、支付、解锁、购票、比对、身份核验等需要人脸识别的应用场景平台，可使各应用平台中存储的人脸数据变为经过不可逆加密的人脸数据，保护了个人面部信息的隐私性。同时，通过在不同应用平台应用不同的加密参数，可实现不同应用平台人脸储存信息的独立性与安全性，体现出本发明的广泛应用性。本发明的实施，将有助于加强对人脸隐私信息的保护。

1、段落标注: 提取法律文书段落特征，训练CRF模型实现自动标注一篇新的文书段落，包括：调查、理由、意见、答辩、诉求、裁判等，准确率达到94%以上。 2、案件分类: 利用文书的理由、答辩段落的内容，加入CNN、Hierarchical Attention LSTM模型训练，实自动根据用户的案情描述判断是属于哪类型的案件。 3、语义匹配：针对用户的案情描述，找到与它语义匹配的其它相关案件，与关键字搜索不同，例如搜索卡车事故，会搜索包含挂货车、牵引车等要素条件。

项目主要分为识别模块和训练模块。识别模块主要是完成车牌定位、图像处理、切割字符等；训练模块是搭建神经网络进行训练，最终进行测试。 项目由两人完成，整体开发过程为共同开发，我主要负责识别模块，最终的整合调试也是共同完成。