昵称登录后显示

2018.03 - 至今
车辆检测和车辆属性识别系统  负责人
● 使用深度学习算法，实现城市道路摄像头下的车辆检测和属性识别； ● 车辆检测：在 YOLO5 基础上添加 MetaAnchor 自生成先验框结构，回归计算 anchor box 参数，减少目标检测网络对先验框的依赖，提升候选框坐标的预测准确率； ● 车辆属性识别：建立多标签的车辆属性识别模型，包括车辆品牌、颜色、类型、车门数、车座数五种特征； ● 细粒度分类：对车辆品牌、车辆类型进行细粒度分类，在 B-CNN 细粒度分类模型基础上添加 APN 网络，根据无监督学习的方式使用注意力机制引导网络的学习，增大注意力区域的权重，提升识别精度。

2019.07 - 2020.05
目标跟踪  算法工程师
● 负责项目的重构工作，以boost状态机为主要结构框架，以ECO-HC作为跟踪算法，并对其部分代码进行重构和修改，使 用C/C++语言开发，部署在NVIDIA Jetson TX2开发板上 ● 基于状态转移实现跟踪项目的外围逻辑，建立线程池，完成与平台、吊舱的对接 ● 接手项目之前留下来的重找回功能，通过调整算法的尺度因子，根据变焦倍数调整跟踪框大小，实现变焦过程中目标丢 失的重找回功能，变焦后的目标找回率可达到70%以上 ● 添加接口接收YOLOv3-tiny前五层卷积特征，同时提取图像的HOG和CN特征，在维持速度的基础上，提升EAO到0.35
2019.07 - 2019.09
人群密度估计  算法工程师
● 负责项目的模型构建和训练工作，在Pytorch深度学习框架上搭建CSRNet深度神经网络，并使用TensorRT对Pytorch模 型进行优化，将Pytorch模型转化为TensorRT的engine，部署到NVIDIA Jetson TX2开发板上，infer速度可以达到3fps ● 以开源数据集ShanghaiTech为基础训练基本模型，使用无人机拍摄的数据对模型进行finetune，测试MAE达到22.61 将MobileNet-v3添加到CSRNet结构中训练模型，对比测试模型效果
2017.06 - 2017.11
基于社交网络传感器的雾霾预测系统  算法工程师
● 根据一定数量的微博，计算雾霾发生概率，以及预测一段时间之后的天气状况； ● 使用 selenium 爬虫爬取微博，将爬取的原始微博进行分词、去重、去标点符号等处理； ● 根据微博是否指示当前发生雾霾进行分类，构造一个自动分类的机器学习模型，如 SVM、贝叶斯分类器等； ● 利用分类后的正样本计算雾霾发生概率。
2017.04 - 2017.07
基于监控视频的车牌识别系统  负责人
● 车牌识别系统主要应用于小区内部监控摄像头以及城市道路、十字路口的摄像头； ● 传统方法：使用Canny算子检测边缘，建立基于SVM的车牌分类模型；对车牌图片进行二值化处理以切割字符，建立基于随机森林的字符分类模型； ● 深度学习方法：建立基于SSD的车牌检测模型；实验后选取ResNet50网络模型，添加SPP层减少形变影响，实现端到端车牌识别； ● 检测算法改进：修改标记方法，回归得到车牌四个角点坐标，通过透视变换对齐得到水平车牌。
车道线分割  算法工程师
项目背景：车道线检测作为自动驾驶的基础部分，把它视为分割任务应用在项目中。 项目任务：检测车道线的位置及其类别。 工作介绍： 1) 通过查看发现数据图片较大且上面大部分为天空及景色，所以裁减了图片的高度，节省了显存；从亮度、饱 和度、对比度等方面做了大约 5000 张图片的数据增强； 2) 使用基于 resnet 残差模块的 Unet 网络； 3) 采用了 bce+dice 的损失函数，相比单一 bce 提升大约 0.01 左右； 项目成果：在图像分割方面实现了车道线检测，模型最终 Miou 为 0.55 左右。
2018.11 - 2019.08
交通标志分类  算法工程师
项目背景：车辆在道路行驶中需要准确识别交通标志，遵守道路行驶规范。 项目任务：针对常见道路交通标志进行准确分类。 工作介绍： 1) 使用在 ImageNet 数据集上预训练的 ResNet34 进行迁移学习； 2) 在图片旋转、亮度等方面做数据增强，最终用训练集 80%用于训练，20%验证； 3) Loss function 使用交叉熵损失函数； 4) learning rate 采用的指数下降函数，学习率刚开始设置为 0.01，然后随着训练轮数的叠加而不断降低； 5) 使用 Adam 优化算法， 比其他方法模型收敛速度更快一些； 项目成果：模型在测试集上的准确率达到 96.7%。
基于街道场景下的车辆及行人检测  算法工程师
项目背景：在拥挤街道场景下实现对车辆及行人的检测，从而达到有效避让。 项目任务：目标在图像中分布密集，并且遮挡严重；小目标检测难度大，近景和远景目标尺度差异大。 1) 采用 YOLOv3 作为 baseline，使用 Resnet50-vd+DCN 作为 backbone,有效解决了模型参数量过大的问 题，模型大小减少了 10%； 2) 运用了 mosaic、cutmix 等方法做数据增强，增加数据量的同时也降低了检测小目标难度，增强了模型泛化 能力。 3) 利用 FPN+PANET 的结构做特征融合，增强了语义信息与位置信息的融合能力 4) 使用较大的学习率和动量，加上余弦退火的训练策略，相比 Adam 会有 0.5 的 mAP 提升。 5) 将传统的 nms 改为 DIOU-nms，通过训练后发现遮挡严重部分的预测框也能有效地被检测出来，解决了因 遮挡现象较多而存在误检和漏检的行为。 项目成果：最终模型 FPS 达到 63 左右，mAP 相较 YOLOv3 提升到了 42.3，在密集场景下检测达到了一定效 果，为后续模型部署提供了基础。
2019.08 - 2019.12
道路车辆检测  算法工程师
项目背景：自动驾驶车辆需要在道路上对车辆实时检测。 项目任务：对行驶在道路上的车辆进行实时检测。 工作介绍： 1) 采用一阶段检测模型 YOLOv3 作为训练模型，backbone 为 Darknet53； 2) 使用 K-means 对数据聚类，形成新 anchor； 3) 使用 mse 作为回归损失函数，bce 作为分类损失函数； 4) 使用 Adam，多次调整 batch size 和 LR 等超参数，使模型快速收敛； 5) 运用 NMS 去掉冗余框，得到最终预测结果。 项目成果：通过 YOLO 模型在实时性和准确率达到了一定效果，但还有很大的改进空间。