IT人力外包人才简历库

精通Python编程语言，熟悉C++基础开发；掌握PyTorch、TensorFlow等深度学习框架，熟练使用sklearn、numpy、pandas等数据处理工具；精通计算机视觉领域，包括图像分类、目标检测、语义分割及模型压缩技术；精通NLP技术，熟悉Transformer、BERT等预训练模型；掌握Linux开发环境，熟练使用Git版本控制工具；具备模型训练、调参及优化经验，熟悉交叉熵损失、Focal Loss等优化算法；精通YOLO、RetinaNet、Unet等主流算法框架；熟悉数据增强、模型蒸馏等技术；具备英文技术文档阅读能力。

长期从事AI算法研发工作，主导多个工业视觉检测项目，包括烟盒/门板/密封环缺陷检测系统开发，实现98%以上缺陷识别准确率。主导NLP项目开发，完成金融实体NER、文本摘要及工具API开发，支持多场景文本分析需求。具备完整算法研发经验，从数据预处理、模型设计到部署优化，实现算法性能提升30%以上。熟练使用深度学习框架进行模型迭代，通过改进Unet架构、优化损失函数等手段提升检测精度。具备良好的工程化能力，能够将算法模型转化为可部署的工业解决方案。

1. 烟盒缺陷检测：基于无监督学习与监督学习结合方案，利用OK样本训练无监督模型检测未知缺陷，通过监督学习对开口区域进行分类，采用CAM热图可视化及特定OOD检测算法，实现翻边/露白缺陷的精准识别。

2. 密封环缺陷检测：采用改进Unet架构进行语义分割，针对小面积裂纹特征，通过Focal Loss等损失函数优化，提升模型对底层特征的复用能力，实现0.85以上mIoU。

3. 门板缺陷检测：基于Detectron2框架实现目标检测，通过研究RetinaNet论文改进模型结构，提升划痕/压痕检测精度，实现95%以上召回率。

4. 人群计数：采用改进CSRNet网络结构，结合多尺度特征融合技术，提升密集场景下的人群密度估计精度。

5. 文本摘要：基于Transformer架构实现多文档摘要生成，通过对比学习策略提升摘要内容的连贯性与信息完整性。

6. 金融实体NER：构建基于BERT的联合实体识别模型，实现多类别实体的精准抽取，支持复杂金融文本的结构化处理。