ID:22344
梁凯 算法工程师 12年经验
2025-06-16
个人介绍:作为某双一流大学的博士研究生,我专注于深入研究人工智能算法、数据处理、软硬件结合以及FPGA电路设计等领域。我的研究旨在探索和解决人工智能与硬件设计交叉融合时遇到的关键技术问题,特别是如何高效地将复杂的人工智能算法映射到硬件平台上,以实现高性能、低功耗的智能计算系统。通过对FPGA等可编程硬件的深入研究,我致力于设计灵活、高效的电路架构,进一步优化算法的硬件实现过程,提升整体系统的处理能力和响应速度。此外,我也在积极探索数据处理技术在人工智能领域的应用,包括大数据分析、实时数据处理等,旨在为复杂环境下的智能决策提供强有力的数据支持。我的研究不仅关注理论探索,更注重实际应用,期望能够通过软硬件的深度融合,推动人工智能技术在多个领域的广泛应用。
项目经验:项目名称:基于FPGA的人工智能图像处理系统 项目概述: 在我的博士研究期间,我主导了一个创新项目——开发一个基于FPGA的人工智能图像处理系统。该项目旨在通过软硬件的深度结合,实现一个高效率、低功耗的图像识别与处理系统,以应对实时图像分析中的挑战。通过精心设计的硬件架构和优化的人工智能算法,我们的系统能够快速准确地完成图像识别任务,为智能监控、自动驾驶等应用提供技术支持。 项目背景: 随着人工智能技术的快速发展,图像处理已成为其重要应用领域之一。然而,传统的基于CPU或GPU的图像处理方案在处理大规模实时数据时面临能耗高和处理速度慢的问题。FPGA以其高并行性和可重配置性,为解决这一挑战提供了新的可能。 项目目标: 设计并实现一个基于FPGA的图像处理硬件架构,优化算法的硬件映射,以提高处理速度和能效比。 开发适用于FPGA平台的高效人工智能图像识别算法,提升系统的识别准确率。 实现软硬件协同设计,通过动态重配置技术,使系统能够支持多种图像处理算法和应用。 项目实施: 硬件设计:我们首先对FPGA平台进行了深入研究,设计了一种灵活的硬件架构,可以根据不同的图像处理需求动态重配置。通过精细的资源管理和流水线技术,大幅提升了数据处理的吞吐量和系统的能效比。 算法优化:针对FPGA的特性,我们重新设计和优化了图像识别算法。通过降低算法的复杂度和精简数据路径,减少了对硬件资源的需求,同时保证了算法的识别性能。 软硬件协同:我们开发了一套软件工具,用于自动将高层次的算法描述转换为FPGA的硬件描述语言(HDL),大大加快了开发周期。同时,通过软件模拟和验证,确保了硬件实现的正确性和稳定性。 项目成果: 该项目成功实现了一个基于FPGA的人工智能图像处理系统,经过测试,与传统的CPU/GPU方案相比,我们的系统在图像处理速度上提升了3倍,能耗降低了50%。系统已在智能监控和自动驾驶原型车上进行了实地测试,展现了良好的实用性和稳定性,得到了合作伙伴的高度评价。
技      能: 其他  
¥1300 / 8小时
立即预约
ID:22740
林鹏 爬虫工程师 4年经验
2025-06-15
个人介绍:最常用的编程语言是 Python,网络基础知识:了解 HTTP 请求和响应的基本知识,包括请求头、响应状态码、Cookie 等。HTML 和 CSS:了解基本的 HTML 标签和 CSS 样式会使用 XPath 或 CSS 选择器能更高效地定位和提取数据。数据库知识:熟悉常见的数据库系统,如 MySQL、PostgreSQL 或 MongoDB,能够将爬取到的数据存储到数据库中。反爬虫机制和反反爬虫策略:了解常见的反爬虫机制,如验证码、请求频率限制等,以及相应的应对策略。代码调试和错误处理:能够熟练使用调试工具和技巧,排查和处理代码中的错误和异常情况。
项目经验:爬取淘宝网站的数据 确定目标:明确你要爬取的具体信息,例如商品名称、价格、销量等。 发送请求:使用编程语言发送 HTTP 请求,获取淘宝网站的页面内容。你可以使用 Python 的 requests 库或者其他类似的库来发送 GET 请求。 解析网页:使用解析库(如 Beautiful Soup 或者 XPath)来解析网页的 HTML 结构,提取出需要的数据。 数据处理:对提取到的数据进行清洗和处理,例如去除多余的标签、过滤无用的信息等。 存储数据:将清洗和处理后的数据存储到数据库中,你可以使用 MySQL、MongoDB 或其他数据库系统。 循环操作:如果要爬取多个页面或多个商品的数据,可以设置循环来发送多次请求并处理每个页面的数据。 反爬虫处理:淘宝网站具有反爬虫机制,你可能需要处理一些反爬虫的问题,例如设置请求头、模拟浏览器行为、使用代理 IP 等。
技      能: 其他  
¥1000 / 8小时
立即预约
ID:22572
冯芳 高级研发工程师 15年经验
2025-06-15
个人介绍:1. 熟悉linux平台,精通python和C++,lintcode 200+,工程能力强; 2. 具有扎实的计算机视觉理论基础,有opencv编程的项目经验,熟悉颜色空间,形态学,特征提取,模糊等相关算法; 3. 熟悉LR、决策树、贝叶斯、聚类等机器学习算法; 4. 熟悉pytorch框架,对目标检测和GAN网络有深入研究,熟悉yolo系列以及ssd,r-fcn,mask r-cnn,RetinaNet,Cascade r-cnn等目标检测方法,熟悉mobilenet系列, shufflenet系列,pspnet,fcn,deeplab等图像分割方法;了解LSTM及Attention机制; 5. 熟悉模型蒸馏、剪枝、量化等模型压缩方法,熟悉img2col、winograd等常见卷积优化方法。并有将模型压缩并部署在移动端的经验。
项目经验:手机端实时图像分割 2018.12 - 2019.6 项目简介:在移动端对图片中的天空、水、山、人、建筑、墙、背景进行分割 主要工作:使用包含2W张图片的ADE20K数据集和Cityscapes数据集,结合了旋转、翻转、crop、增强对比度等多种数据增强方法扩大数据集;分割模型选用轻量但高效的ESPNetv2,对网络结构进行了修改,对ESPNetV2添加了多尺度分支,并使用了focal loss作为loss函数进一步优化效果。最终平均mIOU达到了58%。进行模型剪枝和int8量化后,使用ncnn和CoreML转框架并分别迁移到安卓和苹果移动端,在骁龙660上的延迟可以达到100ms,iphone 7上可以达到50ms。 视频超分辨率 2019.2 - 2019.7 项目简介:提升给定视频的分辨率和清晰度,优化视觉观感 主要工作:实现了一个4倍的超分系统,可将低分辨率视频中的的帧转化为高分辨率的图像帧,并且具有更加丰富的细节。数据集方面采用了包含2k分辨率图像的DIV2K数据集和Flickr2K数据集,并通过随机翻转和90°旋转等数据增强方法进一步扩大数据集。我们的模型基于ESRGAN并对其进行改进,使用网络插值对模型的参数进行初始化,完全移除了BN层。使用了感知损失来优化模型的视觉效果,使生成高分辨率图像的主观视觉得分(MOS)和峰值信噪比(PSNR)获得了较大的提升。使用moviepy将图像从低分辨率到高分辨率的过程制作为一个gif图,以更好的观察在视觉观感方面的提升。
技      能: 其他  
¥200 / 8小时
立即预约
立即预约
意见反馈