UP简历小U

+86 138-0000-0000|up.ai.resume@example.com|北京

个人总结

资深视觉算法工程师，专注于计算机视觉领域，在人脸识别算法优化和工业缺陷检测项目落地方面拥有丰富经验。精通深度学习框架（TensorFlow, PyTorch），具备从算法设计、模型训练到部署优化的全栈能力，致力于通过创新算法提升产品性能和业务价值。在过往项目中，成功将人脸识别精度提升至<strong>99.5%</strong>，并实现工业缺陷检测系统<strong>98%</strong>的准确率。

工作经历

高级视觉算法工程师

某知名AI科技公司

2021-07 - 2024-03

主导人脸识别算法的研发与优化，针对复杂光照、姿态变化、遮挡等场景进行模型改进，将核心算法精度从98.2%提升至99.5%，显著增强了产品在安防、金融领域的竞争力。
负责工业缺陷检测系统的算法设计与落地，针对电子元器件、精密零部件等场景，设计并训练基于卷积神经网络（CNN）的检测模型，实现98%的检测准确率和95%的召回率，将误报率降低30%。
深入研究并应用Transformer、GAN等前沿深度学习模型，探索其在视觉任务中的潜力，成功将模型推理速度优化20%，满足实时性要求。
与软件团队紧密协作，推动算法模型在边缘设备和云平台上的部署与集成，确保算法的稳定运行和高效服务，支持了3+个核心产品的迭代上线。
负责维护和优化现有算法模型，通过持续的数据收集与模型再训练，保持算法性能处于行业领先水平，有效减少了人工质检成本15%。

项目经历

基于多模态信息融合的人脸识别系统

公司内部项目

2022-09 - 2023-06

项目背景：针对传统人脸识别在低质量图像、遮挡等复杂场景下的性能瓶颈，探索结合深度、红外等多模态信息提升识别鲁棒性。
个人职责：项目核心算法负责人，主导多模态特征融合策略设计、模型训练与评估。
关键技术：采用ResNet和Vision Transformer作为骨干网络提取图像特征，设计注意力机制进行特征加权融合，并在自建多模态数据集上进行模型训练。
项目成果：系统在复杂场景下的人脸识别准确率提升至99.7%，相比单一模态识别性能提升1.5%，显著增强了系统在实际应用中的可靠性。

智能工业视觉缺陷检测平台

公司内部项目

2021-08 - 2022-07

项目背景：为提升生产线质检效率与精度，开发一套可定制化的智能工业缺陷检测平台。
个人职责：负责平台的核心缺陷检测算法模块开发，包括图像预处理、特征提取与分类。
关键技术：应用YOLOv5和Mask R-CNN进行目标检测与实例分割，针对不同缺陷类型进行模型优化与迁移学习，实现小样本缺陷的有效识别。
项目成果：平台成功应用于3条生产线，缺陷检测准确率达到98.5%，平均检测速度达到50ms/帧，为公司每年节省质检成本超过100万元。