ARAMAZING RESUME
牛敬业
CV视觉算法工程师
138****5678niu****@***.com北京30男CV视觉算法工程师在职北京25k-35k •在清华大学计算机系攻读硕士学位期间，核心修读计算机视觉、模式识别、优化理论等前沿课程，GPA位列专业前15%。
•担任实验室研究生会技术部部长，组织策划了3期算法竞赛训练营，带领团队在CVPR学生挑战赛中获得优秀奖。
•参与导师主持的国家自然科学基金项目「复杂场景下的多模态视觉理解」，负责视频时序建模模块的设计，相关成果发表于ICCV 2018 Workshop。
•课外积极参加ACM程序设计竞赛，获得ICPC亚洲区域赛银牌，锻炼了在时限压力下快速实现算法的能力。
•任职期间主导公司核心视觉感知模块的研发，涵盖图像分类、目标检测等关键算法链路的设计与迭代。
•针对零售场景的商品识别需求，重构了轻量级检测网络结构，在保持模型参数量降低35%的同时，将识别准确率从85%提升至93%，显著降低了部署成本。
•独立负责视频流中多目标跟踪系统的算法实现，采用轨迹关联与重识别联合优化的策略，在复杂遮挡场景下跟踪成功率提升28%，该方案已集成至智慧门店客流分析产品。
•跨部门协作完成医疗影像、智慧零售等行业的定制化视觉方案交付，累计参与6个商业化项目的算法设计，沉淀了从需求分析到模型上线的完整方法论。
•专注城市交通场景的视觉算法研发，围绕车辆识别、交通流分析等核心任务开展技术方案设计。
•设计并实现了适应恶劣天气条件的车牌识别算法，结合多光谱数据融合与自适应阈值策略，在雨雾场景下的识别准确率达到96%以上，已服务于3个试点城市的智能交通管理平台。
•对车辆轨迹预测模型进行端到端优化，引入时空图卷积网络结构，将预测误差降低42%，同时推理延迟压缩至8ms以内，满足车路协同系统的实时性要求。
•与产品、测试团队建立敏捷协作机制，根据路测反馈快速迭代算法版本，累计交付12个功能模块，支撑了公司在智慧交通赛道的技术竞争力。
•该项目面向大型产业园区，核心目标是构建实时的异常行为监测与预警系统。
•作为算法负责人，带领4人团队完成了人体关键点检测模型的端到端优化，采用轻量化骨架网络结合时序建模，对攀爬围栏、聚集等异常行为的识别准确率达到91%，误报率控制在3%以下。
•主导开发了多人交互行为分析模块，通过图神经网络建模人员间的空间关系，实现了对冲突、求助等场景的语义级理解，识别覆盖率达85种典型行为模式。
•系统部署于某科技园区的300+监控点位，运行期间协助安保团队提前处置安全事件12起，降低了园区运营风险，方案已被纳入园区智慧管理标准。
•该项目服务于消费电子制造领域，旨在解决高密度PCB板表面微小缺陷的自动化检测难题。
•主导设计了基于少样本学习的缺陷检测方案，针对划痕、污染、虚焊等缺陷类型，构建了多任务协同的深度学习模型，在客户提供的测试集上达到98.5%的检测准确率。
•负责模型在工业相机+边缘计算盒的联合部署，通过ONNX推理引擎优化与算子融合，将单帧处理时间压缩至50ms以内，满足产线每分钟120件的处理节拍。
•与工艺工程师共同完成产线数据标注规范制定，系统已在3条手机制造产线稳定运行6个月，替代了原有的人工目检环节，检测效率提升3倍。
我是一个对视觉世界充满好奇的算法工程师，坚信计算机视觉技术正在重塑人机交互的未来。工作中始终保持代码洁癖，追求模型架构的优雅与推理效率的极致平衡。具备扎实的深度学习功底，擅长在图像理解、目标检测、视频分析等方向深入钻研，习惯用实验验证假设、用数据驱动决策。对算法落地充满热情，享受从论文思路到工程部署的完整闭环过程。业余时间活跃于开源社区，乐于分享技术见解，也期待在更具挑战性的视觉算法岗位上持续成长，用技术为智能视觉产业贡献价值。
开源项目贡献:
在MMDetection框架中提交了多尺度特征融合的优化补丁，改进了小目标检测的召回率，相关PR被核心维护者合并并纳入v2.19版本。
维护个人GitHub仓库，开源了基于Transformer的轻量级姿态估计模型，累计获得1.2k Stars，帮助社区开发者降低部署门槛。
技术分享与社区活动:
在AI社区「极客时间」开设专栏课程《视觉算法工程化实战》，通过15讲系统讲解模型部署、性能优化等主题，累计学员超过8000人。
受邀参加QCon全球软件开发大会，以「深度学习模型在边缘设备的落地实践」为题进行演讲，分享模型量化与TensorRT优化的工程经验。
