计算机视觉算法研发工程师简历模板

• 负责工业质检缺陷检测算法研发，主导YOLO系列模型改进与蒸馏压缩，缺陷召回率由91.3%提升至97.1%。
• 完成TensorRT量化部署与推理加速，单图耗时从38ms降至21ms，支撑产线日均120万张图像检测。
• 搭建数据清洗与难例挖掘流程，标注返工量下降约30%，模型迭代周期由3周缩短至10天。

• 参与视频结构化项目，负责行人重识别与多目标跟踪算法开发，MOT17测试集MOTA提升4.8个点。
• 使用ONNX完成模型跨平台转换与推理优化，服务端GPU资源占用降低约35%，单机并发提升1.6倍。

• 设计基于改进YOLOv8的小目标检测方案，引入注意力模块与多尺度特征融合，mAP@0.5提升6.2个百分点。
• 构建半自动标注与难例回流机制，累计沉淀缺陷样本12万张，模型上线后误检率下降至1.8%。
• 完成边缘端TensorRT部署，单台设备支持8路相机实时检测，已在3条产线稳定运行。

• 负责行人检测与跟踪模块开发，优化遮挡场景下的ID切换问题，跟踪准确率提升约9%。
• 完成模型量化与批处理推理改造，单卡吞吐量提升约50%，支撑日均80万路视频帧解析。

研究方向为计算机视觉与深度学习，相关课程：模式识别、机器学习、数字图像处理。

相关课程：信号与系统、数字图像处理、C语言程序设计。