UP简历小U

+86 138-0013-8000|xiaou.upresume@example.com|上海

资深AI算法工程师，专注于计算机视觉和3D点云处理，具备深厚的模型设计与优化经验。特别擅长利用3D点云体征识别模型，实时监控畜牧生长曲线，通过精细化饲养方案将成本降低15%。熟练掌握深度学习框架，具备从数据采集、模型训练到部署优化的全栈能力，致力于推动智能畜牧业的数字化转型与效率提升。

某头部农业科技公司

2021-07 - 2024-05

主导研发智能畜牧个体识别系统，利用3D点云体征识别模型实现生猪的非接触式体重、体型及健康状态实时监测。系统上线后，将传统人工巡检效率提升了40%，数据采集准确率达到98%以上。
负责高并发数据流处理架构设计与优化，确保每秒处理数千帧点云数据，并实时反馈至养殖管理平台。系统运行稳定性达到99.9%。
深入研究并优化点云深度学习模型（如PointNet++, DGCNN），针对猪只复杂姿态及环境遮挡等问题，设计创新性特征提取模块，使识别精度相较开源模型提升了12%。
与养殖专家紧密合作，将模型输出数据与饲料配方、环境控制等策略结合，通过精细化饲养方案，成功帮助合作养殖场将整体饲养成本降低了15%，提前出栏周期7天。
负责团队内算法工程师的培训与技术指导，带领团队完成3个核心算法模块的迭代升级，项目交付周期缩短了20%。

清华大学-智能感知实验室

2019-09 - 2021-05

项目背景：针对传统动物行为研究中，二维视频数据在遮挡、尺度、视角变化下精度受限的问题，设计并开发基于3D点云的动物姿态估计与行为分析系统。
个人职责：核心算法设计者与实现者，负责点云数据预处理、骨架点检测与姿态估计模型的开发。
关键技术：采用深度学习方法，结合Transformer架构与图神经网络，处理非结构化点云数据。设计自适应采样与特征聚合策略，提升模型对不同动物种类和姿态的泛化能力。
项目成果：系统在猪只、牛只等多种畜牧动物上的姿态估计平均误差降低了25%，行为识别准确率提升至92%。该系统为智能畜牧行为监测提供了高精度解决方案，并成功应用于2篇SCI论文中。

某互联网公司 (实习项目)

2020-03 - 2020-09

项目背景：为满足公司业务快速增长的图像识别需求，需要构建一个高并发、低延迟的实时图像识别API服务。
个人职责：核心算法模块开发与性能优化，负责图像预处理、模型推理加速和API接口设计。
关键技术：使用TensorRT对深度学习模型进行加速，结合GPU并行计算优化推理性能。采用Kafka作为消息队列处理高并发请求，并利用Docker容器化部署，实现快速弹性伸缩。
项目成果：服务吞吐量达到500 QPS，平均响应时间控制在50ms以内，相较原有方案性能提升了3倍，有效支撑了公司核心业务的用户增长需求。