UP简历小U

+86 138-0013-8000|up.ai.resume@example.com|上海

作为一名专注于车载视觉感知的实习生，我具备扎实的计算机视觉与深度学习基础，尤其在BEV感知模型优化方面拥有实践经验。我致力于通过创新算法提升复杂天气下的障碍物检测准确率，对自动驾驶技术充满热情，期待在挑战性环境中贡献所学，加速技术落地，并持续学习成长。

某头部自动驾驶公司

2024-03 - 2024-09

深度参与公司L4级自动驾驶核心感知模块的研发与优化，聚焦于BEV（Bird's Eye View）感知模型在复杂天气（雨、雾、雪）下的性能提升。
负责基于Transformer架构的BEV感知模型改进，通过引入多尺度特征融合和时序信息融合机制，有效提升模型对遮挡和模糊目标的感知能力。
针对雨雾天气导致的图像退化问题，设计并实现了自适应图像增强预处理模块，使模型在恶劣天气下的障碍物检测召回率提升了12%，误报率降低了8%。
利用大规模真实场景数据集进行模型训练与验证，优化损失函数与训练策略，最终使BEV模型在公司内部基准测试中，平均mAP提升了3.5%。
参与GPU性能优化，通过模型剪枝和量化，将单帧推理时间从60ms优化至45ms，满足车载实时性要求。
与软件团队紧密协作，将优化后的感知算法成功部署至车载计算平台，并通过真车测试验证其鲁棒性和稳定性。

上海交通大学智能感知实验室

2023-10 - 2024-02

背景：针对单一视觉感知在复杂工况下的局限性，研究如何有效融合多模态传感器数据以提升感知精度。
任务：设计并实现一个融合相机和毫米波雷达数据的BEV感知系统，重点解决数据配准、特征融合策略以及异常值处理。
行动：
1. 提出一种新颖的跨模态注意力机制，使得模型能根据场景动态调整不同传感器数据的权重，尤其在低能见度环境下，能更依赖雷达数据。
2. 搭建基于PointPillars和BEVFormer的融合架构，利用雷达点云补充深度信息，克服视觉传感器在距离估计上的弱点。
3. 在公开数据集nuScenes上进行实验，通过对不同传感器配置和融合策略的对比分析，验证了所提出方法的有效性。
结果：系统在3D目标检测任务中的NDS（nuScenes Detection Score）较基线模型提升了4.1%，尤其在长距离小目标检测方面表现优异，为复杂环境下的自动驾驶感知提供了更可靠的解决方案。

华中科技大学计算机视觉研究组

2022-03 - 2022-09

背景：雨天图像质量下降严重影响自动驾驶系统对环境的正确感知。
任务：开发一种高效的图像去雨算法，以恢复清晰的图像，为后续感知任务提供高质量输入。
行动：
1. 调研并学习了GAN（生成对抗网络）在图像去噪和去模糊领域的应用。
2. 设计并实现了一种基于条件GAN的图像去雨模型，采用残差学习和多尺度感知损失来提高去雨效果和细节保留能力。
3. 构建了包含合成雨图和真实雨图的数据集，并进行了大量的模型训练与调优。
结果：该算法在PSNR（峰值信噪比）指标上达到30.5dB，并在主观视觉评估上表现出卓越的去雨效果，有效提升了雨天图像的清晰度，为后续目标检测任务提供了15%的性能增益。