1.	熟悉linux平台，精通python和C++，lintcode 200+，工程能力强；
2.	具有扎实的计算机视觉理论基础，有opencv编程的项目经验，熟悉颜色空间，形态学，特征提取，模糊等相关算法；
3.	熟悉LR、决策树、贝叶斯、聚类等机器学习算法；
4.	熟悉pytorch框架，对目标检测和GAN网络有深入研究，熟悉yolo系列以及ssd,r-fcn,mask r-cnn，RetinaNet，Cascade r-cnn等目标检测方法，熟悉mobilenet系列, shufflenet系列，pspnet，fcn，deeplab等图像分割方法；了解LSTM及Attention机制；
5.	熟悉模型蒸馏、剪枝、量化等模型压缩方法，熟悉img2col、winograd等常见卷积优化方法。并有将模型压缩并部署在移动端的经验。

手机端实时图像分割                                            2018.12 - 2019.6
项目简介：在移动端对图片中的天空、水、山、人、建筑、墙、背景进行分割
主要工作：使用包含2W张图片的ADE20K数据集和Cityscapes数据集，结合了旋转、翻转、crop、增强对比度等多种数据增强方法扩大数据集；分割模型选用轻量但高效的ESPNetv2，对网络结构进行了修改，对ESPNetV2添加了多尺度分支，并使用了focal loss作为loss函数进一步优化效果。最终平均mIOU达到了58%。进行模型剪枝和int8量化后，使用ncnn和CoreML转框架并分别迁移到安卓和苹果移动端，在骁龙660上的延迟可以达到100ms，iphone 7上可以达到50ms。
 视频超分辨率												  2019.2 - 2019.7
项目简介：提升给定视频的分辨率和清晰度，优化视觉观感
主要工作：实现了一个4倍的超分系统，可将低分辨率视频中的的帧转化为高分辨率的图像帧，并且具有更加丰富的细节。数据集方面采用了包含2k分辨率图像的DIV2K数据集和Flickr2K数据集，并通过随机翻转和90°旋转等数据增强方法进一步扩大数据集。我们的模型基于ESRGAN并对其进行改进，使用网络插值对模型的参数进行初始化，完全移除了BN层。使用了感知损失来优化模型的视觉效果，使生成高分辨率图像的主观视觉得分(MOS)和峰值信噪比(PSNR)获得了较大的提升。使用moviepy将图像从低分辨率到高分辨率的过程制作为一个gif图，以更好的观察在视觉观感方面的提升。