负责短视频内容生产全链路计算机视觉算法落地，涵盖视频内容理解、智能剪辑决策及移动端画质增强的端到端研发，边界包括算法选型验证、性能瓶颈突破及业务效果从模型到产品的全闭环优化

• 主导设计基于Transformer的多模态视频内容标签系统，融合CLIP文本-图像对齐能力与TimeSformer视频时序建模，针对长视频标签召回率低（原62%）、跨场景泛化差问题，提出“帧级特征聚类+语义相似度重排”策略，通过Faiss构建视觉特征索引库，将标签召回率提升至97%，误标率从15%降至3%，支撑内容推荐场景下视频打散率提升28%
• 重点优化智能剪辑的镜头分割算法，针对剧情类视频镜头过渡模糊（原分割准确率89%）问题，设计U-Net+Cross-Modal Attention融合模型，将音频节奏特征与视觉运动特征联合编码，同时引入业务规则约束（如对话镜头最小时长），将分割准确率推升至95%，剪辑自动化率从70%提升至90%，单条视频剪辑耗时从45分钟缩短至27分钟
• 针对移动端低算力场景落地画质增强功能，基于ESRGAN架构进行轻量化改造，通过通道剪枝（保留83%核心权重）与知识蒸馏（用教师模型指导学生模型学习高频细节），将模型大小从180MB压缩至55MB，部署后手机端PSNR从28.5dB提升至30.6dB，用户短视频完播率增加12%，低端设备用户卡顿率下降19%
• 搭建视频内容理解的A/B测试框架，用TensorFlow Extended（TFX）串联数据预处理、模型推理及效果评估，实现每周3次算法迭代，快速验证“基于光流的运动轨迹预测”等新功能，推动内容标签覆盖度从85%扩展至98%，支撑运营侧精准定位低质内容效率提升40%

聚焦直播场景实时计算机视觉应用研发，覆盖虚拟道具精准跟踪、主播动作意图识别及观众跨设备互动体验优化，边界包括毫秒级延迟调优、多终端（iOS/Android/Web）兼容及互动指标从算法到产品的落地

• 核心参与虚拟礼物道具的实时跟踪算法优化，针对主播肢体遮挡导致的跟踪漂移问题（原准确率82%），采用YOLOv8作为检测 backbone，结合DeepSORT的卡尔曼滤波与匈牙利匹配，新增“遮挡时序预测”模块——当道具被遮挡超过200ms时，基于历史轨迹外推位置，将跟踪准确率提升至91%，道具触发成功率从70%升至95%，支撑直播礼物营收月均增长15%
• 优化主播表情与动作识别模型，针对直播间复杂光照（如舞台灯、手机闪光灯）导致的识别不稳定问题，用ResNet-50+Frozen Batch Normalization冻结预训练阶段的归一化层，结合迁移学习微调最后3层全连接层，将表情识别准确率从88%提升至94%，动作识别（如点赞、比心）延迟从150ms压缩至80ms，互动弹幕量增加18%，主播开播留存率提升7%
• 开发观众手势交互系统，面向弹幕发送、点赞等高频操作，用MediaPipe Hands提取手部关键点，结合自定义轻量CNN模型（仅1.2M参数）识别“点赞”“打赏”等6种手势，通过WebRTC低延迟传输实现<100ms响应，用户手势交互渗透率从5%提升至22%，跨设备互动转化率提升12%
• 构建直播场景的视觉数据标注 pipeline，用Label Studio+PyTorch Dataset实现标注任务自动化分配与质量校验，针对主播面部遮挡、光线变化等 corner case 补充20万张标注数据，模型泛化能力提升30%，减少后续算法迭代的人工标注成本45%

负责图文及短视频内容的基础计算机视觉算法研发，覆盖图像分类、商品目标检测及内容安全审核，边界包括算法从0到1落地、数据 pipeline 搭建及算力成本控制

• 主导搭建图像分类模型的数据生产体系，用PyTorch Lightning实现多尺度数据增强（随机裁剪、颜色抖动、高斯模糊），结合MLflow跟踪实验参数与指标，将数据标注效率从每人每天500张提升至1200张，模型训练周期从7天缩短至4天，支撑电商商品图分类准确率从80%提升至92%，商品搜索召回率增加10%
• 优化商品目标检测算法，针对小目标商品（如首饰、化妆品，占比18%）检测差问题，在Faster R-CNN基础上调整 anchor 尺寸（新增8x8、16x16像素 anchor），并用FPN增强小目标特征提取，检测准确率从85%提升至93%，电商详情页商品点击率提升10%，客单价增加8%
• 开发内容审核的图像违规检测模型，覆盖色情、暴力、政治敏感等6类违规内容，用EfficientNet-B3作为 backbone，结合Bilinear CNN提取双模态特征（图像+纹理），通过 focal loss 解决正负样本不平衡问题，误判率从18%降至6%，审核效率从每人每天3000张提升至8000张，支撑内容安全团队人力成本降低35%
• 推动模型部署优化，将商品检测模型从TensorFlow转换为TensorRT格式，在GPU服务器上推理速度提升3倍，算力成本下降50%，同时支持CPU fallback，保障低配服务器场景下的服务可用性

电商直播场景下实时用户兴趣预测与推荐系统优化

• 项目背景：公司电商直播业务面临「用户停留时长下滑」与「转化效率瓶颈」问题——传统离线推荐无法捕捉用户实时互动行为（如弹幕、点赞、切换直播间），导致推荐内容滞后，实时点击转化率仅4.2%，低于行业均值1.5pct。我的核心目标是主导搭建「实时+离线」融合的兴趣预测体系，将推荐延迟压缩至100ms内，同时提升转化效率。
• 解决的关键难题：1）多源实时数据的高效融合——用户行为、主播状态、商品库存等数据流来自8个异构系统，存在 schema 不一致、延迟波动大的问题；2）轻量级模型的精准性平衡——传统实时模型（如LR）无法处理序列依赖，而深度模型（如Transformer）推理延迟过高（超200ms）无法满足在线要求。
• 核心行动与创新：1）数据层：基于Flink搭建实时特征工程平台，设计「窗口聚合+事件触发」的双模式特征计算逻辑，解决了弹幕情感倾向、主播话术关键词等实时特征的延迟问题，特征覆盖率从75%提升至98%；2）模型层：针对序列依赖问题，将DistilBERT改造为「行为序列编码器」，通过知识蒸馏将原始BERT的参数量减少60%，同时保留92%的语义表征能力；3）服务层：采用TensorRT对模型进行量化加速（FP32转INT8），结合Redis缓存高频用户的实时特征，将单请求推理时间从180ms压降至45ms。
• 项目成果：系统上线后，直播场景实时推荐点击转化率提升至7.6%（同比增长81%），用户平均停留时长从8.2分钟延长至11.5分钟（增长40%），单月GMV贡献增加1.2亿元。我主导的「实时特征融合框架」与「轻量级序列模型优化方案」被纳入公司推荐算法标准库，支撑了3个业务线的实时化改造。

短视频创作者分层运营算法体系搭建

• 项目背景：公司短视频创作者规模年增长40%，但运营团队仅能覆盖10%的头部创作者，中腰部创作者流失率超25%——缺乏精准的创作者价值评估模型，导致运营资源错配。我的目标是构建「内容质量-用户互动-商业潜力」三维分层体系，支撑运营策略的个性化制定。
• 解决的关键难题：1）创作者特征的多模态整合——内容特征（如视频完播率、画面清晰度）、行为特征（如更新频率、粉丝互动回复率）、商业特征（如带货转化率）之间存在强耦合，传统特征工程难以捕捉非线性关系；2）分层效果的量化评估——缺乏统一的「价值-运营ROI」指标，无法验证分层模型对业务的实际贡献。
• 核心行动与创新：1）特征建模：融合Graph Neural Network（GNN）与XGBoost，将创作者的「关注关系」「评论互动」「内容转发」等图结构数据融入模型，解决了传统模型忽略创作者生态关联的问题，特征重要性分析显示，「粉丝互动网络密度」这一图特征的预测贡献度达18%；2）分层设计：基于SHAP值定义「创作者综合价值分」，将创作者分为S（战略级）、A（潜力级）、B（成长级）、C（基础级）四层，同时配套「运营动作-分层匹配矩阵」（如S层侧重资源倾斜，B层侧重内容指导）；3）效果闭环：设计「留存率+内容产出量+商业变现率」的三维评估体系，通过A/B测试验证分层模型的有效性。
• 项目成果：分层模型准确率从初始的62%提升至87%，运营资源投入ROI提升35%——S层创作者留存率从78%升至93%，B层创作者月均内容产出量增长50%，单季度新增商业变现创作者8000+。该体系成为公司创作者运营的核心工具，支撑了「创作者成长计划」等3个重点项目，我也因此晋升为算法工程负责人。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。