负责电商平台商品视觉理解核心算法研发与落地，覆盖商品识别、属性提取、场景分析全链路，支撑搜索推荐、智能导购等业务场景，推动视觉技术与GMV增长、用户体验优化的深度绑定。

• 主导设计基于多模态融合的商品主图识别系统，针对服饰类商品因褶皱、遮挡导致的关键属性（如领型、袖长）识别准确率低的问题，采用CLIP模型作为特征对齐器，结合ResNet-50的局部特征增强模块，重构属性特征表达空间，将属性识别准确率从89.2%提升至94.7%，直接支撑搜索结果页商品匹配度优化，用户点击转化率提升6.3%，对应季度GMV增量超8000万元。
• 核心参与开发商品陈列场景分析算法，解决货架商品多角度拍摄、光照不均导致的品类分类误差问题，引入自监督学习的MoCo v3预训练策略，结合在线难例挖掘机制（每日更新500+难例样本），将复杂场景下的分类准确率从82.5%提升至89.1%，帮助商家优化货架陈列效率，平台优质商品（符合视觉规范的商品）曝光量增加22%。
• 推动轻量级模型在端侧的落地，针对移动端算力限制，采用知识蒸馏技术将YOLOv8s模型压缩至原大小的1/3（从28MB降至9MB），在保持mAP@0.5=91.4%的前提下，推理速度提升4倍（单帧处理耗时从45ms降至11ms），成功集成至商家版APP的“智能拍照识货”功能，日均调用量突破500万次，用户满意度评分达4.8/5（行业平均4.5）。
• 搭建商品视觉数据闭环系统，设计基于主动学习的样本筛选策略（基于预测熵值与梯度范数），将人工标注需求降低40%，同时通过对抗样本生成（FGSM攻击）优化模型鲁棒性，使模型在模糊、低质商品图上的识别准确率提升12%，支撑大促期间高并发商品识别请求的稳定性（QPS从8000提升至1.2万）。

聚焦内容社区场景下的视觉内容理解技术研发，负责图像/视频的内容标签生成、违规内容检测及用户兴趣建模，支撑内容分发效率与社区生态健康度提升。

• 重点优化视频内容标签系统，针对长视频关键帧提取不全、标签语义模糊问题，设计基于时空注意力机制的3D CNN模型（I3D改进版），结合动态时间规整（DTW）算法优化帧采样策略（按动作显著性动态调整采样间隔），将标签召回率从78%提升至89%，支持推荐系统的内容理解能力升级，用户日均观看时长增加11分钟（从65分钟提升至76分钟）。
• 主导开发涉黄涉政违规图像检测模块，应对对抗样本攻击导致的漏检问题，构建多尺度特征融合的Faster R-CNN改进模型（引入FPN+注意力门控），结合对抗训练策略（基于PGD攻击的迭代训练），将检测准确率从93.5%提升至97.2%，误报率控制在0.8%以内，保障社区内容安全，平台违规内容下架时效从2小时缩短至15分钟。
• 参与用户兴趣视觉建模项目，通过分析用户浏览图像的视觉特征（如色彩分布、物体布局）与交互行为（点赞、收藏）的关联，设计跨模态对比学习框架（基于SimCLR改进），将用户兴趣向量表征的余弦相似度提升至0.82（原0.71），推动个性化推荐点击率提升5.1%，相关成果获公司技术创新奖。
• 搭建图像标注质量监控体系，通过统计标注一致性（Kappa系数）与模型反馈（预测概率分布）双维度评估标注数据质量，将标注错误率从12%降至3%，累计优化100万+张训练数据，支撑后续模型迭代的稳定性。

负责计算机视觉基础算法研发与数据pipeline搭建，支撑公司内部视觉项目的底层能力供给，覆盖图像分类、目标检测等通用任务的模型优化与数据增强。

• 优化通用图像分类模型性能，针对小样本类别（如稀有动物）识别效果差的问题，采用迁移学习结合元学习（MAML）的方法，在ImageNet预训练基础上微调，仅用50张样本将稀有类别识别准确率从61%提升至83%，支撑公司智慧园区动物监测项目落地（准确率要求≥80%）。
• 搭建自动化数据标注平台，集成LabelMe与自研的主动学习模块，通过预测不确定性采样策略（基于蒙特卡洛Dropout）筛选高价值样本，将人工标注效率提升40%（单张图标注时间从3分钟降至1.8分钟），标注成本降低28%，累计为5个视觉项目提供高质量训练数据（超200万张）。
• 探索轻量级目标检测算法在边缘设备的应用，基于MobileNetV3 backbone改进YOLOv5s，引入通道剪枝（剪枝率35%）与权重量化（INT8量化），将模型大小压缩至5MB以内（原27MB），mAP@0.5保持在85%以上，成功应用于公司智能摄像头的实时检测模块（延迟从120ms降至25ms），设备功耗降低18%。
• 主导编写计算机视觉算法文档与培训材料，覆盖从数据标注到模型部署的全流程，累计培训15名新入职算法工程师，推动团队技术文档标准化，相关内容被纳入公司内部技术知识库。

短视频内容生态智能调控算法体系搭建与落地

• 星途互动作为聚焦Z世代的短视频平台，面临内容生态失衡核心问题——低质擦边内容漏检率超15%、30%中小创作者因曝光不足月更时长下降，同时需平衡“内容质量管控”“用户停留时长”“广告主ROI”三方诉求。我的核心职责是主导需求拆解、全链路算法方案设计，以及跨产品/工程/运营团队的协同落地。
• 项目遇到三大关键挑战：1）多目标冲突：内容质量（违规风险）、用户体验（相关性）、商业价值（广告加载率）难以量化权衡；2）隐性低质特征缺失：软广/擦边内容无明确标签，传统规则引擎漏检率高；3）实时调控延迟：内容分发需秒级响应，离线模型无法处理实时用户行为反馈。针对这些问题，我选择MMoE多任务学习框架分离目标特征，用GNN挖掘用户-内容-创作者的隐性传播链路，基于Flink搭建实时特征平台注入动态指标。
• 我牵头与业务方对齐“低质漏检率≤10%、优质内容曝光≥25%、用户停留+10分钟”的核心指标，设计“静态标签+动态行为+图结构”的多模态特征体系；为解决实时性能问题，将GNN计算复杂度从O(n²)优化至O(n)，适配秒级推理要求；同时推动建立“模型输出-策略执行-效果反馈”的闭环迭代机制。
• 项目成果显著：低质内容漏检率降至8.7%，优质内容曝光率提升至28%，用户日均使用时长增加15分钟，广告主ROI提升19%；构建的可复用内容生态调控框架支撑平台后续3个季度的治理迭代。我个人主导了算法设计与跨团队落地，核心指标达成率超120%，成为平台内容安全与生态健康的核心技术底座。

电商用户复购预测与个性化触达算法迭代项目

• 云帆电商作为TOP10综合电商平台，用户复购率连续3季度停滞在28%，传统协同过滤模型对45%长尾用户（1-2次购买）的复购预测准确率仅58%，且季节性商品（如冬季保暖品）的时序模式捕捉不足，导致个性化触达转化率低（约12%）。我的职责是优化复购预测模型，设计触达策略，提升转化效率。
• 项目难点集中在三点：1）长尾用户特征稀疏，传统模型无法学习有效偏好；2）季节性商品受天气/节日影响大，时序模型难以融合多源数据；3）多渠道触达（推送/短信/邮件）缺乏协同，资源浪费严重。为此，我用VAE补全长尾用户隐空间特征，结合Transformer处理“用户行为+商品周期+天气”多源时序数据，再用DRL优化触达策略。
• 我重构用户特征体系，将长尾用户特征从50维扩展至200维（加入社交关系/加购未买等隐性特征）；设计“用户-商品-环境”多模态输入的Transformer模型，捕捉季节性商品的长期依赖；搭建A/B测试平台，以“转化率最大化”为目标迭代DRL的奖励函数，解决触达资源分配问题。
• 项目带来明确业务价值：复购预测准确率提升至93%（长尾用户达81%），个性化触达转化率升至15%，年度GMV贡献增加1.2亿；模型支撑“双11”“冬季保暖季”大促，活动期间复购率提升至31%。我个人主导了模型迭代与策略落地，解决了长尾用户和季节性商品的核心痛点，推动触达效率提升25%，成为电商个性化运营的关键工具。

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。