负责电商直播场景下实时视频分析与理解系统核心模块研发，覆盖商品识别、主播动作合规检测、低光照画质增强三大方向，支撑平台直播内容智能审核、商品精准推荐及时效性运营。

• 主导设计电商直播多商品实时识别系统，针对直播间商品堆叠、背景杂乱问题，创新融合YOLOv8目标检测与DETR密集预测头，构建多尺度特征金字塔增强小目标响应，同步引入TensorRT对模型进行INT8量化与层融合优化，将单帧推理延迟从80ms压缩至25ms（满足50fps实时性要求），商品识别准确率提升至98.7%，直接推动直播间商品点击转化率增长12%。
• 核心参与主播动作合规检测模块开发，基于OpenPose提取25个关节点构建时空特征序列，结合双向LSTM与时空注意力机制建模动作轨迹，定义包含‘过度营销手势’‘不当肢体接触’等15类违规动作库，通过主动学习策略筛选难例样本迭代模型，将误报率从18%压降至5%，当前日均拦截违规直播300+场次，平台内容合规评分提升20%。
• 攻克晚高峰低光照场景技术瓶颈，针对直播间补光不足导致的商品模糊问题，提出RetinexNet光照校正与CycleGAN风格迁移的混合增强方案，通过对抗训练优化暗光特征提取，将暗光环境下商品关键属性（如颜色、logo）识别准确率从82%提升至91%，覆盖平台40%的晚8点后高流量直播时段。
• 搭建直播数据闭环系统，集成LabelMe半自动化标注工具与自研‘难例挖掘-模型反馈’机制，每月标注效率提升35%，同时基于混淆矩阵分析定位模型薄弱类别，定向补充10万+张遮挡、小目标样本，推动商品识别模型迭代周期从2周缩短至10天，版本更新频率提升1倍。

聚焦短视频内容理解算法研发，负责视频分类、关键帧提取、多模态标签生成三大核心任务，支撑平台内容推荐、广告精准投放及版权保护业务。

• 重点优化长视频内容分类模型，针对1-10分钟短视频语义稀疏问题，设计3D ResNet-50+Transformer的混合架构，在3D卷积提取时空特征基础上，通过Transformer层建模跨帧长程依赖，引入可学习的时空注意力掩码抑制冗余信息，将长视频分类准确率从89%提升至94%，支撑平台80%的长尾视频自动打标。
• 设计高效关键帧提取算法，融合光流法计算帧间运动差异与CNN提取视觉显著性特征，提出动态阈值分割策略平衡精度与速度，关键帧召回率从75%提升至90%，单视频处理耗时从1.2s降至0.4s，年节省视频存储成本超200万元。
• 构建短视频多模态标签体系，基于BERT预训练模型对视频标题、字幕文本进行语义编码，同步提取I3D网络输出的视频帧特征，通过门控融合机制整合双模态信息，标签覆盖率从68%提升至85%，助力推荐系统CTR（点击率）提升9%，广告曝光精准度提高15%。
• 推动模型轻量化落地，采用通道剪枝（保留85%关键通道）与教师-学生知识蒸馏策略，将分类模型参数量从1.2G压缩至480M，推理耗时从120ms降至45ms，成功适配移动端APP低算力环境，端侧实时推荐功能上线后用户停留时长增加8%。

参与智慧园区安防系统核心算法研发，负责行人检测、车辆识别、异常行为预警模块开发，支撑园区人员与车辆安全管理。

• 主导改进YOLOv3行人检测模型，针对园区监控中行人遮挡、尺度变化问题，在Backbone引入FPN（特征金字塔网络）增强多尺度特征融合，同时在Head层添加CBAM注意力模块抑制背景干扰，将100x100像素以下小目标行人检测准确率从72%提升至85%，园区漏检事件减少30%。
• 设计多目标跟踪系统，基于DeepSORT框架优化卡尔曼滤波预测步长与匈牙利匹配代价函数，同步升级ReID特征提取网络为ResNet-50+ArcFace损失函数，MOTA（多目标跟踪准确率）指标从78%提升至89%，支持园区50路摄像头实时跟踪，轨迹连续性达95%以上。
• 开发异常行为检测模块，通过OpenPose提取人体骨架关键点，构建LSTM网络学习运动轨迹时序特征，定义‘快速奔跑’‘三人以上聚集’‘长时间逗留’等5类异常模式，结合置信度阈值与时间窗口过滤误报，预警准确率从65%提升至80%，协助安保团队处置潜在风险事件50+起。
• 搭建安防数据标注平台，集成LabelImg标注工具与自研质量校验规则（如关键点可见性标注一致性、框选边界模糊度检测），标注错误率从12%降至3%，数据生产效率提升40%，保障模型训练数据的高可靠性与标注一致性。

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。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。