CakeResume 找人才
最輕量、快速的招募方案，數百家企業的選擇
搜尋履歷，主動聯繫求職者，提升招募效率。
- 瀏覽所有搜尋結果
- 每日可無限次數開啟陌生對話
- 搜尋僅開放付費企業檢視的履歷
- 檢視使用者信箱 & 電話
職場能力評價定義
涂騰
台灣大學機械工程學系畢業, 目前正於卡內基梅隆大學攻讀Computational engineering碩士. 修課與實驗室(CERlab)的研究方向集中於機器學習, 深度學習以及電腦視覺領域. 現今正於日本廣島的Tsuneishi公司實習,從事建立一視覺辨識廠區工人位置的監控系統的工作.
經歷
電腦視覺 實習
Tsuneishi Shipbuilding Co., Ltd , 2016 年 5 月 - 至今
- 工作於Tsuneshi公司的Inventory project, 目的是打造一個透過電腦視覺辨識技術追蹤遺失零件以及廠區工人位置的監控系統. 所負責的是辨識及定位工人的工作.
- 在辨識工人部分, 利用pretrained的‘’SSDs + MobileNets’’ 模型加上影像分割的技術, 同時辨識'人'以及'工作服顏色'以判定目標物是否為Tsuneishi工人, 準確度可達90%.
- 在定位目標物部分, 利用相機校正以及影像扭曲修正的方式, 由一二維影像重建一三維的座標系統以轉換出工人們實際所在的位置座標.
軟韌體開發 實習
Renesas Electronics, 2016 年 2月 - 2016 年 6 月
- 工作於一由台大機械課堂與台灣瑞薩電子合作的計畫, 即利用瑞薩公司所提供的處理器開發創新應用, 而基於自身大學時期吉他社表演的經驗, 欲透過打造一閉路式控制系統開發一全自動吉他調音器.
- 利用電容麥克風接一放大電路, 將吉他音訊傳入 RX210處理器中利用Matlab做快速傅立葉轉換, 計算出偏離標準音頻的頻率後, 處理器即可控制步進馬達轉動弦紐調整頻率.
- 於期末Demo可將吉他第六弦(E-string)成功調回正確的標準音頻.
研究專題
球型支架
高階醫療器材實驗室(AMDL, NTU), 蕭浩明教授
語者辨識-雙注意力模型(Dual-attention model)
課程專題, 深度學習(CMU)
- 此專題目的為辨識語者, 欲透過設計一編碼器及解碼器(encoder-decoder)與附加一對注意力機制, 分別取出低階級高階數據特徵, 並利用SRE dataset訓練.
- 將預先訓練好的baseline 模型加入注意力機制後, 有效降低30%的辨識錯誤率.
技能
程式設計: Python, Java, Opencv, Matlab
深度學習: Pytorch
涂騰
台灣大學機械工程學系畢業, 目前正於卡內基梅隆大學攻讀Computational engineering碩士. 修課與實驗室(CERlab)的研究方向集中於機器學習, 深度學習以及電腦視覺領域. 現今正於日本廣島的Tsuneishi公司實習,從事建立一視覺辨識廠區工人位置的監控系統的工作.
經歷
電腦視覺 實習
Tsuneishi Shipbuilding Co., Ltd , 2016 年 5 月 - 至今
- 工作於Tsuneshi公司的Inventory project, 目的是打造一個透過電腦視覺辨識技術追蹤遺失零件以及廠區工人位置的監控系統. 所負責的是辨識及定位工人的工作.
- 在辨識工人部分, 利用pretrained的‘’SSDs + MobileNets’’ 模型加上影像分割的技術, 同時辨識'人'以及'工作服顏色'以判定目標物是否為Tsuneishi工人, 準確度可達90%.
- 在定位目標物部分, 利用相機校正以及影像扭曲修正的方式, 由一二維影像重建一三維的座標系統以轉換出工人們實際所在的位置座標.
軟韌體開發 實習
Renesas Electronics, 2016 年 2月 - 2016 年 6 月
- 工作於一由台大機械課堂與台灣瑞薩電子合作的計畫, 即利用瑞薩公司所提供的處理器開發創新應用, 而基於自身大學時期吉他社表演的經驗, 欲透過打造一閉路式控制系統開發一全自動吉他調音器.
- 利用電容麥克風接一放大電路, 將吉他音訊傳入 RX210處理器中利用Matlab做快速傅立葉轉換, 計算出偏離標準音頻的頻率後, 處理器即可控制步進馬達轉動弦紐調整頻率.
- 於期末Demo可將吉他第六弦(E-string)成功調回正確的標準音頻.
研究專題
球型支架
高階醫療器材實驗室(AMDL, NTU), 蕭浩明教授
語者辨識-雙注意力模型(Dual-attention model)
課程專題, 深度學習(CMU)
- 此專題目的為辨識語者, 欲透過設計一編碼器及解碼器(encoder-decoder)與附加一對注意力機制, 分別取出低階級高階數據特徵, 並利用SRE dataset訓練.
- 將預先訓練好的baseline 模型加入注意力機制後, 有效降低30%的辨識錯誤率.
技能
程式設計: Python, Java, Opencv, Matlab
深度學習: Pytorch