Reinforcement Learning und Computer Vision.

Direkt ausgeführte Arbeit

Basierend auf der Graphdarstellung und den Q-Learning-Konzepten aus der Referenzveröffentlichung habe ich experimentellen Code implementiert, der die TSP-Umgebung, das Modell, die Lernschleife und die Einfügeregel verbindet.

Ergebnisse

Ich habe ein Suchprogramm erstellt, das Standort, Entfernung und Besuchsstatus der Städte als Graph einliest und die vom Modell gewählte Stadt mit einer Einfügeheuristik in die Route aufnimmt. In Vergleichsexperimenten des öffentlichen Codes mit Baselines habe ich auch ermittelt, warum das Lernen nicht wie vorgesehen funktionierte.

• Schritt 2 KI-Stadtauswahl + heuristische Routeneinfügung

Direkt ausgeführte Arbeit

Implementierter Trainingscode zur Kleidungsklassifizierung unter Verwendung eines vortrainierten ResNet50V2-Modells und klassenspezifischer Sampling- und Evaluierungsabläufe. Fehlklassifizierungen wurden mithilfe der Konfusionsmatrix analysiert.

Ergebnisse

Ich habe eine Trainings- und Analysepipeline gebaut, die K-Fashion-Fotos in Kleider, Oberbekleidung, Hosen und Oberteile einteilt. Anschließend habe ich auf dem öffentlichen Datensatz Fashion-MNIST die Einstellungen einzeln verändert und so den Einfluss von Datenaugmentierung und Shortcut-Verbindung auf die Vorhersagen getrennt untersucht.

• 4 Typen Klassifizierung: Kleider · Oberbekleidung · Hosen · Oberteile

Direkt ausgeführte Arbeit

Öffentliche Konfiguration der Eingabevorverarbeitung und der für virtuelle Tragemodelle erforderlichen Kleidungsmasken sowie Verbindung der Flask Upload API mit dem Kotlin · Retrofit Android-Client.

Ergebnisse

Ich habe einen integrierten Workflow entwickelt, der ein Porträtfoto und ausgewählte Kleidung empfängt, Vorverarbeitung durchführt, ein Bild des Outfits generiert und das Ergebnis an die App zurückgibt. Das Generierungsmodell sowie die Modelle zur Posen- und Körperanalyse wurden wiederverwendet. Die von mir implementierten Komponenten umfassen die Eingabekonfiguration, die Maskenverarbeitung und die Verbindung zwischen Server und App.

• Schritt 3 Vorverarbeitung → Virtuelle Anprobe erzeugen → Ergebnis an die App zurückgeben