- Radar perception: улучшил качество object detectionи object classification по данным радара, повысив mAP с 0.051 до 0.173. Это позволило подготовить и внедрить модуль BLIS (Blind Spot Information System) в серийный пайплайн. - Radar–camera fusion: реализовал схему позднего слияния (late fusion) с использованием Kalman filter, достигнув accuracy CIPV (Closest In‑Path Vehicle) = 0.968. Снизил количество False Positives в плотном трафике на 22% и повысил recall по пешеходам с 0.76 до 0.88. Обеспечил готовность системы к внедрению модулей ACC, AEB и LDW. - Point cloud object detection (lidar): обучил object detection модель на point cloud для auto-labeling radar detection(perception). Модель обучена для labeling, поэтому для нее метрик нет. - Camera perception: обучил облегчённый object detectior YOLOv5s, оптимизированный под встраиваемое железо. Достиг mAP@0.5 = 0.81 на городских сценах при задержке менее 35 мс на кадр. - Алгоритмический модуль prediction (C++): реализовал классические подходы (constant velocity, constant acceleration) с учётом геометрии полос. Оптимизировал весь модуль под работу в реальном времени на автомобильном оборудовании (latency < 20 мс). Снизил частоту коллизий предсказанных траекторий на 31% и улучшил ADE с 1.42 м до 0.67 м. - С нуля реализовал и адаптировал архитектуру MultiPath, интегрировал в общий prediction‑пайплайн. Улучшил этим ADE с 1.42 м до 0.45 м, снизив тем самым еще сильнее частоту коллизий предсказанных траекторий на 38%

- Проводил исследование методов манипуляции изображениями в latent space StyleGAN, создав набор реал‑тайм фильтров в стиле Snapchat (эмоции, мимические трансформации и др.). Работа включала разработку пайплайна, подбор латентных направлений и оптимизацию качества генерации. - Реализовал и внедрил облегчённые img2img‑архитектуры для мобильных приложений (iOS и Android), обеспечив работу в реальном времени. Для ускорения использовал технику Channel Attention Transfer (CAT), что позволило добиться высокой производительности при ограниченных ресурсах устройств. - Разработал редактор facial features, позволяющий изменять отдельные физические характеристики(размер) лица (нос, губы, лоб, скулы) на основе только Mediapipe‑кейпоинтов и OpenCV. Из-за жёстких требований по скорости переписал на с Python на C++, добившись увеличения скорости в 2.7 раза без потери качества. - Реализовал модуль корректировки тона и цвета в локальных областях лица (щёки, веки и др.) в рамках того же пайплайна, обеспечив естественный и визуально согласованный результат.

- Разработал с нуля веб‑платформу для онлайн‑ритейлеров мебели, позволяющую выполнять поиск визуально похожих товаров по одному изображению. Решение привлекло €120 000 инвестиций, подтвердив коммерческую ценность технологии. - Построил и внедрил модели object detection, object classification интерьерных объектов, классификации и поиска(metric-learning). Достиг CMC@5 = 0.96, обеспечив высокую точность рекомендаций. - Создал прототип системы генерации интерьерных дизайнов в топ‑вью формате на основе планировки квартиры. Несмотря на отсутствие коммерческого релиза, продемонстрировал техническую реализуемость автоматизированного layout‑to‑design подхода и расширил продуктовые возможности компании.

- Повысил точность face verification для полицейских бодикамер Panasonic (США) с 0.985 до 0.996, что существенно снизило количество False positives и улучшило надёжность системы в реальных условиях эксплуатации. - Разработал устойчивую систему HDBSCAN‑clastering, обеспечив стабильное объединение детекций(face tracking, fusion) одного человека и заметно уменьшив число False Positives при face tracking. - Создал решение для детекции криминальных ситуаций(нападение) для камер наблюдения. Достиг TPR = 0.64 при FPR=0.285. Решение сделал используя классические CV подходы и pretrained keypoint detection модель. - Построил на OpenCV решение для оценки уровня загрязнения воды в водоёмах, применив классические CV‑методы и многокамерную топ‑даун конфигурацию, что позволило автоматизировать мониторинг экологических показателей.