All mentors
Станислав  Кусков
Free test session

Study price

First session -30%
55$/ hour
Session with mentor
78$/ hour
5 sessions pack -5%
74$/ hour
10 sessions pack -10%
71$/ hour
15 minute test
Free
Extra services
1 week messaging
47$
Remote project review
Depends on complexity
Eligible for payments via wire transfer How it works?

Станислав Кусков

Москва, Russia / GMT+03

Computer Vision Team LeadATOM

Solvery mentor icon
4
Sessions complete

Меня зовут Станислав, и я – опытный инженер по компьютерному зрению с 12-летним опытом работы в сфере Self-Driving. Моя карьера охватывает множество этапов от образовательных проектов, таких как разработка учебных радиоуправляемых моделей с функцией self-driving, заканчивая сложными коммерческими решениями, такими как автономные БелАЗы, такси, электромобили для пассажирских и грузоперевозок. За это время я успел погрузиться в различные аспекты разработки, от получения данных сенсоров до развертывания моделей в прод и обеспечения их актуальности.

🤝 Can help with

Поможетновичкам обучающимся самостоятельно прошедшим курсы Junior Middle Senior разобраться с проектомпрокачать навыкисобрать портфолиоподготовиться к собеседованиюсоставить карьерный планс выполнением тестового заданияс выполнением рабочей задачипройти обучение по программе
  • Вкатиться в компьютерное зрение
  • Правильно оформить резюме чтобы увеличить количество откликов
  • Провести МОК интервью
  • Проводить интервью в команду
  • Помошь с рабочей задачей, тестовым заданием, ревью проекта
  • Получить оффер

💻 Work experience

December 2023 — until now

АтомComputer Vision Team Lead

April 2022 — December 2023

EvocargoComputer Vision Team Lead

November 2021 — April 2022

SberAutoTechSenior Computer Vision Engineer

June 2020 — October 2021

SberAutoTechComputer Vision Engineer

September 2018 — July 2020

VIST RoboticsSoftware developer (CV)

🤟 Projects

Статья

Мы разработали новый подход, эффективно использующий лидарные аннотации для обучения моделей сегментации изображений на RGB-изображениях. Наша методика включает маскированный лосс, который вычисляет потери только там, где есть точки лидара, позволяя модели изучать сегментацию дороги на изображениях, используя лидарные точки как исходные данные