聆动通用-AI视觉感知算法工程师-深圳(J11870)

优缺点分析

角色解读

• 技术路线：初级算法工程师 → 高级算法专家 → 首席科学家，深入视觉领域前沿
• 管理路线：技术主管 → 团队负责人 → 技术总监，兼管项目与团队
• 横向发展：可转向AI产品、解决方案或AI芯片等交叉方向
• 设计并实现计算机视觉算法，如图像分割、目标跟踪、3D点云处理等
• 参与相机硬件的选型、调试与标定，确保算法与硬件协同优化
• 使用深度学习框架进行模型的训练、调优与部署，推动算法产品化
• 熟练掌握PyTorch等深度学习框架，熟悉ResNet、ViT等主流网络及目标检测/分割算法
• 理解相机成像原理和标定方法，具备图像质量评估能力
• 扎实的编程基础，掌握C++/Python，具备工程化落地经验

申请策略

• 深入了解科大讯飞在计算机视觉方面的产品方向（如智慧教育、智慧城市），在面试中展现对业务的了解
• 准备2-3个完整的项目案例，能用STAR法则清晰讲述技术难点和解决方案
• 突出与视觉算法相关的项目经验，如目标检测、分割、3D点云等
• 强调深度学习框架使用经验，尤其是PyTorch的模型训练与部署
• 展示编程能力，特别是在C++/Python下的工程化代码
• 如有相机标定或硬件调试经历，务必重点描述
• 巩固经典网络结构和前沿算法（如ViT、SAM）的原理和代码实现
• 熟悉模型部署工具（如ONNX、TensorRT）和嵌入式平台优化

面试指南

• 结构化回答：先阐述原理，再结合自身项目给出具体做法，最后总结效果
• 对比分析法：对于开放性问题，列出不同方法的优劣，展示思考广度
• 如何提高目标检测模型在小目标上的准确率？
• 介绍一下Transformer在视觉任务中的应用，对比CNN的优缺点
• 你如何设计一个实时的语义分割系统？
• 有做过模型部署加速吗？介绍你的经验和优化方法
• 复习深度学习面试高频知识点，如损失函数、优化器、正则化等
• 准备一个视觉项目从数据标注到模型部署的全流程叙事