微表情算法工程师

优缺点分析

角色解读

• 技术路线：从算法工程师成长为情感计算专家，主导核心模型研发，成为团队技术权威
• 管理路线：随着项目扩大，可晋升为技术负责人，带领团队攻克复杂问题
• 跨界发展：积累多模态和情感计算经验，可转向人机交互、智能客服等应用方向
• 负责微表情识别算法的全流程开发，包括面部关键点检测、动作单元识别和时空模式分类
• 主导多模态情感计算模型构建，融合语音、生理信号等提升识别准确率
• 参与数据工程与模型优化，解决实际场景中的鲁棒性和部署效率问题
• 跟进顶会前沿成果，将SOTA论文转化为可落地工程方案
• 扎实的计算机视觉基础，深刻理解CNN、Transformer、GNN在图像视频分析中的应用
• 精通Python和深度学习框架（PyTorch/TensorFlow），具备良好工程规范
• 熟悉FACS理论与微表情公开数据集处理经验，理解微表情独特性质
• 具备模型压缩、量化及推理加速能力，适应端侧或云端部署需求

申请策略

• 了解中国平安的业务场景（如金融、保险中的情绪分析），在面试中表明对业务结合的兴趣
• 准备好一个完整的项目案例，从问题定义到结果展示，体现系统思维
• 突出微表情或情感计算相关项目经验，特别是数据集处理（如CASME、SAMM）和模型优化成果
• 强调多模态融合工作（如语音、生理信号结合）和具体的识别性能提升
• 展示扎实的工程能力，如模型压缩、部署等实际落地案例
• 如有顶会论文或专利，务必列出体现研究深度
• 补强FACS理论和AU识别知识，熟悉微表情公开数据集的挑战
• 学习模型部署工具（如ONNX、TensorRT）和小样本学习技巧

面试指南

• 对于算法设计问题，先阐述基本原理，再结合自身项目经验说明具体方案和效果
• 对于数据问题，强调数据增强、伪标签、迁移学习等策略，并量化收益
• 对于工程问题，展示对端侧部署约束的理解，如模型大小、延迟等
• 请解释微表情和宏表情的核心区别，以及如何利用这些差异设计算法？
• 如何处理微表情数据集中的长尾分布和小样本问题？请举例说明
• 描述一个你使用CNN/Transformer进行视频动作识别的项目，面临哪些挑战？
• 如何进行模型压缩和量化，保证端侧推理的精度和速度？
• 复习FACS系统和微表情数据库的细节，准备相关论文解读