中国平安
微表情算法工程师
微表情算法工程师
发布于 大约 14 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
PyTorch
TensorFlow
CNN
数据增强
多模态融合
微表情识别
语音情感分析
面部动作单元
AI 估算 · 25k–45k
微表情算法岗技术稀缺，深圳互联网大厂硕士起薪高，结合公司规模与职位要求，薪资竞争力强。
职位详情
关于这个职位
这是一个专注于微表情识别算法的研发岗位，负责从数据采集、模型训练到部署优化的全流程工作
你将结合计算机视觉、多模态融合等前沿技术，提升低强度微表情的识别准确率，并参与数据工程与模型压缩
适合对情感计算和人机交互有浓厚兴趣的技术专家
最低要求
教育背景：计算机科学、人工智能、模式识别、心理学（量化方向）等相关专业硕士及以上学历
编程功底：精通Python，熟练掌握PyTorch或TensorFlow框架，具备良好的工程代码规范
CV基础：深刻理解CNN、Transformer、GNN在图像/视频分析中的应用
熟悉人脸识别、3D人脸重建、时序动作检测相关技术栈
微表情专长：熟悉FACS（面部动作编码系统）理论，理解AU单元与表情的映射关系
有处理CASME、SAMM、SMIC等微表情公开数据集的实际经验，清楚其长尾分布问题的解决方案
理解微表情与宏表情的本质区别（持续时间、强度、起始不对称性）
工作职责
核心算法研发：负责微表情识别算法的全流程开发，包括但不限于面部关键点检测（Landmark Detection）、面部动作单元（AU）识别、微表情时空模式提取与分类
多模态融合：结合语音情感分析、生理信号（PPG/眼动）或文本语义，构建多模态情感计算模型，提升在低强度、短时程微表情下的识别准确率
数据工程：主导微表情数据的清洗、标注规范制定及数据增强策略（特别是针对不平衡样本和小样本学习），构建高质量的数据闭环
模型优化：针对端侧（On-device）或云端部署需求，进行模型压缩、量化及推理加速，解决实际场景中的光照变化、头部姿态偏移等鲁棒性问题
前沿探索：跟进CVPR/ICCV/ACII等顶会中关于情感计算、自监督学习的最新成果，将SOTA论文转化为可落地的工程方案
AI 洞察
优缺点分析
- 处于情感计算前沿领域，技能稀缺且有高附加值，职业天花板高
- 大厂平台，资源丰富，能够接触大量数据和算力，加速个人成长
- 多模态融合方向拓展了技能广度，未来可应用于多个AI细分赛道
- 微表情数据标注困难，小样本和不平衡问题要求极高的解决能力
- 从研究到落地的工程化挑战大，需要平衡精度和实时性
- 技术迭代快，需要持续跟进顶会论文，保持前沿敏感度
- 适合对情感计算和计算机视觉有浓厚兴趣，善于独立解决问题且能承受技术压力的算法工程师
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
匹配度报告
71
综合匹配度
大厂前沿算法岗，技术成长极高，薪资有竞争力，但工作强度大，WLB不确定。
适合人群
适合追求技术突破和职业成长、能接受高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展90
工作生活50
使命价值70
薪资福利匹配
75中等
该职位薪资具有竞争力，但JD未明确福利，需在面试中确认。大厂稳定性和股权可能带来额外吸引力。
薪资信号未披露 (25K-45K/月)
成长发展匹配
90较高
岗位涉及前沿技术（微表情、多模态）和大量数据，有很好成长空间；但JD未提及晋升通道。
技术前沿前沿/新兴技术
技术栈微表情识别、面部动作单元、多模态融合、CNN、Transformer、Python、PyTorch、TensorFlow
业务类型profit_center
工作生活匹配
50较低
JD未说明工作模式或WLB，但深圳大厂通常需要高强度投入，且未提及弹性办公，可能加班较多。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
70中等
情感计算在金融安全、心理健康等领域有社会价值，但JD未明确使命，行业前景看好。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs