网易
视觉感知算法实习生
视觉感知算法实习生
发布于 大约 17 小时前实习/见习
杭州市
无经验要求
实习生
仅现场办公
硕士
PyTorch
目标检测
TensorRT
ONNX
ROS
SLAM
语义分割
嵌入式部署
AI 估算 · 5k–8k
实习生岗位，薪资按大厂标准日薪折算，技术难度高但无年终奖，月薪在5-8k区间。
职位详情
关于这个职位
该实习岗位属于网易无人驾驶工程机械项目，主要参与视觉感知算法的研发与优化，包括2D/3D目标检测、语义分割、SLAM定位建图等，并涉及模型轻量化与嵌入式部署
你将接触到多传感器融合、恶劣工况感知等前沿技术，适合对自动驾驶和机器人方向感兴趣的硕士生
最低要求
一、基础要求
硕士在读及以上，计算机科学、电子信息、自动化、机器人学等相关专业
扎实的计算机视觉与深度学习理论基础，熟悉CNN/Transformer等主流网络架构，了解BEV感知、Foundation Model等前沿方向
熟练掌握Python，熟悉C/C++
了解ROS1/ROS2
熟悉PyTorch，具备模型训练、数据增强、损失调优等基础经验
二、算法经验（至少满足一项）
目标检测（YOLO/DETR等）、语义/实例分割（Mask R-CNN、SegFormer等）或目标跟踪（ByteTrack、DeepSORT等）的项目经验
视觉SLAM（ORB-SLAM、VINS-Mono/Fusion等）项目开发经验
点云处理（PCL/Open3D）、三维重建或地形建模相关经验
工作职责
一、视觉感知算法研发
参与无人挖掘机/装载机项目中2D/3D目标检测、语义分割等算法的研发与优化，覆盖人员、车辆、障碍物、料堆等目标识别
协助6D位姿估计算法开发，支持作业目标物的精准感知
学习多模态感知融合方法，参与恶劣工况（粉尘、强光、遮挡）下的感知方案研究
二、定位建图与场景重建
参与视觉SLAM/激光SLAM算法的开发与调试，支持机器人实时定位与建图
协助三维场景重建（地形重建、料堆体积估算）相关算法开发
学习多传感器融合定位方案
三、多传感器标定与系统集成
参与多传感器（相机、IMU等）外参/内参标定工具的开发
配合硬件、控制团队完成感知模块的联调联试
四、模型优化与部署
参与感知算法的模型轻量化与加速优化（量化、剪枝、TensorRT/ONNX等）
协助搭建模型训练-评估-部署的标准化流水线
学习嵌入式平台（NVIDIA Jetson等）上的模型部署
优先资格
三、工程与加分项
熟悉Git优先
有模型推理优化（TensorRT/ONNX/OpenVINO）或嵌入式部署经验者优先
有机器人、自动驾驶或工程机械领域项目经验者优先
有高水平论文发表（CVPR/ICCV/ECCV/ICRA/IROS/RA-L等）者优先
有矿山、建筑等非结构化户外场景感知经验者优先
AI 洞察
优缺点分析
- 接触前沿技术（BEV感知、Foundation Model、多模态融合），技术成长快
- 公司平台大，实习经历含金量高，有助于后续求职
- 参与真实工程机械场景，项目落地性强，积累行业经验
- 技术栈要求全面，需要同时掌握视觉、SLAM、部署等多个方向，学习压力较大
- 现场办公，可能需要配合硬件团队联调，工作强度不低
- 实习生竞争激烈，需要较强的算法基础和工程能力
- 适合对机器人感知、自动驾驶有浓厚兴趣，愿意深入钻研算法并动手实践的硕士生
角色解读
- 实习期间可完整经历从研发到部署的产品全流程，积累机器人感知领域的实战经验
- 未来可向自动驾驶、机器人视觉算法工程师或SLAM算法专家方向发展
- 表现优秀有机会转正，进入网易或行业内其他无人驾驶公司
- 参与无人挖掘机/装载机的视觉感知算法研发，如目标检测、语义分割、6D位姿估计等
- 协助SLAM定位建图与三维重建，实现机器人在复杂环境中的实时感知
- 负责多传感器标定与模型部署优化，将算法落地到嵌入式平台
- 扎实的计算机视觉和深度学习基础，熟悉CNN/Transformer等网络架构
- 熟练使用Python和C++，具备PyTorch模型训练和调优经验
- 有目标检测、语义分割、SLAM或点云处理等至少一个方向的项目经验
申请策略
- 在简历中量化项目成果（如mAP提升、推理速度优化等），体现工程能力
- 关注网易工程机械或自动驾驶部门的业务方向，在面试中展示对行业场景的理解
- 突出目标检测、语义分割或SLAM方向的科研或项目经历
- 强调PyTorch使用经验，以及模型优化（TensorRT/ONNX）相关成果
- 展示Git使用、论文发表或竞赛获奖等加分项
- 提前熟悉ROS1/ROS2和Linux开发环境
- 学习BEV感知或Foundation Model等前沿论文，准备面试提问
面试指南
- 对于算法原理类问题，从核心思想、网络结构、损失函数、改进点等方面分点回答，结合自己的实践
- 对于场景方案类问题，先分析难点（如遮挡、光照），再提出数据增强、多模态融合、模型鲁棒性等思路
- 对于工程优化类问题，按量化类型、精度损失、推理速度提升的顺序阐述，给出具体参数更好
- 请详细解释YOLO系列的目标检测原理，包括损失函数和训练技巧
- 你如何设计一个在粉尘遮挡环境下鲁棒的目标检测方案？
- 描述一个你使用SLAM的项目，遇到的主要挑战和解决方法
- 了解TensorRT的量化方法吗？如何加速一个模型推理？
- 你对BEV感知的理解？与透视投影感知相比有何优劣？
匹配度报告
69
综合匹配度
大厂实习，前沿技术栈，深度参与机器人感知项目，但薪资不高且需现场办公。
适合人群
最看重技术成长和项目经验的实习生，对薪资和WLB要求不苛刻。
最强匹配
成长发展匹配
最弱匹配
薪资福利匹配
薪资福利50
成长发展95
工作生活60
使命价值70
薪资福利匹配
50较低
实习生薪资不高，但大厂福利较完善，基本满足基本生活需求。
薪资信号未披露 (5K-8K/月)
成长发展匹配
95较高
技术栈前沿，项目完整，成长路径清晰，是技术积累的绝佳机会。
技术前沿前沿/新兴技术
技术栈深度学习、计算机视觉、SLAM、多模态融合、模型部署
成长机会实习收获：完整参与从算法研发到嵌入式部署的产品化全流程
业务类型profit_center
工作生活匹配
60中等
现场办公且未提及WLB，但杭州工作生活平衡尚可。
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
工程机械智能化有社会价值，但实习岗位对使命感的满足感中等。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs