AI 实习生-计算机视觉算法（动态感知）

优缺点分析

角色解读

• 实习表现优异可转正，成为初级算法工程师
• 深耕感知算法，向高级算法专家或技术Leader发展
• 积累产品落地经验，转向机器人、自动驾驶等高价值领域
• 设计并优化动态目标检测与跟踪算法，提升无人机等产品的感知能力
• 研发基于时序和多传感器融合的端到端感知解决方案，处理真实复杂场景
• 与嵌入式工程师协作，将算法移植到边缘设备并优化性能
• 跟踪CV领域前沿（如大模型、世界模型），进行创新方案验证
• 扎实的编程能力：精通Python/C++，熟练使用PyTorch进行模型训练与部署
• 计算机视觉基础：掌握图像处理、特征提取、目标跟踪等经典算法
• 深度学习理论：熟悉CNN、Transformer、时序模型等，了解SOTA跟踪方法
• 沟通与协作：能清晰表达技术思路，与多团队高效配合

申请策略

• 在求职信中表达对大疆产品的热情和对空间智能时代的理解
• 提前了解大疆技术博客或公开演讲，在面试中展示深度思考
• 突出相关的计算机视觉项目经验，尤其是目标跟踪或多传感器融合相关
• 列出熟练的技术栈：Python/C++、PyTorch、OpenCV等，并附上GitHub链接
• 如有论文发表，务必注明会议/期刊名称及排名
• 强调解决问题的能力和团队协作经历（如课程项目、竞赛）
• 短期集中复习目标跟踪经典论文（如SiamRPN、TransT、MixFormer等），复现代码
• 学习多传感器融合基础知识（如卡尔曼滤波、贝叶斯融合）和时序模型（如LSTM、Transformer）

面试指南

• 技术问题：先阐述核心原理，再对比不同方法，最后结合实际场景分析优劣
• 项目问题：用STAR法则——背景、任务、行动、结果，突出你的个人贡献
• 开放问题：先明确问题边界，提出假设，给出解决思路，再说明可能的挑战
• 解释目标跟踪中的Siamese网络和Transformer的差异及优缺点
• 如何设计一个基于多传感器融合的实时目标跟踪系统？
• 你在项目中遇到的算法优化难题是什么？如何解决的？
• 对于端到端感知，你怎么看待传统pipeline vs 端到端方法？
• 请手写一个简单的目标跟踪算法核心逻辑（如IoU计算、卡尔曼滤波）