中/高级计算机视觉算法工程师（NN）

优缺点分析

角色解读

• 技术路线：从算法工程师成长为技术专家，带领团队攻克感知领域难题，成为方向负责人
• 产品路线：深入理解产品需求，转型为产品经理或技术总监，主导产品算法方案
• 交叉路线：向系统架构师发展，打通软件、硬件和算法全链路，成为机器人系统专家
• 负责端到端感知算法的研究与开发，包括视觉、激光雷达、毫米波雷达的深度估计、目标检测、语义分割等任务
• 针对自研硬件平台设计高效的 backbone 和网络结构，并进行模型压缩与端侧部署优化
• 研究多传感器特性，开发传感器融合算法并落地到机器人或自动驾驶产品中
• 持续跟踪 CV/NLP 等前沿论文，引入新网络结构提升系统感知能力
• 扎实的编程能力，精通 C++ 和 Python，熟悉常用数据结构和算法
• 深入掌握深度学习、计算机视觉或多传感器融合技术，了解 SOTA 模型
• 熟悉模型压缩、量化、部署等端侧优化技术，有相关产品落地经验优先
• 良好的数学基础，包括线性代数、概率统计和几何，能独立推导算法

申请策略

• 了解大疆机器人或自动驾驶产品线，在面试中体现对产品应用场景的理解
• 准备一个完整的端到端项目讲解，从问题定义、方案设计到实验结果和部署细节
• 突出端到端感知算法的项目经历，说明你在其中的具体贡献和成果（如精度提升、速度优化）
• 强调模型部署到嵌入式设备或实际产品的经验，包括模型压缩、量化、剪枝等
• 列出发表的论文或竞赛成绩，展示学术能力
• 详细描述 C++/Python 编程能力，可附上 GitHub 链接或代码样例
• 如果尚未熟悉模型部署，可以学习 TensorRT、ONNX、OpenVINO 等工具
• 补充传感器融合或多模态感知知识，阅读相关经典论文

面试指南

• 项目介绍采用 STAR 原则（Situation, Task, Action, Result），重点突出技术难点和量化收益
• 原理类问题需从核心思想、公式推导（可选）、优缺点、应用场景四个层次回答
• 开放性问题应展示系统性思维，先分析约束条件，再给出方案和权衡
• 请详细描述你以往负责的一个视觉感知项目，包括 backbone 选择、训练策略、部署优化等
• 解释一下 YOLO 系列或 Transformer 在检测任务中的原理，并比较优缺点
• 如何处理传感器融合中的时间同步和空间对齐问题？
• 对于端侧模型部署，你有哪些经验？如何进行量化感知训练？
• 给出一个从论文到产品的案例，你如何评估新网络是否有潜力落地？