广州算法实习生 - 座舱监控 - 目标检测与蒸馏方向

优缺点分析

角色解读

• 技术深耕：从算法实习生成长为计算机视觉工程师，专攻目标检测、模型压缩或自动驾驶感知方向
• 行业拓展：积累座舱监控经验后，可转向自动驾驶、机器人、安防等领域的视觉算法岗位
• 管理方向：随着经验积累，可带领小团队负责算法模块，逐步走向技术管理岗位
• 负责座舱监控核心算法研发，包括目标检测、多任务模型优化，提升复杂场景下的鲁棒性和实时性
• 开展知识蒸馏、模型剪枝与量化，将模型部署到端侧平台（ONNX/TensorRT），优化推理性能
• 搭建数据闭环，包括标注规范制定、难例挖掘、数据增强与合成数据，提升长尾场景表现
• 跟踪并复现SOTA算法，建立评测基准，输出技术文档与复盘报告
• 扎实的编程能力：熟练掌握Python和C++，具备算法工程实现经验
• 深度学习框架：熟悉PyTorch或TensorFlow，有从零训练和调参经验
• 计算机视觉基础：掌握主流检测、关键点、跟踪方法，了解知识蒸馏与模型压缩
• 部署优化经验：有ONNX/TensorRT等端侧部署经验，关注mAP、延迟、功耗等指标

申请策略

• 关注小马智行的技术博客和开源项目，了解其技术栈和方向
• 在简历中体现对自动驾驶或座舱监控领域的兴趣，展示相关课程或项目
• 突出目标检测或相关视觉项目经验，展示从零训练和调参的能力
• 强调知识蒸馏或模型压缩的实战经历，附上性能提升数据（如mAP、延迟）
• 展示C++和Python编程能力，特别是工程实现和性能优化相关项目
• 如有部署经验（ONNX/TensorRT），务必详细描述
• 系统学习知识蒸馏和模型压缩经典论文，动手复现并记录实验
• 熟悉ONNX和TensorRT部署流程，尝试将模型部署到边缘设备

面试指南

• STAR法则：描述项目背景、任务、行动和结果，突出个人贡献和量化指标
• 对比分析：比较不同方法（如蒸馏 vs 剪枝）的优缺点，展示系统理解
• 问题解决：描述遇到的挑战及解决方案，体现工程思维和动手能力
• 请详细描述你做过的一个目标检测项目，包括模型选择、训练过程、性能优化等
• 知识蒸馏的原理是什么？你如何选择教师模型和学生模型？
• 如何将PyTorch模型部署到TensorRT？遇到过哪些问题？
• 在复杂光照和遮挡场景下，如何提升检测模型的鲁棒性？
• 你如何设计数据增强策略来提升长尾场景表现？