创维
算法工程师
算法工程师
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Pytorch
Tensorflow
Tensorrt
传感器融合
姿态估计
嵌入式部署
手势识别
模型轻量化
值不值得投
68综合评分
综合评分 68
技术驱动型岗位，算法前沿、工程落地要求高，技术成长性强，但WLB与工作模式信息不明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2.7万
比算法优化工程师中位数低
发布情况
新岗位 · 今天发布
市场机会
选择适中
深圳 · 算法优化工程师 · 40 个在招
职位详情
关于这个职位
该职位隶属于创维研发中心，负责体感交互领域核心算法的研发与优化
你需要进行人体姿态估计、手势识别等算法的研发，并处理多传感器数据融合
工作内容还包括将算法工程化部署至嵌入式或移动端平台，并进行性能调优，最终配合团队完成产品的体验迭代
最低要求
学历与专业：本科及以上学历，计算机科学、人工智能、电子信息、自动化、应用数学等相关专业
熟练掌握Python/C++，具备良好的工程编码习惯
熟悉至少一种深度学习框架（PyTorch/TensorFlow）
对以下至少一个方向有深入了解与实践经验：2D/3D姿态估计、时序动作识别、多模态融合、卡尔曼滤波/状态估计
了解模型部署工具（如TensorRT、ONNX、MNN、TFLite等）者优先
了解嵌入式平台（如Jetson、RK3588、手机端NPU）开发经验者加分
有OpenCV、Eigen、ceres等常用库使用经验者加分
工作职责
负责人体姿态估计、手势识别、动作捕捉等体感交互算法的研发与优化
参与多传感器（RGB相机、深度相机、IMU惯性传感器等）数据融合算法的开发
配合嵌入式-移动端团队完成算法的工程化部署与性能调优（含模型轻量化、推理加速）
跟踪国际前沿算法动态，复现并改进SOTA模型，探索新技术在体感场景中的落地可能
负责算法模块的文档撰写、单元测试及版本迭代维护
配合产品及测试团队完成用户体验调优、A-B测试及线上问题排查
优先资格
了解模型部署工具（如TensorRT、ONNX、MNN、TFLite等）
了解嵌入式平台（如Jetson、RK3588、手机端NPU）开发经验
有OpenCV、Eigen、ceres等常用库使用经验
AI 洞察
优缺点分析
优点
- 技术栈前沿，直接接触姿态估计、多模态融合等热门AI方向
- 工作闭环完整，涵盖算法研发、工程部署与产品落地，能快速积累全链路经验
- 嵌入式与移动端部署经验是行业稀缺技能，竞争力强
- 多学科交叉（CV、嵌入式、信号处理），知识体系要求较广，学习曲线陡峭
- 工程化要求高，需要平衡算法精度与嵌入式设备的算力、功耗限制
缺点 / 挑战
- 需持续跟踪前沿论文并快速复现，技术迭代压力较大
- 适合对计算机视觉和边缘计算有浓厚兴趣，既追求算法创新又注重工程落地，喜欢在资源受限环境下挑战性能优化的技术实践者
角色解读
- 技术专家路线：深入垂直领域（如计算机视觉、机器人感知），成为体感交互或边缘AI领域的算法专家
- 架构师路线：向算法系统架构师发展，负责整体算法框架设计与跨团队技术规划
- 管理路线：带领算法团队，负责技术方向规划、项目管理与团队建设
- 研发和优化体感交互的核心算法，如人体姿态估计与手势识别
- 开发多传感器数据融合算法，处理来自摄像头、IMU等设备的数据
- 将算法模型进行工程化部署，完成模型轻量化和推理加速，使其能在移动端或嵌入式设备上运行
- 扎实的计算机视觉与深度学习基础，精通PyTorch或TensorFlow
- 熟练掌握Python和C++，具备良好的工程编码与性能优化能力
- 对姿态估计、动作识别或多模态融合中的至少一个方向有深入实践
- 具备模型部署经验，了解TensorRT、MNN等工具，或熟悉嵌入式平台开发者优先
申请策略
- 研究创维在智能电视、VR/AR或车载显示等领域的体感交互产品，思考算法如何与之结合
- 面试中准备一个自己从算法原理到工程实现、性能优化的完整项目案例，讲清挑战和解决方案
- 重点突出在姿态估计、手势识别或传感器融合方面的项目经验，详细说明使用的模型与解决的具体问题
- 强调模型部署与优化经历，具体说明将模型在TensorRT/MNN等工具上优化的性能提升数据
- 展示扎实的编程能力，可以附上GitHub技术博客或相关竞赛、开源项目链接
- 深入学习一种模型部署工具（如TensorRT），并实践将PyTorch模型转换部署的完整流程
- 针对一个具体的姿态估计数据集（如COCO）复现经典SOTA模型，并尝试进行轻量化改进
- 补充嵌入式平台（如Jetson或手机NPU）的基础开发知识，了解其计算特性
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化回答项目经验问题
- 对于工程部署问题，按“模型选择/转换-优化-集成-测试”的流程阐述，并强调对延迟、内存占用的考量
- 对于原理性问题，先给出核心思想，再结合一个具体的应用场景说明其作用和优势
- 请介绍一个你做过的姿态估计或手势识别项目，遇到了哪些技术难点？你是如何解决的？
- 如何在嵌入式设备（如手机）上部署一个深度学习模型？主要挑战有哪些？你会从哪些方面进行优化？
- 多传感器数据融合（如RGB相机和IMU）时，通常会遇到什么问题？你会用什么方法进行对齐和融合？
- 你如何评价一个姿态估计模型的性能？除了精度，还需要关注哪些指标？
- 请描述一下卡尔曼滤波的基本原理，以及它在动作追踪中的应用场景
职位点评
薪资福利65
成长发展90
工作生活40
使命价值70
薪资福利
65中等
该职位薪资范围在市场中上水平，能提供一定的经济保障。但JD未提及具体福利细节，补偿性满足程度中等。
薪资信号未披露（AI估算：1.8千–3.5万/月）
成长发展
90较高
职位涉及前沿的体感交互算法研发、模型部署与性能优化，技术栈先进且对工程实践能力要求高，能提供极佳的技能成长与技术深度积累。
技术前沿前沿/新兴技术
技术栈姿态估计、手势识别、传感器融合、模型轻量化、TensorRT、嵌入式部署
成长机会跟踪国际前沿算法动态、复现并改进SOTA模型、探索新技术落地
业务类型profit_center
工作生活
40较低
JD未提及任何工作模式（如远程、弹性工时）或WLB相关信号，无法判断工作强度。结合研发岗位性质，生活化动机满足程度有限。
工作模式未明确
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
70中等
体感交互是人机交互的未来方向之一，技术具有创新性，应用场景（如智能电视、元宇宙）有前景。但JD未强调社会价值或使命感。
行业发展新兴领域（暂难判断）
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs