深度学习算法工程师

优缺点分析

角色解读

• 从算法工程师向高级算法专家或技术负责人发展，专注核心算法创新
• 可转向AI架构师或技术管理岗位，带领团队解决复杂视觉问题
• 在虹软科技有机会接触商业级产品（如手机影像、智能驾驶），积累实战经验
• 研究和开发深度学习算法，解决计算机视觉中的检测、定位、跟踪、识别和分类等问题
• 优化算法性能，将模型部署到嵌入式平台或GPU上进行加速
• 跟踪前沿技术，阅读英文文献并进行创新性改进
• 扎实的计算机视觉和模式识别理论基础，熟悉PCA、SVM、神经网络等经典方法
• 精通C/C++编程，具备嵌入式开发经验（ARM、DSP、GPU等）
• 有深度学习项目实践或学术论文发表经历者更具竞争力

申请策略

• 在投递时注明首选工作城市，并说明为何适合该城市
• 展示对计算机视觉领域前沿动态的关注，如最新论文或竞赛成果
• 突出图像处理或计算机视觉相关项目经验，特别是检测/跟踪/识别等任务
• 强调C/C++编程能力和嵌入式优化经验（如ARM、GPU加速）
• 列出发表的学术论文或相关专利，以及参与的深度学习框架使用（如TensorFlow, PyTorch）
• 复习传统特征提取方法（SIFT, HOG等）和机器学习算法（SVM, Boosting）的原理
• 动手实现一个视觉算法并尝试在嵌入式设备上进行优化
• 阅读虹软科技相关技术博客或产品，了解其算法应用方向

面试指南

• 对于原理类问题，先给出清晰定义，然后分点说明步骤或关键点，最后总结应用场景
• 对于项目经验问题，采用STAR法则：背景、任务、行动、结果，突出个人贡献和量化成果
• 对于优化类问题，从算法层面（如模型剪枝、量化）和工程层面（如内存管理、指令集）两方面展开
• 请解释SIFT特征提取的步骤及其不变性原理
• 如何用深度学习实现目标检测？请对比Faster R-CNN、YOLO和SSD
• 在嵌入式平台上如何优化一个图像分类模型的推理速度？
• PCA和LDA的区别是什么？分别在什么场景下使用？
• 描述一个你独立完成的计算机视觉项目，包括难点和解决方案