深度学习算法实习生（深度估计方向）

优缺点分析

角色解读

• 可深入计算机视觉与深度估计方向，积累从算法研究到工程部署的全链路经验
• 表现优秀者有机会转向正式算法工程师，继续在双目/全景/3D视觉或端侧AI方向发展
• 实习期间可积累论文、开源项目和部署成果，为后续读博或算法岗位求职增加竞争力
• 参与视觉深度估计与补全算法的调研、实现和优化，覆盖单目、双目或全景等场景
• 对深度估计模型进行调优和改进，提升精度、鲁棒性与运行效率
• 负责算法轻量化压缩与部署，推动模型在实际产品或设备上落地
• 扎实的数学基础，包括线性代数、多视角几何和最优化理论
• 熟悉Python/C++编程，能够熟练使用PyTorch进行模型训练与调优
• 熟悉经典深度估计/补全算法，理解深度模型训练、评估和优化流程
• 加分项包括双目立体匹配、全景相机模型、CV顶会论文、开源项目或部署经验

申请策略

• 投递前了解影石创新的全景相机和智能影像产品，思考深度估计在其中的应用场景
• 简历中明确可实习时长、到岗时间和每周实习天数，实习岗位HR通常重点关注这些信息
• 突出深度估计/补全、双目立体匹配、全景视觉相关课程、项目或论文
• 展示PyTorch/C++工程能力，尤其是模型训练、调优、压缩和部署经历
• 量化项目成果，如精度提升、推理速度优化、模型体积压缩、榜单排名或开源贡献
• 列出数学基础相关课程或研究方向，如线性代数、多视角几何、最优化
• 复习多视角几何、极线几何、双目校正与立体匹配流程
• 熟悉常用深度估计模型和轻量化方法，如剪枝、量化、蒸馏及部署工具链

面试指南

• 项目题可用STAR结构，按背景-任务-方法-结果展开，重点讲技术选型、实验对比和量化指标
• 理论题先给定义和流程，再结合公式或几何直觉，最后说明工程注意事项
• 部署题从精度、速度、内存/功耗的权衡出发，说明压缩策略和验证方法
• 介绍一个你做过的深度估计/补全项目，说明模型选择、损失函数和评估指标
• 双目立体匹配的完整流程是什么？极线校正的作用是什么？
• 全景相机ERP/Cubemap模型有什么区别？畸变通常如何处理？
• 如何对深度估计模型做轻量化压缩并部署到端侧？会考虑哪些权衡？
• 深度估计中常见的监督信号和损失函数有哪些？如何提升边缘或弱纹理区域效果？