感知与交互算法工程师

优缺点分析

角色解读

• 向技术专家方向发展，成为感知与交互领域的资深算法负责人
• 可转向AI系统架构方向，负责大型端侧AI系统的设计与优化
• 有机会向技术管理岗位发展，带领算法团队进行产品落地
• 负责感知与交互算法的研究与开发，包括目标检测、姿态估计等方向
• 将算法在XR设备、手机等端侧设备上进行性能与效果优化，确保实时性和准确性
• 跟踪计算机视觉和多模态理解领域的前沿技术，参与技术规划与创新
• 扎实的深度学习基础，精通PyTorch或TensorFlow，熟悉C++/Python
• 在目标检测、关键点检测、视频理解等至少一个方向有深入实践经验
• 具备端侧模型部署和优化经验，了解模型压缩、量化等技术

申请策略

• 提前了解vivo在XR领域的产品布局（如vivo Vision），在面试中展现对业务的思考
• 可以准备一个端侧算法优化的案例分享，展示从模型设计到部署的全流程经验
• 突出端侧模型部署经验，列出具体优化指标（如帧率、内存占用等）
• 强调在目标检测、姿态估计等方向的项目成果，最好有论文或专利
• 展示多模态、XR或手势识别相关项目经验，即使是个人项目也有加分
• 补充模型压缩与量化知识，如TensorRT、ONNX Runtime、NCNN等工具
• 学习多模态相关技术，如CLIP、Video-LLaMA等，掌握VLM的基本原理

面试指南

• STAR法则：情境-任务-行动-结果，清晰描述项目背景和个人贡献
• 技术对比法：比较不同方案（如YOLO系列 vs 检测Transformer）的优劣，展示技术深度
• 请详细介绍一个你主导的端侧算法优化项目，如何平衡精度和速度？
• 在目标检测中，如何在小模型上保持高召回率？请举例说明
• 请解释多模态理解模型VLM的基本原理，以及如何在端侧部署？
• 你如何跟踪计算机视觉领域的最新进展？近期印象深刻的论文是哪篇？
• 复习经典深度学习模型（ResNet、YOLO、Transformer）的细节和演进
• 准备1-2个端侧项目案例，包括量化、剪枝、知识蒸馏等优化手段