视觉深度学习算法工程师（道路结构认知）

优缺点分析

角色解读

• 技术路线：从算法工程师成长为感知技术专家，主导核心算法方向
• 架构路线：转向系统架构师，负责自动驾驶感知系统的整体设计
• 管理路线：担任技术团队负责人，带领团队攻克技术难题
• 负责自动驾驶全场景（城区、高速、泊车）道路环境感知算法的研发，包括车道线、交通灯、停车位等要素的检测与端到端建模
• 对感知模型进行开发、验证与持续迭代，通过算法创新和工程优化提升复杂场景下的鲁棒性与实时性
• 主导核心算法从设计到落地的全链路，包括模型轻量化、部署优化及评测体系构建
• 扎实的计算机视觉和深度学习基础，精通目标检测、分割、跟踪等任务
• 精通PyTorch框架，具备大规模模型训练与优化经验
• 熟悉C++/Python编程，掌握数据结构与算法
• 了解模型部署工具（TensorRT/ONNX）及嵌入式优化者优先

申请策略

• 在简历中明确写出“2年以上自动驾驶感知算法经验”，匹配JD核心要求
• 关注地平线自动驾驶业务的规划，在面试中表现对技术的热情和对产品的理解
• 突出自动驾驶或计算机视觉领域的项目经验，尤其是目标检测、语义分割等实际落地案例
• 展示顶会论文（CVPR/ICCV等）或顶级赛事排名，证明学术能力
• 强调PyTorch大规模训练和模型优化（如剪枝、量化）的具体成果
• 如有模型部署经验（TensorRT/ONNX），务必提及
• 若缺乏部署经验，可提前学习TensorRT、ONNX以及嵌入式优化（ARM/GPU）相关知识
• 复习经典检测/分割模型（如YOLO、Mask R-CNN）的原理，并掌握最新进展（如Transformer-based方法）

面试指南

• 对于项目介绍类问题，使用STAR法则（情境-任务-行动-结果），突出个人贡献和技术难点
• 对于优化类问题，先分析问题根源，再提出具体方法（如数据增强、模型结构改进、损失函数调整等），最后说明效果
• 请介绍一个你主导的自动驾驶感知项目，包括技术选型、挑战和最终效果
• 你对目标检测中的小目标或遮挡问题有什么优化思路？
• 如何平衡模型精度和推理速度？请举例说明
• 谈谈你对Transformer在视觉感知中应用的看法
• 在模型部署过程中遇到过哪些问题？如何解决？
• 系统复习深度学习经典模型和自动驾驶感知相关论文（如BEV感知、端到端方法）