视觉深度学习算法数据实习生（静态要素方向）

优缺点分析

角色解读

• 通过实习积累自动驾驶感知领域实战经验，可转正为正式算法工程师
• 深入理解数据闭环和模型迭代流程，向高级算法专家或技术Leader方向发展
• 有机会接触前沿技术（如BEV、端到端模型），拓展至规划、控制等关联方向
• 负责ADAS和NOA场景中交通灯、标识牌等静态要素的感知算法研发与优化
• 参与从数据挖掘、模型训练到工程部署的完整闭环，持续迭代模型性能
• 与团队协作解决badcase，构建评测体系，推动算法在实车场景落地
• 扎实的计算机视觉和深度学习理论基础，熟悉主流检测、分类算法
• 熟练使用Pytorch、TensorFlow等框架，具备模型训练和调优经验
• 精通C++或Python，熟悉数据结构和算法，能高效处理大规模数据

申请策略

• 在简历中明确标注可实习时长（每周天数、总月数），越长越有优势
• 面试前了解地平线芯片（征程系列）与算法结合的优势，展现对公司的兴趣
• 突出计算机视觉相关项目经历，如目标检测、语义分割等，并附上GitHub或论文
• 强调深度学习框架使用经验（Pytorch/TensorFlow）以及C++/Python编程能力
• 如有自动驾驶相关竞赛、开源贡献或实习经历，务必重点展示
• 提前复习经典检测模型（如Faster R-CNN、YOLO）和Transformer在视觉中的应用
• 了解数据闭环流程和模型部署基础知识（如ONNX、TensorRT）
• 练习代码能力，刷LeetCode中等难度题，准备手撕代码环节

面试指南

• 项目介绍采用STAR法则：背景、任务、行动、结果，突出技术难点和你的贡献
• 算法题先明确思路，再写代码，注意边界条件和复杂度优化
• 开放性问题结合实践经验，分点回答，展示逻辑清晰和工程落地意识
• 请介绍一个你做过的最有挑战的计算机视觉项目
• 如何解决目标检测中的小目标问题？说出常见方法
• 手写代码：实现IoU计算或NMS算法
• 你对自动驾驶中数据闭环的理解是什么？如何持续提升模型性能？
• Pytorch中DataLoader的工作原理？如何加快数据加载速度？