【创新业务】图像处理工程师（成都）(J53472)

优缺点分析

角色解读

• 技术深耕路线：从算法工程师成长为计算机视觉领域的技术专家或架构师，专注于算法创新与攻坚
• 业务结合路线：深入理解工业制造场景，成长为能够主导视觉质检产品技术方案的技术负责人
• 团队管理路线：在积累足够项目和技术经验后，可向技术管理岗位发展，负责团队建设与项目规划
• 研发与优化工业视觉质检系统的底层算法，将计算机视觉技术应用于生产质量控制
• 深入研究并实现目标检测、图像分割、多模态大模型等前沿计算机视觉技术
• 主导算法模块从设计、编码、测试到文档编写的全流程开发工作
• 与软件团队协作，完成算法与系统的集成，并持续探索技术在实际业务中的创新应用
• 扎实的C++/C#与Python编程能力，精通常用数据结构与算法
• 深厚的计算机视觉算法功底，如目标检测、图像分割、特征提取等
• 对多模态大模型技术（如预训练、微调、RLHF）及Agent框架有了解和实践经验
• 熟练使用深度学习框架（如PyTorch/TensorFlow），并有模型优化（剪枝、蒸馏、量化）经验者更佳

申请策略

• 研究京东方在工业视觉、智能制造方面的业务布局与创新案例，面试时展现你的行业认知与热情
• 准备阐述你对“工业视觉”与普通“计算机视觉”在技术应用上异同的理解
• 重点突出与计算机视觉相关的课程设计、科研项目或实习经历，展示算法设计与实现能力
• 详细描述使用C++/Python及深度学习框架解决具体视觉问题的项目案例
• 如有参与多模态大模型、模型优化或工业视觉相关项目，务必清晰阐述
• 复习并巩固目标检测、图像分割等经典计算机视觉算法的原理与实现
• 学习并实践多模态大模型（如LLaVA）的微调、部署或相关应用开发
• 了解工业视觉系统的基本构成（相机、镜头、光源）及其在质检中的应用

面试指南

• 采用STAR法则（情境-任务-行动-结果）来组织项目经历的讲述，突出个人贡献和量化成果
• 回答技术问题时，先阐述核心概念和原理，再结合实际应用场景进行说明，展现深度思考
• 对于开放性问题（如技术应用），可以分点论述，从数据、模型、部署、业务价值等多个维度展开
• 请介绍一个你做过的最复杂的计算机视觉项目，你在其中负责什么，遇到了哪些技术难点，如何解决的？
• 请解释一下目标检测中Anchor-based和Anchor-free方法的区别与优劣
• 你如何理解多模态大模型？如果要在工业质检场景应用LLM，你会从哪些方面考虑？
• 对于算法模型从研发到部署上线，你认为需要关注哪些关键步骤和性能指标？
• 系统复习计算机视觉核心算法和深度学习基础知识，能够手推或解释常用损失函数和优化器