高级视觉算法工程师【成都】48432

优缺点分析

角色解读

• 可向技术专家方向发展，深耕视觉感知算法，成为领域权威
• 可转向技术管理岗位，带领算法团队，负责项目整体技术方案
• 可拓展至自动驾驶系统架构师，负责感知、融合、决策等全栈技术
• 负责车载视觉核心算法研发，包括目标检测、分割、深度估计等，直接服务于智能驾驶感知系统
• 进行相机标定与多相机同步开发，确保多路视觉数据的一致性和准确性
• 负责模型量化与端侧推理优化，将算法高效部署到车规级硬件平台
• 扎实的计算机视觉基础，熟悉目标检测、分割、深度估计等经典任务
• 精通 PyTorch 或 TensorFlow，具备模型训练、调优和部署的实战经验
• 熟练使用 C/C++、Python 和 OpenCV，具备良好的工程化编码能力
• 了解立体视觉、多视图几何或多传感器融合者优先

申请策略

• 关注长城汽车在智能驾驶领域的布局，了解其技术路线和产品方向
• 在面试中可主动展示对车载视觉算法落地难点的思考，如算力限制、实时性要求等
• 突出视觉算法项目经验，特别是目标检测、分割、深度估计等具体落地案例
• 强调模型训练、调优和部署的完整流程，展示端侧推理优化能力
• 如有相机标定、多传感器融合经验，务必重点提及
• 展示扎实的编程能力，如 C++ 和 Python 的工程实现
• 可提前复习多视图几何、立体视觉等经典理论，并了解最新研究进展
• 熟悉 TensorRT、ONNX Runtime 等端侧推理框架，提升模型部署能力

面试指南

• 采用STAR法则（情境、任务、行动、结果）清晰描述项目，突出个人贡献和量化结果
• 针对技术问题，先阐述原理，再结合项目经验，最后提出优化思路
• 对于开放性问题，可先给出主流方案，再提出自己的见解或改进方向
• 请详细描述你做过的一个目标检测项目，包括数据、模型、训练和部署的完整流程
• 如何解决多相机标定中的外参标定精度问题？
• 在模型量化过程中，如何处理精度损失？
• 谈谈你对单视图深度估计的挑战和主流方法的理解
• 如何优化模型在嵌入式平台上的推理速度？