点选下方“新机器听觉”，优先选择加”星标”或“首页”
备受瞩目蔬果，第三天数送抵
影像演算法技师二重修为 ：
一、现代影像演算法技师： 主要就牵涉图像处置，主要就包括组织学、影像质量、照相机光学之3A演算法、去雾处置、色调内部空间转换、感光等，主要就在智能家居子公司或是机器听觉应用领域，主要就包括瑕疵检验；
二、当代影像演算法技师: 牵涉建模，主要就整体表现的实战经验为Adaboost、SVM的科学研究与应用应用领域，特点挑选出与抽取，主要就包括智能驾驶的科学研究与应用应用领域、过往行人检验、人脸；
三、人工智慧黄金时代影像演算法技师： 广度自学，主要就在小型网络子公司或是科学研究院政府机构，具体内容充分体现在TensorFlow等开放源码库的科学研究与应用应用领域，主要就包括机器的科学研究、如前所述广度自学的人脸；具体来说！！！演算法工程师主要就包括：
1、音/音频演算法技师(一般来说泛称为音频/音频/绘图合作开发技师)
2、 影像处置演算法技师
3、计算机系统听觉演算法技师
4、通信基带演算法技师
5、信号演算法技师
6、 射频/通信演算法技师
7、 自然语言演算法技师
8、数据挖掘演算法技师
9、搜索演算法技师
10、控制演算法技师(云台演算法技师，飞控演算法技师，机器控制演算法)
11、导航演算法技师
12、 其他【其他一切需要复杂演算法的行业】影像处置演算法技师
相关术语：
（1） OCR：OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码照相机）检查纸上打印的字符，通过检验暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机系统文字的过程（2） Matlab：商业数学软件；
（3） CUDA：(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台（由ISA和GPU构成）。CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题
（4） OpenCL: OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU，GPU或其他类型的处置器组成。
（5） OpenCV：开放源码计算机系统听觉库；OpenGL：开放源码绘图库；Caffe：是一个清晰，可读性高，快速的广度自学框架。
（6） CNN：（广度自学）卷积神经网络（Convolutional Neural Network）CNN主要就用来识别位移、缩放及其他形式扭曲不变性的二维绘图。
（7） 开放源码库：指的是计算机系统行业中对所有人合作开发的代码库，所有人均可以使用并改进代码演算法。
1必不可少专业技能归纳
职位要求
编程专业技能：
1、 具有较强的编程能力和良好的编程习惯， 精通c/c++编程，并熟练使用VS 或matlab合作开发环境；
2、 在计算机系统技术应用领域拥有扎实的技术功底，尤其在数据结构、演算法和代码、软件设计方面功力深厚；对数据结构有一定的科学研究基础如链表、堆杖、树等，熟悉数据库编程；
3、 出色的演算法分析能力，对某一特定演算法可以做广泛的综述，有实际演算法实现实战经验；
4、 熟悉面向对象编程思想，精于windows下的C/C++、VC++程序设计，熟悉MATLAB，对MFC有相对的了解和应用应用领域实战经验；
专业专业技能：
1、扎实的数学功底和分析专业技能，精通计算机系统听觉中的数学方法；
高等数学(微积分)、线性代数（矩阵论）、随机过程、概率论、
摄影几何、模型估计、数理统计、张量代数、数据挖掘、数值分析等；
2、具备建模、影像处置、机器听觉、信号处置和人工智慧等基础知识；
对影像特点、机器自学有深刻认识与理解；
3、精通影像处置基本概念和常用演算法主要就包括影像预处置演算法和高级处置演算法；
常见的影像处置演算法，主要就包括增强、分割、复原、组织学处置等；
熟悉常见的建模演算法，特别是如前所述影像的建模演算法，掌握特点抽取、特 征统计和分类器设计；
4、熟练使用OpenCV、Matlab、Halcon中的一种或一种以上工具库；
5、熟悉机器听觉系统的硬体选型，主要就包括CCD照相机，镜头及光源；熟悉照相机与镜头搭配；
外语：
1.英文熟练，能够熟练阅读和理解专业英文资料，有英文文献检索和阅读能力；
2. 良好的英语沟通能力
综合能力：
1.对工作认真负责，积极主动，勤奋踏实；
2.做事严谨，注重细节，有耐心，能够在压力下独立工作；
3.自学钻研能力强，有较强的理解能力和逻辑思维能力和良好的创新意识；
4.良好的协调沟通能力和团队合作精神；
听觉演算法实战经验：请提供实现的演算法列表
目标识别、影像配准、三维测量、标定和重建、手势识别；
表面瑕疵检验；尺寸测量；特点识别；
影像去噪、滤波、融合演算法
3A演算法：如自动曝光、自动对焦、自动白平衡岗位职责：
1、负责计算机系统听觉中的影像采集，处置面阵和线扫描照相机的光学和控制 ；
2、针对特定的计算机系统听觉问题，设计目标识别与快速定位与检验演算法的实现，并进行优化；
3、对彩色影像和灰度影像实现物体表面的污点划痕检验演算法设计和实现；
5、处置点激光和线激光源的光学，散斑噪声滤波和轮廓检验；
6、负责演算法与软件GUI合作开发技师接口;
7、完成上级领导交办的其他的工作。
2丘托韦六本
1-影像基础知识：
1.常用的影像内部空间。
2.简述你熟悉的聚类演算法并说明其优缺点。
3.请描述以下任一概念：SIFT/SURF LDA/PCA
4.请说出使用过的分类器和实现原理。
5. Random Forest的随机性整体表现在哪里。
6. Graph-cut的基本原理和应用应用领域。
7. GMM的基本原理和应用应用领域。
8.用具体内容演算法举例说明监督自学和非监督自学的区别。
2-笔试
大概有：
1.表示影像的特点有哪些
纹理，频率，梯度这种2.写出canny边缘抽取演算法的原理
3.影像插值方法
4.自己设计一个OCR引擎
5.写出Kmeans程序，并在一个设计环境中怎样使用
6.中值滤波
7.static的作用
8.写一个c++宏
9.二分查找10.整数翻转，如何处置越界问题
11.C++多态，静态联编和动态联编，虚函数表
12.模型融合如何做
13.提升树的思想，随机森林和提升树的区别
14.SVM推导，对偶性的作用，核函数有哪些，有什么区别
15.python两个每行都是数字的文件合并，去重。
16.shell编程，编辑文件。
17.进程与线程的区别
18.卷积神经网络介绍
19.SVM的推导
20.大文件求交集，如何解决哈希之后小文件还是放不进内存堆排序代码
21.连续和最大问题，如何证明？
22.bp演算法介绍，梯度弥散问题。
23.svm介绍，优缺点是什么，lr介绍，区别是什么
24.lr与线性回归的区别
25.如果要预测房价，用什么模型
26.如果要预测房价，并且知道一个房间的房型信息，如何构建模型
27.sigmoid 函数的应用应用领域有哪些，为什么？
28.列举十种常用的神经网络模型
29.音频识别模型有哪些
30.如何识别一个人在喝酒，需要几个模型
31.卷积神经网络中卷积如何实现，激活函数的意义，损失函数有哪些，初始化参数如何优先选择
32.用过哪些广度自学框架，TensorFlow中的session是什么，session和interactivesession的区别
33.如何实现卷积层权值共享
34.如何保存模型，读取已有的模型
35.用过哪些广度自学模型，区别是什么。
36.了解哪些寻优演算法
37.softmax损失函数作用是
38.c++ 的 const，static作用
39.强制类型切换cast之间的区别
40.svm推导，核函数的充分体现，常用的核函数有哪些
41.alexnet介绍
42.过拟合的原因，有哪些避免过拟合的trick
43.1G的文本统计词频，输出频率最高的1000个词
44.手写topk的代码，快排。代码还能如何优化，如果要上线的话还需要做哪些处理？
45.如果分类样本的标签只有一定的概率可信，如何处置？如何设置负样本？
46.过拟合的原因，有哪些防止过拟合的方法
47.模型评价如何做，其中存在哪些问题
48.决策树演算法有哪些，随机森林和GBDT的区别
49.降维方法，PCA原理
50.哈夫曼树在机器自学中的应用应用领域
51.文本挖掘演算法了解哪些
52.人流量预测系统如何设计
53.profession笔试：最优的进程调度演算法，至少用多少个cpu
54.英语自我介绍，口语渣猝不及防
55.联想科学研究院 建模科学研究员 offer
56.异常值的影响，如何消除
57.所有了解的机器自学演算法有哪些，框架性讲述
58.梯度下降演算法了解哪些，优劣势是什么
59.二叉树中序遍历，递归和非递归
60.linux操作指令了解哪些，文本处置指令有哪些
61.一亿个数的文件，如何分成两个文件a,b，使得a文件的数都小于b，同时文件大小要差不多。
62.均匀分布如何生成正态分布
63.SVM原理，支撑向量越多越好还是越少越好
64.二叉树广度遍历，天数复杂度和内部空间复杂度
65.二维排序矩阵搜索
66.项目中的长天数推广问题，如何考虑样本之间非独立的影响。
67.编程题，矩阵中的最短路，有门有钥匙。动态规划加状态向量。
68.贝叶斯公式，实际如何计算，如何解决精度问题。
69.字符串转数字
70.svm核函数有哪些，如何挑选出，手写表达式
71.降维方法介绍
72.c的虚函数，虚函数指针和虚函数表存在哪儿
73.Linux 文件权限修改，参数介绍
74.模型的比较如何做
75.随机森林和提升树
76.卷积神经网络原理
77.如何避免网络的过拟合
78.如何网络调优
79.Python 的数据结构有哪些
80.tuple 和set的区别，set的底层实现
81.hash表的演算法有哪些
82.svm推导，一直到序列最小化求解。核函数如何充分体现，有哪些类型。
83.构建分类器的整个流程是什么
84.数据清洗方法，缺失值处置方法，降维方法
85.pca原理推导
86.决策树演算法的介绍
87.二维排序数组搜索
88.如何构建欺诈交易识别的模型？
89.不均衡的数据如何分类
90.归并排序，二维排序数组搜索，中序遍历重构二叉树
91.svm推导，为什么要用拉格朗日乘数法，对偶问题是什么
92.KKT条件都有什么，如何求解svm的最优化问题
93.数据不均衡如何解决，抽样得到的分类准确率如何切换为原准确率。
94.逻辑回归原理，推导求解方法。
95.为什么选用对数极大似然函数作为优化目标，用平方损失有什么问题。
96.逻辑回归对特点有什么要求，是否需要做离散化，离散化的好处与坏处。
原文链接：https://blog.csdn.net/weixin_42346564/article/details/83894235
End
