prepare

目标： 

自动驾驶感知
负责深度学习感知算法开发，包括目标识别、分割、检测、多目标追踪等
有扎实的数理基础，有Linux、ROS、QNX等开发经验，熟悉C/C++编程，有良好的编程习惯

他人简历：

　　skills:　　

• 熟练使用 NumPy, 熟悉 SciKit-Image, OpenCV, SciPy, Matplotlib 等科学计算库

  图像基础知识扎实，能快速实现经典视觉算法

  
  

  熟练使用使用 PyTorch, MXNet 熟悉 Caffe，TensorFlow，Keras

  有自己积累的视觉工具库， 能快速开发调试深度学习/视觉算法

  
  

  熟练使用Python的多线程和多进程加速

  熟练使用 Web技术，能够构建 可视化应用、交互界面、网站后台、爬虫等

  日常使用 Linux，熟悉使用 Git/GitHub, Travis-CI, pandas 等工具来管理项目和实验

简历Todo：

　　简约清晰 markdown

　　个人信息，教育经历，项目经历，科研经历，竞赛经历，IT技能，个人荣誉与语言能力等信息依次展开  /亮点

　　灌水论文，就多写写实用性的价值点；如果没有发论文，那就把科研经历总结成项目成果，多写写对整个项目的把握，突出项目价值与工程成果

　　多打几个有价值的竞赛，多写几个竞赛项目以充实简历

 

　　具体内容撰写可以遵循STAR法则

　　简历上不要出现错别字，不要把一些技术名词拼错！！！

技术面:

　　简历方面凡是和视觉相关的全都问了，比如可视化论文、两个比赛、两段实习、上过的数字图像处理课程等--基本都清楚的答出来了，比如DPM如何做的、YOLO算法是怎么实现的等等

• Adam和SGD优化器哪个更好，好在哪里，哪个使模型更加容易发散?
• FPN作用
• 讲下yolov3的架构，和two-stage的mask-rcnn有什么区别
• 问了几个机器学习算法，KNN和SVM的细节
• 图像基础操作题,对图像做45度旋转，如何使图像完整不缺失，缺失和超出的部分如何处理

1. 目标检测框架原理问题
   • RPN结构讲下，RPN的loss有哪些，分类loss是二分类还是多分类
   • ROI Pooling是在RPN前面还是后面，讲下原理，有什么作用
   • ROI Polling和ROI Align的区别
   • Mask RCNN基本结构讲下
   • 1*1卷积作用（降维－改变特征通道数，加入非线性）
   • Faster RCNN的loss有哪些，分别讲下
2. CNN的SOTA模型原理
   • ResNet结构讲下，它解决了什么问题
   • InceptionV3结构讲下

　　需要学习的知识：机器学习的基本算法（降维，分类，回归），深度学习框架，视觉和图像出来的常用方法（物体检测、跟踪、分割、分类识别）

　　pytorch和tensorflow

　　分类：AlexNet 、MobileNet、VGG、ResNet、GoogleNet实现

　　目标检测：Two-stage：

（图片知乎侵权删）

 

 

　　　　　　　Onet-stage

 

 （图片知乎侵权删）

　　语义分割：FCN、UNet、Deeplab 熟悉修改开源代码

　　目标跟踪：

 

　　

3D视觉算法虽然已经取得了一定的研究进展，但仍然存在一些难点和挑战。以下是一些目前的研究难点：

1. 精度和稳定性：3D视觉算法需要从多个视角获取的图像数据中提取三维信息，但由于光照、遮挡、噪声等因素的影响，这些数据可能存在不确定性和误差，因此如何提高算法的精度和稳定性是一个难点。

2. 多视角匹配：多视角图像数据的匹配是3D视觉算法的关键问题之一，目前主要采用特征点匹配和区域匹配等方法，但仍然存在一些问题，比如匹配精度不高、匹配速度较慢等。

3. 数据量和计算复杂度：3D视觉算法需要处理的数据量较大，计算复杂度高，因此如何优化算法的计算效率和处理速度也是一个难点。

4. 3D模型重建：3D视觉算法需要从多个视角获取的图像数据中重建出三维模型，但由于存在误差和不确定性，重建结果可能存在一些问题，比如缺失、畸变等。

5. 深度学习与传统算法的结合：目前，深度学习在3D视觉算法中的应用越来越广泛，但如何将深度学习与传统算法结合起来，充分发挥两者的优势，是一个值得研究的问题。

总的来说，3D视觉算法的研究仍然存在一些难点和挑战，需要进一步深入研究和探索。