算法研究与开发：

• 调研、理解和跟踪计算机视觉、图像处理、深度学习领域的最新学术进展和技术趋势。

• 根据具体业务需求（如目标检测、图像分类、人脸识别、图像分割、OCR、视频分析、3D重建、图像生成等），设计、实现和验证创新的算法模型。

• 熟练运用深度学习框架进行模型构建、训练和调优。

• 针对特定场景（如计算资源受限、数据量少、实时性要求高等）进行算法的定制化改进和优化。

数据处理与工程：

• 构建和管理大规模图像/视频数据集：包括数据采集、清洗、标注（或设计半自动/自动标注方案）、增强、预处理和版本管理。

• 设计和实施有效的数据增强策略，提升模型鲁棒性和泛化能力。

• 分析数据分布、质量和偏差，确保数据能有效支持算法训练和评估。

模型训练与调优：

• 在合适的计算资源（GPU集群等）上高效训练深度学习模型。

• 进行超参数调优、模型结构搜索以提升模型性能（精度、速度、鲁棒性）。

• 运用模型压缩技术：如剪枝、量化、知识蒸馏等，以满足部署环境（嵌入式设备、移动端、云端）的资源限制。

• 诊断和解决模型训练过程中的问题（如过拟合、欠拟合、梯度消失/爆炸等）。

模型评估与部署：

• 设计和实现全面的评估方案：选择合适的指标（如mAP, Accuracy, F1, IoU, PSNR, SSIM, FPS, 内存占用等），在验证集、测试集及真实场景数据上对模型性能进行严格评估和基准测试。

• 分析模型失败案例，找出性能瓶颈并提出改进方向。

• 将训练好的模型部署到实际生产环境：包括模型转换、推理引擎集成、API接口开发、服务容器化等。

• 优化模型推理速度和资源消耗，满足线上服务的性能要求。

系统工程与优化：

• 将算法模块集成到更大的软件系统或产品中。

• 开发和维护图像处理/计算机视觉相关的工具链、SDK或服务。

• 优化整个图像处理pipeline的性能和效率。

文档与沟通：

• 撰写清晰的技术文档，包括算法设计文档、实验报告、接口文档、用户手册等。

• 与产品经理、软件工程师、测试工程师、硬件工程师等其他团队成员有效沟通，理解需求，解释技术方案，协作解决问题。