研究与开发： 深入研究和应用前沿的深度学习模型（特别是近3-5年的主流及最新进展），针对具体业务场景进行模型选型、设计、训练、调优和验证。

算法实现与优化： 熟练使用主流深度学习框架（如 PyTorch, TensorFlow 2.x）高效实现CV算法，并进行性能优化（精度、速度、资源占用）。

模型部署： 熟悉模型压缩（剪枝、量化）、转换（ONNX等）和在不同硬件平台（GPU, NPU, 边缘设备）上的工程化部署流程与挑战。

数据处理与Pipeline构建： 构建和管理大规模视觉数据集，设计高效的数据预处理、增强和标注流程。

问题解决与创新： 独立分析和解决算法研发过程中的技术难题，持续探索和评估新技术以提升算法效果。

协作沟通： 与软件工程师、产品经理、测试工程师等紧密协作，确保算法模块的顺利集成与落地。

学历背景：

• 计算机科学、人工智能、电子工程、应用数学、自动化等相关专业硕士及以上学历；或优秀本科毕业生且具备突出项目经验。

扎实的算法与理论基础：

• 深入理解现代深度学习基础理论（CNN, RNN/LSTM, Transformer, 注意力机制， 优化算法， 正则化技术等）。

• 熟练掌握计算机视觉核心任务和最新主流算法：

  • 目标检测： 深入了解Faster R-CNN, YOLO系列 (v3及以后版本，如v5, v7, v8, v9), SSD, RetinaNet, DETR及其变种等。

  • 图像分类： 熟悉ResNet, EfficientNet, Vision Transformer (ViT), Swin Transformer等。

  • 图像分割： 熟悉FCN, U-Net, Mask R-CNN, DeepLab系列，以及基于Transformer的分割模型。

  • 关键点检测、目标跟踪、图像生成 (GANs, Diffusion Models) 等 (根据岗位侧重点选择)。

编程与工具：

• 精通 Python。

• 熟练掌握至少一个主流深度学习框架：PyTorch (必需) 或 TensorFlow (2.x 版本)。

• 熟悉Linux开发环境。

• 良好的软件工程能力，代码规范，版本控制 (Git)。

实践经验：

• 具有独立完成计算机视觉深度学习项目（非仅课程作业）的完整经验，包括问题定义、数据处理、模型选型与训练调优、结果评估分析等环节。

• 具备模型在真实场景部署或面临部署挑战的经验（了解推理框架如TensorRT, OpenVINO, ONNX Runtime等为佳）。

学习与创新能力：

• 极强的自主学习能力，能快速跟踪、理解并应用CV/ML领域的最新论文和技术。

• 具备良好的分析问题和解决问题能力。

• 良好的沟通表达能力和团队协作精神。