可解决上海落户和住宿。

岗位职责

1. 核心算法研发与优化

负责人脸微表情情绪识别的神经网络算法设计与优化，针对微表情持续时间短（≤0.5秒）、动作幅度小、样本量少的特点，研发高效的时空特征提取模型（如3D CNN、Transformer、光流法结合的网络架构），提升微表情识别的准确率与鲁棒性。例如，通过改进Farneback光流法提取面部运动特征，结合CBAM注意力机制的3D ResNet（ME-ResNet）模型，增强对关键运动区域的聚焦学习能力。

2. 多模态融合与情绪理解

参与多模态（视觉、语音、生理信号）情绪识别系统的开发，融合人脸微表情特征与其他模态信息（如语音语调、心率变异性），提升情绪理解的全面性与准确性。例如，在智能机器人或心理诊疗场景中，结合微表情识别与文本情感分析，实现更精准的用户情绪状态判断。

3. 数据预处理与特征工程

负责微表情数据的预处理与特征提取，包括：

数据采集与清洗：处理自发或诱发式微表情数据集（如CASME II、SMIC、SAMM），去除噪声与无效样本；

人脸检测与对齐：使用MTCNN、Dlib等工具实现人脸精准定位与归一化，减少姿态、光照变化的影响；

特征提取：提取面部关键点（如眼睛、嘴巴周围肌肉）的运动特征（如光流、动作单元AU），或利用深度学习模型（如CNN）自动学习高层语义特征。

4. 模型部署与工程化

将训练好的微表情识别模型部署到目标平台（如机器人端芯片、移动设备、云端服务器），优化模型的推理速度与资源占用。例如，应用动态剪枝、量化感知训练等技术，实现情感大模型在嵌入式环境下的轻量化部署，满足实时性要求（如延迟≤1秒）。

5. 场景验证与迭代优化

设计场景化测试用例（如高噪声环境、多人交互场景、青少年心理问题场景），验证模型在实际应用中的鲁棒性。例如，在情绪管理APP中，测试微表情识别模块在不同光照、角度下的准确性，根据用户反馈迭代优化模型，提升个性化响应能力。

6. 技术预研与前沿探索

跟踪人脸微表情识别领域的前沿技术（如小样本学习、跨文化情感理解、多模态大模型），开展技术预研并输出原型。例如，探索小样本情感迁移学习算法，解决微表情样本量不足的问题；或研究跨文化情感表达差异，优化模型的泛化能力。