文章目录

招聘内容

主要职责：

  1. 对现有经典图像/视频处理算法进行优化设计；
  2. 搭建算法模型，并初步实现与验证；
  3. 参与嵌入式产品的软件开发

主要要求：

  1. 能够深刻理解图像算法的底层逻辑；
  2. 精通常用经典图像/视频处理方法，了解机器学习算法；
  3. 掌握C++/C编程语言，精通OpenCV；
  4. 熟悉MATLAB，能够快速验证算法原型；

笔试/面试问题

运动估计

  1. 什么是光流？基本假设有哪些？
  2. 画出Lucas-Kanade算法进行参数化运动估计的算法流程图，并评价优缺点
  3. Lucas-Kanade算法如何实现对光照变化鲁棒？

图像去糊

  1. 解释贝叶斯方法：MLE、MAP
  2. 设计基于MAP的图像去糊算法，按步骤说明算法原理

程序设计

  1. 用C/C++实现快速排序算法

面试提问

  • 自我介绍
  • 介绍项目思路
  • 目标检测的算法了解过哪些
  • 轮廓提取算法的原理
  • 跟踪算法优缺点比较
  • 有没有嵌入式Linux的开发经验
  • 所做嵌入式项目的内存管理是怎样的

个人总结

这是来沪的第一次面试，认真总结反思，希望对以后发展有个好的引领.

  1. 从招聘信息和面试感受来说，招聘方还是很专业的，只是自己基础能力存在很大不足. 日常所做的图像处理基本都是调用opencv来实现，只有考虑某种算法而没有现成代码可用的时候，才会去研究算法原理，编码实现内部逻辑，比如主动轮廓模型、FCM聚类等. 所以轮廓提取算法的原理我答不上来，只知道cv::findContours，同样笔试题目也没答出来. 现在再看招聘要求“能够深刻理解图像算法的底层逻辑”，还被放在第一条，好丢脸啊，我真该仔细掂量掂量的.
  2. 从自身定位来看，招聘方从事的真的是很传统很经典的机器视觉研发，包括预处理、特征提取、识别应用一整套理论，而我只是侧重在图像预处理部分. 我也做深度学习CV方向，在识别和分类上更倾向于深度网络模型，所以并没有了解相应的经典算法，机器学习算法也只是学过两遍理论，基本都是调包实现再调参. 这样看来，自身定位和招聘方是有出入的. 我处于一个很尴尬的水平：没有算力支持，深度学习很难专精，往上的计算机视觉走得艰难；依赖openCV，面向API编程，往下的机器视觉投入不足. 不上不下，没有竞争力啊！
  3. 关于深度框架：一开始是打算学习tf2.0的，但感觉和企业用的版本差异太大，就没再考虑了. 跟着沐神学习，对mxnet的简洁高效很有好感，背后有亚马逊支持，据说Intel内部也在用，就学起来了. 但是招聘上大多要求tf和pytorch，学术上也是pytorch居多. 那就等mxnet的学习告一段落后，再多学一种吧！
  4. 除了专业技能，编码方面也该重视，拖了多年的数据结构与算法该学了！必须刷题了！加油！