算法工程師是一種怎樣的存在？

圖像算法工程師三重境界 ：

一、傳統圖像算法工程師： 主要涉及圖形處理，包括形態學、圖像質量、相機成像之3A算法、去霧處理、顏色空間轉換、濾鏡等，主要在安防公司或者機器視覺領域，包括缺陷檢測；

二、現代圖像算法工程師: 涉及模式識別，主要表現的經驗為Adaboost、SVM的研究與應用，特征選取與提取，包括智能駕駛的研究與應用、行人檢測、人臉識別；

三、人工智能時代圖像算法工程師： 深度學習，主要在大型互聯網公司或者研究所機構，具體體現在TensorFlow等開源庫的研究與應用，包括機器人的研究、基于深度學習的人臉識別； 首先！！！算法工程師包括：

1、音/視頻算法工程師(通常統稱為語音/視頻/圖形開發工程師) 2、 圖像處理算法工程師 3、計算機視覺算法工程師 4、通信基帶算法工程師 5、信號算法工程師 6、 射頻/通信算法工程師 7、 自然語言算法工程師 8、數據挖掘算法工程師 9、搜索算法工程師 10、控制算法工程師(云臺算法工程師，飛控算法工程師，機器人控制算法) 11、導航算法工程師 12、 其他【其他一切需要復雜算法的行業】

圖像處理算法工程師

相關術語：（1） OCR：OCR （Optical Character Recognition，光學字符識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程

（2） Matlab：商業數學軟件；

（3） CUDA：(Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平臺（由ISA和GPU構成）。CUDA?是一種由NVIDIA推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題

（4） OpenCL: OpenCL是一個為異構平臺編寫程序的框架，此異構平臺可由CPU，GPU或其他類型的處理器組成。

（5） OpenCV：開源計算機視覺庫；OpenGL：開源圖形庫；Caffe：是一個清晰，可讀性高，快速的深度學習框架。

（6） CNN：（深度學習）卷積神經網絡（Convolutional Neural Network）CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。

（7） 開源庫：指的是計算機行業中對所有人開發的代碼庫，所有人均可以使用并改進代碼算法。

1必備技能總結

職位要求

編程技能：

1、 具有較強的編程能力和良好的編程習慣， 精通c/c++編程，并熟練使用VS 或matlab開發環境；

2、 在計算機技術領域擁有扎實的技術功底，尤其在數據結構、算法和代碼、軟件設計方面功力深厚；對數據結構有一定的研究基礎如鏈表、堆杖、樹等，熟悉數據庫編程；

3、 出色的算法分析能力，對某一特定算法可以做廣泛的綜述，有實際算法實現經驗；

4、 熟悉面向對象編程思想，精于windows下的C/C++、VC++程序設計，熟悉MATLAB，對MFC有相對的了解和應用經驗；

專業技能：

1、扎實的數學功底和分析技能，精通計算機視覺中的數學方法；

高等數學(微積分)、線性代數（矩陣論）、隨機過程、概率論、

攝影幾何、模型估計、數理統計、張量代數、數據挖掘、數值分析等；

2、具備模式識別、圖像處理、機器視覺、信號處理和人工智能等基礎知識；

對圖像特征、機器學習有深刻認識與理解；

3、精通圖像處理基本概念和常用算法包括圖像預處理算法和高級處理算法；

常見的圖像處理算法，包括增強、分割、復原、形態學處理等；

熟悉常見的模式識別算法，特別是基于圖像的模式識別算法，掌握特征提取、特 征統計和分類器設計；

4、熟練使用OpenCV、Matlab、Halcon中的一種或一種以上工具庫；

5、熟悉機器視覺系統的硬體選型，包括CCD相機，鏡頭及光源；熟悉相機與鏡頭搭配；

外語：

1.英文熟練，能夠熟練閱讀和理解專業英文資料，有英文文獻檢索和閱讀能力；

2. 良好的英語溝通能力

綜合能力：

1.對工作認真負責，積極主動，勤奮踏實；

2.做事嚴謹，注重細節，有耐心，能夠在壓力下獨立工作；

3.學習鉆研能力強，有較強的理解能力和邏輯思維能力和良好的創新意識；

4.良好的協調溝通能力和團隊合作精神；

視覺算法經驗：請提供實現的算法列表

目標識別、圖像配準、三維測量、標定和重建、手勢識別；

表面缺陷檢測；尺寸測量；特征識別；

圖像去噪、濾波、融合算法 3A算法：如自動曝光、自動對焦、自動白平衡

崗位職責：

1、負責計算機視覺中的圖像采集，處理面陣和線掃描相機的成像和控制 ；

2、針對特定的計算機視覺問題，設計目標識別與快速定位與檢測算法的實現，并進行優化；

3、對彩色圖像和灰度圖像實現物體表面的污點劃痕檢測算法設計和實現；

4、處理三維物體表面數據獲取和實現三維測量算法的實現；

5、處理點激光和線激光源的成像，散斑噪聲濾波和輪廓檢測；

6、負責算法與軟件GUI開發工程師接口;

7、完成上級領導交辦的其他的工作。

2面試題大全

1-圖像基礎知識：

1.常用的圖像空間。

2.簡述你熟悉的聚類算法并說明其優缺點。

3.請描述以下任一概念：SIFT/SURF LDA/PCA

4.請說出使用過的分類器和實現原理。

5. Random Forest的隨機性表現在哪里。

6. Graph-cut的基本原理和應用。

7. GMM的基本原理和應用。

8.用具體算法舉例說明監督學習和非監督學習的區別。

2-筆試

大概有： 1.表示圖像的特征有哪些 紋理，頻率，梯度這種

2.寫出canny邊緣提取算法的原理

3.圖像插值方法

4.自己設計一個OCR引擎 5.寫出Kmeans程序，并在一個設計環境中怎樣使用 6.中值濾波7.static的作用 8.寫一個c++宏9.二分查找

10.整數翻轉，如何處理越界問題

11.C++多態，靜態聯編和動態聯編，虛函數表

12.模型融合如何做

13.提升樹的思想，隨機森林和提升樹的區別

14.SVM推導，對偶性的作用，核函數有哪些，有什么區別

15.python兩個每行都是數字的文件合并，去重。

16.shell編程，編輯文件。

17.進程與線程的區別

18.卷積神經網絡介紹

19.SVM的推導

20.大文件求交集，如何解決哈希之后小文件還是放不進內存堆排序代碼

21.連續和最大問題，如何證明？

22.bp算法介紹，梯度彌散問題。

23.svm介紹，優缺點是什么，lr介紹，區別是什么

24.lr與線性回歸的區別

25.如果要預測房價，用什么模型

26.如果要預測房價，并且知道一個房間的房型信息，如何構建模型

27.sigmoid 函數的應用有哪些，為什么？

28.列舉十種常用的神經網絡模型

29.語音識別模型有哪些

30.如何識別一個人在喝酒，需要幾個模型

31.卷積神經網絡中卷積如何實現，激活函數的意義，損失函數有哪些，初始化參數如何選擇

32.用過哪些深度學習框架，TensorFlow中的session是什么，session和interactivesession的區別

33.如何實現卷積層權值共享

34.如何保存模型，讀取已有的模型

35.用過哪些深度學習模型，區別是什么。

36.了解哪些尋優算法

37.softmax損失函數作用是

38.c++ 的 const，static作用

39.強制類型轉換cast之間的區別

40.svm推導，核函數的體現，常用的核函數有哪些

41.alexnet介紹

42.過擬合的原因，有哪些避免過擬合的trick

43.1G的文本統計詞頻，輸出頻率最高的1000個詞

44.手寫topk的代碼，快排。代碼還能如何優化，如果要上線的話還需要做哪些處理？

45.如果分類樣本的標簽只有一定的概率可信，如何處理？如何設置負樣本？

46.過擬合的原因，有哪些防止過擬合的方法

47.模型評價如何做，其中存在哪些問題

48.決策樹算法有哪些，隨機森林和GBDT的區別

49.降維方法，PCA原理

50.哈夫曼樹在機器學習中的應用

51.文本挖掘算法了解哪些

52.人流量預測系統如何設計

53.profession筆試：最優的進程調度算法，至少用多少個cpu

54.英語自我介紹，口語渣猝不及防

55.聯想研究院 模式識別研究員 offer

56.異常值的影響，如何消除

57.所有了解的機器學習算法有哪些，框架性講述

58.梯度下降算法了解哪些，優劣勢是什么

59.二叉樹中序遍歷，遞歸和非遞歸

60.linux操作指令了解哪些，文本處理指令有哪些

61.一億個數的文件，如何分成兩個文件a,b，使得a文件的數都小于b，同時文件大小要差不多。

62.均勻分布如何生成正態分布

63.SVM原理，支撐向量越多越好還是越少越好

64.二叉樹深度遍歷，時間復雜度和空間復雜度

65.二維排序矩陣搜索

66.項目中的長時間推廣問題，如何考慮樣本之間非獨立的影響。

67.編程題，矩陣中的最短路，有門有鑰匙。動態規劃加狀態向量。

68.貝葉斯公式，實際如何計算，如何解決精度問題。

69.字符串轉數字

70.svm核函數有哪些，如何選取，手寫表達式

71.降維方法介紹

72.c的虛函數，虛函數指針和虛函數表存在哪兒

73.Linux 文件權限修改，參數介紹

74.模型的比較如何做

75.隨機森林和提升樹

76.卷積神經網絡原理

77.如何避免網絡的過擬合

78.如何網絡調優

79.Python 的數據結構有哪些

80.tuple 和set的區別，set的底層實現

81.hash表的算法有哪些

82.svm推導，一直到序列最小化求解。核函數如何體現，有哪些類型。

83.構建分類器的整個流程是什么

84.數據清洗方法，缺失值處理方法，降維方法

85.pca原理推導

86.決策樹算法的介紹

87.二維排序數組搜索

88.如何構建欺詐交易識別的模型？

89.不均衡的數據如何分類

90.歸并排序，二維排序數組搜索，中序遍歷重構二叉樹

91.svm推導，為什么要用拉格朗日乘數法，對偶問題是什么

92.KKT條件都有什么，如何求解svm的最優化問題

93.數據不均衡如何解決，抽樣得到的分類準確率如何轉換為原準確率。

94.邏輯回歸原理，推導求解方法。

95.為什么選用對數極大似然函數作為優化目標，用平方損失有什么問題。

96.邏輯回歸對特征有什么要求，是否需要做離散化，離散化的好處與壞處。