3d人脸识别算法opencv_热招职位算法类

1.资深算法工程师leader-AI平台

地点:深圳

工作职责

1、推进机器学习及计算机视觉领域的核心算法;

2、构建机器学习及计算机视觉领域的关键应用;

3、将算法于实际应用场景相结合,构建算法和应用的正反馈机制。

任职资格

1、较强的学术背景:深度学习/机器学习;计算机视觉(如分类,检测,分割,跟踪,SLAM和三维重建);计算机图形学和计算摄影学等。

2、扎实的编程基础;

3、有主动了解和尝试的最新研究成果,公开数据集,和相关的开源系统的习惯和经历;

4、有很强的独立思考能力,又具备良好的团队合作精神;

5、熟悉 Python 等至少一门脚本语言,使用过 MxNet, Caffe, PyTorch, TensorFlow 等开源深度学习框架优先;

6、有深度模型训练,图像分类、物体检测与分割、视频分析、三维建模、计算机图形学等相关科研经历者(例如顶级会议第一作者)优先。

智能图像/视频处理算法工程师

工作职责

1. 新算法预研、开发、测试、实施。

2. 现有产品线相关算法升级维护。

3. 对特定算法模块进行研究、仿真、开发和测试,并根据测试结果对算法模块进行优化和改进。

4. 根据开发计划和设计分工,制定所负责研发内容的详细设计说明书。

5. 参与产品功能、性能设计,编制算法模块设计说明书并提出算法模块的测试方法及标准。

任职资格

1、本科及以上学历,信号处理、模式识别、图像处理及计算机视觉等相关专业背景;

2、至少三年视频智能分析算法设计开发工作经验;

3、精通C/C++编程;熟悉Matlab、opencv;深刻理解各种常用数据结构和基础算法,可以进行复杂算法的实现,并具备良好的编程习惯;

4、具备扎实的数学基础,包括高等数学、线性代数、概率论、数值分析等。

5、英文熟练,有良好的英语阅读能力。

6、硕士/博士研究生学历。

2.机器视觉算法工程师-传感器芯片

地点:深圳/上海

工作职责:

1. 负责深度成像算法的开发,例如利用结构光或TOF计算校准深度、传感器融合和3D场景重建等

2. 通过Matlab、C/C++或Python等编程语言对算法进行功能验证和仿真

3. 在目标平台上实现算法并调试

4. 利用模型进行机器学习与图像识别

职位要求:

1. 计算机、自动化、信号处理、图形图像处理、电子工程或相关专业硕士或者博士学历

2. 具有对三维传感系统的建模仿真能力

3. 掌握至少一种深度学习框架,熟悉卷积神经网络(CNN)

4. 熟练掌握OpenCV

5. 有较强的英文文献阅读能力和学习能力,对新技术方案有强烈兴趣

6. 了解结构光,双目视觉,飞行时间等三维传感技术方案的原理与成像算法者优先

7. 了解压缩感知算法者优先

8. 有集成电路背景知识相关从业经验者优先

3.算法工程师-物联网芯片

地点:合肥

岗位职责:

无线NBIOT 芯片物理层算法的设计和开发

任职要求:

1 电子.通信等相关专业本科以上学历,熟悉各种数字信号处理算法

2 精通无线通信基带算法,如信道估计,均衡,编解码

3 熟悉无线通信协议如LTE/NBIOT 等,有物理层算法系统处理经验优先

4 精通Matlab 仿真

5 独立思考,具有较好的沟通、协调能力,良好的团队合作精神。

4.算法工程师-深度学习算法-人脸识别芯片

地点:深圳

职位信息

1、负责生物识别算法方案设计开发,攻克技术难点。

2、根据产品需求,对计算机视觉,模式识别等新技术进行调研,原型验证,工程实现落地等;

3、负责产品性能的持续优化,对接公司其他部门或客户,及时解决项目中遇到的问题、

岗位要求:

1、统招本科 211 以上学历,计算机,数学,自动化,信息类相关专业,2 年以上算法工作经验,有良好的数据基础、

2、精通 c/c++,matlab,python 等语言,熟悉 vs/linux 开发环境,具有良好的编程基础、

3、有较强的英文阅读能力,能够根据论文快速实现相关算法,具备模式识别或机器学习基础,熟悉特征提取,分类器设计,网络模型设计。

4、责任感强,具有较好的沟通表达能力和团队合作精神。具备以下一项或多项条件优先考虑

a)有过生物识别相关算法开发经验者优先;

b)在图像处理/模式识别/计算机视觉等相关领域发表过高水平论文或者专利优先;

c)熟悉深度学习算法理论,有过实际深度学习算法开发经验,模型部署,底层框架优化经验者优先;

d) 熟练掌握常用深度网络模型,熟悉一种或多种深度学习框架 ( 如 caffe ,tensorflow,mxnet,torch),有过一年以上相关平台开发经验。

5.算法工程师-3D图像-人脸识别芯片

地点:深圳

职位信息

工作职责:

1、前沿算法研究、跟进与导入;

2、3D深度增强与优化;对获得的RAW或原始深度进行分析与优化,输出更高性能深度;

3、3D渲染、虚拟现实;

4、负责算法设计文档的编写,质量控制以及归档。

任职要求:

1、985硕士或以上学历,2年以上算法开发经验,有3D视觉及人脸识别算法开发者优先;

2、图像识别/模式识别/数学/计算机等电子类相关专业;

3、精通C/C++,Mathlab,OpenCV的使用,熟悉常用图像处理算法,熟悉视觉开源库;

4、数学良好,自学能力强,喜欢钻研,良好的沟通协作,流畅阅读中英文专利和paper;

5、工作勤奋努力,能接受高强度加班

6.算法工程师-ISP图像

职位信息

1、支持ISP算法的ASIC设计,负责ISP驱动和图像处理算法研发;

2、负责3A(AE/AWB/AF)算法的开发和维护,分析解决3A相关问题;

3、负责camera相关算法的技术可行性分析,参与方案设计。

任职要求:

1、本科211及以上学历,光电、电子、通信、物理及计算机相关专业,精通C/C++和Matlab语言;

2、有3年相关行业(数码相机、图像传感器和平台ISP算法处理等)工作经验者优先;

3、有实际的ISP产品开发经验,精通ISP pipeline的相关算法和处理流程,并能独立完成其中多个模块(如demosaic,denoise,坏点补偿,Gamma校准,色域空间的转换,sharpness等)的算法开发和维护;

4、 精通3A算法,了解和熟悉主流的3A算法,能够通过matlab等仿真把算法转换成实际的C/C++代码,并对算法进行优化改进;

5、 至少熟悉一种平台(专用ISP,FPGA)下ISP算法的开发; 在Sensor成像质量测试和评价领域有实际经验;

6、 学习能力强,有较深钻研精神,较强的沟通能力和团队协作精神;

7、 具备较深的英文文献阅读能力。

7.算法工程师-防伪算法-人脸识别芯片

地点:深圳

岗位职责:

1、研究并开发基于单目/双目及多种光谱环境下的人脸活体检测防伪算法,需要完成算法系统设计,性能优化,达到应用要求;

2、研究并开发基于神经网络模式和基于图像(2D/3D)数据的人脸识别算法,算法系统设计,性能优化;

3、研究在IR环境下的人脸特征(特征提取/定位/拼接),提出针对人脸防伪的不同方案;

4、跟踪前沿算法的发展,对现有算法进行可行的算法升级工作;

5、负责算法设计文档的编写,质量控制以及归档;

任职要求:

1、本科211及以上学历,3年以上的算法开发工作经验,有3D视觉及人脸识别算法开发者优先;

2、图像识别/模式识别/数学/计算机等电子类相关专业;

3、精通C/C++,Matlab,OpenCV的使用,熟悉图像处理算法,熟悉通用的视觉开源库;熟悉linux/ubuntu系统的使用;

4、较好的数学基础,学习能力强,有钻研精神,强的沟通能力和团队协作精神,较深的英文文献阅读能力。

8.资深ISP算法工程师
职位信息
1、支持ISP算法的ASIC设计,负责ISP驱动和图像处理算法研发;
2、负责3A(AE/AWB/AF)算法的开发和维护,分析解决3A相关问题;
3、负责camera相关算法的技术可行性分析,参与方案设计。
任职要求:
1、本科及以上学历,光电、电子、通信、物理及计算机相关专业,精通C/C++和Matlab语言;
2、有3年相关行业(数码相机、图像传感器和平台ISP算法处理等)工作经验者优先;
3、有实际的ISP产品开发经验,精通ISP pipeline的相关算法和处理流程,并能独立完成其中多个模块(如demosaic,denoise,坏点补偿,Gamma校准,色域空间的转换,sharpness等)的算法开发和维护;
4、 精通3A算法,了解和熟悉主流的3A算法,能够通过matlab等仿真把算法转换成实际的C/C++代码,并对算法进行优化改进;
5、 至少熟悉一种平台(专用ISP,FPGA)下ISP算法的开发; 在Sensor成像质量测试和评价领域有实际经验;
6、 学习能力强,有较深钻研精神,较强的沟通能力和团队协作精神;
7、 具备较深的英文文献阅读能力。

9.算法专家
职责描述:
1,计算机视觉领域的算法研究、实现与应用;
2,与摄像头相关、机器视觉图像处理能力,具备分析、识别算法的设计、实现及性能调优;
3,具备有三维重建、点云处理、人脸识别等相关算法研发与实施相关经验;
4,图像视觉应用软件的设计与实现,算法测试,数据分析等。;
5,有带领团队3年以上经验。
任职要求:
1,计算机、计算机视觉、机器学习、模式识别或相关专业,硕士毕业6年以上相关经验 / 博士毕业3年以上相关经验;
2,熟悉计算机视觉与机器学习领域的基础理论,算法,实现已经相关的应用;
3,熟练掌握目标识别与机器学习领域相关算法 ,包括但不限于:特征点检测与匹配,场景分割,聚类与监督学习,概率图模型,深度学习等;
4,熟悉C、C++语言开发;熟练掌握MATLAB或OpenCV算法仿真工具
5,具备良好的英语读写能力;
6,有利用ARM/GPU/NEON/DSP实现算法的项目经验,了解Android平台图像处理和算法 加速经验更佳;
7,具有很强的管理能力,项目推进与实施力度,相当的团队管理与协调能力。
10.算法工程师
岗位职责:
1、负责计算机算法和深度学习算法的前沿技术的研发工作;
2、负责物像检测、分类、跟踪、识别、图像理解、图像质量评估和增强,视频分析等前沿技术研发和实现。
任职要求:
1、图像处理、模式识别、机器学习相关专业硕士以上,两年以上工作经验;
2、在深度学习、统计机器学习、计算机视觉和最优化方法等方面有较深入的研究;
3、熟悉物体检测、跟踪与识别算法;
4、动手能力强,熟练掌握Java/Python/Matlab语言,有较强的算法分析和现能力。

b4d8bb90fa607b5772539a7c6698522a.png

d1e2d0cd678f061248539f1bfcdbc99e.png

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值