传音Camera应用工程师（实习）(J17952)
任职要求
1.英语四级以上，能流畅阅读英文文档，具备良好的英文写作与沟通能力； 2.熟练掌握C/C++语言，具备数字图像编程能力(不限于Python/matlab/OpenC…
工作职责
1.根据项目安排，保质保量的完成CAM主客观效果测评的执行、测试数据整理和报告输出； 2.能简单定位分析测试过程中遇到的问题， 协助项目PL和调试，完成CAM相关问题的分析/验证；促进问题的解决，完成全项目交付 3.配合项目PL，组织统筹内部拉通工作； 1.爱好摄影,有基础的摄影知识,喜欢探索影像质量,成像原理等 2.有正确的价值观; 3.认可传音公司文化; 4、有良好的协作意识,能够换位思考,理解工作需求; 5、熟悉光学测试图卡、熟练使用光学测试+吸imatest、iQ-Analyzer、PS、fsviewer 等图像分析软件、jira系统、office等相关办公软件者优先;
我们是vivo影像团队，主要负责vivo手机Camera模块从硬件到软件的整体解决方案。 我们以图像处理、计算机视觉、AI技术为依托，致力于让手机拍照“更美”、“更清晰”、“更智能”，通过打造具有行业竞争力的影像技术和产品，为消费者提供极致的影像体验。 在这里， 你将与全球各地的影像领域专家一起工作，与行业一流的技术团队挑战顶尖的影像问题； 你将有机会接触到最新的图像、视觉、机器学习等相关技术，并使用这些技术打造出令人激动的产品； 你所做的影像效果提升工作会运行在5亿+vivo智能终端设备上，用以提升用户拍照的体验； 你将与我们一起专注于攻克影像相关算法的难题，探索影像算法的发展方向。 你可以学习到整个影像效果系统各个模块是如何工作，我们提供广阔的学习机会及职业选择。 你将与我们一起专注于： 1、负责图像质量整体软件解决方案设计与研发，包含图像算法的研发，效果设计与调优，系统设计与实现，仿真开发与应用等，其中具体涉及内容有图像信号处理ISP（image signal processor)模块的设计开发及效果调优，3A（AWB/AE/AF )模块算法，系统和效果开发，denoise/sharpness、HDR、superNight，LTM等基础图像处理算法开发及迭代升级等，以最佳影像质量为目标，构建最优系统框架，并且开发图像仿真系统； 2、负责手机摄像头产品和技术规划，图像质量的调优； 3、负责手机摄像头新功能的预研开发，负责新功能新卖点在项目中的落地； 4、对相关领域的最新学术论文、行业、竞争对手等使用的图像技术进行长期的跟踪和梳理。
1.多模数据方向：提升多模数据的特征提取与表示能力，应用于具身智能领域中的数据检索与挖掘任务； 2.仿真方向：负责LiDAR、Camera、Radar、GNSS等传感器的仿真，支持感知与规划算法的仿真验证与性能优化； 3.感知方向：负责目标检测算法和跟踪算法开发，提升系统在动态环境中的目标检测与跟踪精度； 4.规划方向：负责全局规划器和局部规划器算法优化，提升机器人在复杂场景中的运行效率和稳定性；
-负责激光雷达点云的目标检测、识别、跟踪算法研发 -负责激光雷达点云的场景语义理解、建模等相关算法研发 -负责camera、lidar、radar等多传感器融合算法研发 -负责障碍物场景语义、行为意图算法研发
公司介绍 滴滴于 2016 年组建自动驾驶技术研发部门，致力于打造世界领先的 L4 级自动驾驶技术，通过科技让出行更安全、更高效。我们相信，将自动驾驶技术部署在共享出行车队中，将创造最大的社会价值。依托滴滴在出行领域的 先进技术、海量数据、丰富经验和完整的出行平台生态，我们正在打造并运营世界领先的自动驾驶 Robotaxi 车队，推动自动驾驶在城市复杂交通场景中的规模化落地。 职位描述 作为感知团队的一员，你将与国内外顶尖人才一起，研究和开发自动驾驶领域的前沿算法，直接赋能 L4 Robotaxi 的大规模部署。 你将面向真实城市道路场景中的多样化挑战，利用多模态传感器（LiDAR、Camera、Radar 等）设计、开发并优化感知算法，解决物体识别、障碍物检测、场景理解、意图预测与大模型赋能等核心问题。 在这里，你将有机会： 与中美两地的优秀工程师和科学家合作，参与世界级的技术竞争； 深入研究并推动最前沿的学术成果在产业中的落地； 在全球最大出行平台之一的业务场景中，实现科研成果的规模化应用。 主要方向与职责： 你将在以下方向中选定一个或多个方向深入负责，并承担从研发到落地、从算法到系统的端到端职责： （一）物体识别与跟踪 设计并实现基于 LiDAR / Camera / Radar 的多模态检测模型，识别车辆、行人、自行车、静态障碍物、交通标志等 提升精度、召回率与抗扰性（抗遮挡、夜间、恶劣天气、长尾类别） （二）通用障碍物识别 识别未知类别 /未训练类别的障碍物 基于异常检测 /开放类别识别的算法研究与工程实现 在非结构化环境（施工区域、道路损坏、落物等）中提升鲁棒性 （三）场景和意图理解 语义分割、实例分割、道路 /车道/交通标志/交通灯等结构物识别 场景理解，例如施工区域识别、可通行区域识别等 意图理解，例如行人动作识别、起步意图识别等 交互和事件识别，例如多方交互、交通规则冲突、非规范驾驶行为等 （四）感知大模型 /多模态 探索或应用预训练多模态大模型，将视觉、语言、地图/文本信息融合以增强感知能力 零样本 / 少样本 / 跨域泛化的策略研发 将大模型成果迁移到真实车队感知系统中，提升复杂场景下的鲁棒性 （五）模型评估、验证 构建完整的评估管道，包括离线评估 + 真实道路 + 模拟环境测试，支持回归检测与性能监控 指标体系设计 (Precision, Recall, IoU, latency, false positives rate 等)