锦鲤求职岗位描述
岗位职责：
1、负责工业视觉场景下异常检测、小样本学习等算法的原型研发与前瞻探索，围绕真实工业需求完成从问题定义、技术选型到实验验证的完整研究链路；
2、深入理解业务场景，开展系统性文献调研与技术路线评估，提炼关键科学问题，快速构建原型验证方案的有效性，输出可行的技术决策；
3、深入分析场景数据的内在特性（数据分布、噪声模式、标注约束、正常/异常比例等），设计严谨的消融实验与对比实验，从算法设计原理层面解释结果，定位不同技术路线的能力边界与适用条件，并据此优化模型架构或学习策略；
4、针对真实产线部署需求，统筹算法的泛化性（跨产品线/跨材质迁移能力）与鲁棒性（抗光照变化、抗成像噪声、抗设备差异），确保算法方案在实际环境中的稳定性和容错能力；
5、以最终业务指标达成为导向，配合工程团队完成算法从原型验证到端侧/边缘侧部署的全流程闭环；通过Bad Case分析、难例挖掘与数据回流机制持续迭代优化，确保模型在精度、速度和稳定性方面达到预定交付标准；
6、跟踪领域前沿进展（如CVPR/ICCV/ECCV/NeurIPS等顶会论文、主流开源项目与预训练模型），结合工业场景特殊性探索创新应用方向，将学术界前沿思想转化为工业界的实际生产力；
7、 输出高质量的技术方案文档、实验分析报告及可复现的算法代码，确保研发过程透明、可追溯，为团队知识积累和技术决策提供依据。
任职要求：
1、硬性要求：硕士及以上学历，计算机视觉、模式识别、图像处理、机器学习、人工智能、自动化、数学等相关专业
2、技术能力：
- 熟练使用Python，熟练掌握PyTorch等主流深度学习框架；熟悉Git协作规范等，具备良好的代码工程素养
- 精通数字图像处理（滤波、边缘检测、形态学、频域变换等）与计算机视觉经典框架（目标检测、图像分割等）
- 深入理解主流异常检测范式的设计原理、适用边界与理论缺陷（包括但不限于基于重构的方法、基于特征嵌入的密度估计方法、基于合成的方法、自监督方法等）
- 熟悉小样本学习（Few-shot Learning）、度量学习（Metric Learning）或元学习（Meta Learning）等方向的前沿方法，理解其内在假设与适用条件
- 扎实的数学基础（概率统计、线性代数、最优化理论），能运用数学工具独立推导算法设计决策
3、研究能力：
- 具备独立查阅和精读英文前沿论文的学术素养，能够快速复现主流方法并从中提炼可改进的创新点
- 具备严谨的实验方法论：能够从业务场景中抽象科学问题，设计合理的实验对照组，从实验结果中提炼规律而非仅凭经验调参
- 善于从失败实验中逆向推导归因（数据偏差、建模假设失配、训练策略不当、评估指标失焦等），并能据此修正研究假设与技术路线
4、综合素质：
- 具备将算法成功部署至实际产线并持续迭代优化的完整闭环意识，对落地效果有强烈责任心
- 逻辑清晰，沟通高效，能与工程团队、产品团队高效协作，推动算法向产品转化
- 学习能力和自驱力强，能够主动追踪技术前沿并提出创新思路，快速动手验证
加分项
- 学术成果：在CVPR、ICCV、ECCV、NeurIPS、ICML等顶级会议或期刊发表过异常检测、小样本学习、无监督学习等相关方向论文
- 竞赛荣誉：在国内外知名AI竞赛（如Kaggle、天池、顶级会议挑战赛等）中取得优异成绩
- 开源贡献：参与过知名开源项目（如PyTorch、OpenCV、HuggingFace等），或有高质量个人开源项目
- 前沿实践：有前沿基础模型（如CLIP、DINO等）在工业域适配/微调经验，或有域泛化、域自适应、合成数据/仿真数据生成等方向的研究或落地经验