数字政通

1、围绕视频智能分析场景，参与目标检测、语义/实例分割、多目标跟踪、行为识别、事件识别等视觉算法的研发与优化。 2、参与视频数据分析、标注质量评估、数据集构建、模型训练和实验设计，针对小目标、遮挡、低照度、类别不均衡、密集目标等复杂场景开展算法优化。 3、建设算法效果评测体系，基于 Precision、Recall、mAP、PR 曲线等指标进行误检与漏检分析，并结合告警稳定性、跟踪连续性和端到端时延评估真实业务效果。 4、参与视频分析流水线建设，优化检测、跟踪与事件识别之间的协同效果，提升目标 ID 稳定性、告警准确性与视频级算法体验。 5、开展模型轻量化与推理部署工作，参与蒸馏、量化、剪枝、ONNX 导出、TensorRT/推理引擎优化等，平衡准确率、实时性、吞吐与资源成本。 6、使用 Python/PyTorch 开发数据集、训练、验证、推理、可视化和指标分析模块，并与平台、后端及业务团队协作完成模型服务集成和线上迭代。 7、持续跟踪计算机视觉、视频理解和视觉多模态领域的技术进展，结合业务需求验证并沉淀可复用的算法能力。

1、2027届应届毕业生，硕士优先；计算机科学、人工智能、自动化、电子信息、模式识别、数学、统计学及相关专业。优秀本科生如在视觉项目、竞赛、论文、开源或算法实习方面表现突出，亦可考虑。 2、 扎实掌握卷积、池化、归一化、激活函数、感受野、下采样、特征金字塔等基础知识；理解分类、目标检测、语义分割和实例分割任务的训练目标、常用损失函数和核心评估指标。 3、理解 ResNet 残差结构的设计动机与基本实现；能够分析卷积输出尺寸、参数量、特征图尺寸和基础计算量。熟悉 ResNet、MobileNet、FPN、U-Net、DeepLab、Faster R-CNN、SSD、YOLO 等典型网络或体系。 4、熟悉 YOLO 的 Backbone、Neck、Head、多尺度特征融合、边界框回归和类别预测等机制；理解 IoU、NMS、Anchor/Anchor-free、正负样本分配等基本概念。能够结合数据、模型、阈值和损失等因素分析误检、漏检问题并设计验证实验。 5、了解检测—跟踪—事件/行为识别的视频分析流程；理解多目标跟踪中的运动模型、数据关联、外观特征、ID Switch 等基本概念。了解 SORT、DeepSORT、ByteTrack 或时序建模方法者优先。 6、熟练使用 Python 和 PyTorch，能够独立编写数据集、训练、验证、推理、可视化与指标分析代码。熟悉 Linux、Git、Docker，了解 GPU/CUDA 环境及基本调试方法。 7、了解模型蒸馏、FP16/INT8 量化、ONNX、TensorRT、算子融合、批处理等推理加速方法；能够从 FPS、单帧时延、端到端时延、并发、资源占用和精度变化等维度评估部署方案。 8、 至少具备一个目标检测、分割、视频分析或视觉模型部署相关的完整项目。候选人应能够说明本人负责模块、技术选型、数据问题、评测设计、部署约束和量化改进结果。 9、 具备良好的逻辑分析、动手实践、问题定位和协作沟通能力；关注视频数据合规、隐私保护、复杂环境差异及真实业务场景中的稳定性要求。 优先条件 具备以下任一经历者优先： •在目标检测、实例分割、视频理解、行为识别、多目标跟踪、ReID 或异常事件检测方向有深入实践； •有小目标检测、遮挡场景、低照度场景、密集目标或跨摄像头关联等复杂问题的优化经验； •熟悉 ONNX Runtime、TensorRT、C++ 推理、边缘设备部署、量化、蒸馏或模型性能压测； •具备视觉语言模型或视频多模态模型的微调、LoRA/QLoRA 适配、指令数据构造或评测经验； •在相关领域发表论文、获得高质量竞赛成绩、有开源贡献或可验证的强实习成果。