地平线-智能驾驶算法实习生

【地平线-智能驾驶算法实习生】
工作职责：
1、负责智能驾驶车辆的视觉感知相关算法的效果和性能优化；
2、参与视觉相关算法的调研、实现和工程化等工作。
任职资格：
1、熟悉机器学习和深度学习，如KNN，SVM，boost，CNN等。熟悉算法的性能优化，评估，参数调优。有caffe，tensorflow，mxnet等一个或多个深度学习框架经验；
2、熟练掌握C/C /Python至少一门编程语言，良好的代码风格，具备Linux，make, cmake，git等相关工程基础；
3、优秀的英语能力，能熟练阅读英文论文；
4、有机器学习或图像处理实战项目经历， 或在领域内顶级期刊或会议发表过paper，或参加过KITTI, Cityscapes, Kaggle等比赛并取得优异成绩者优先 ；
5、具备快速学习能力，有较强的创新力与动手能力，责任心强，良好的团队合作意识。
6、一周至少实习4天，实习期保证3个月及以上（时间不是问题，进去就行）

自己准备的可能问的题目（然后国庆都没怎么准备）
问：目标遮挡怎么办？

问：复现论文的loss是如何设计的，检测和分割常见的问题，faster RCNN，SSD，YOLO的区别与特点，应用场景；

于现实场景的复杂性，驾驶场景的一般图像和中间表示中含有多余的细节。这些细节中的许多信息既不相关，也对预测任务没有帮助。例如，高速驾驶的人类驾驶者不会根据前面的汽车品牌或道路边界外的视野来改变自己的行为。理想情况下，模型应该能够通过观察人类驾驶数据来学习关键信息，但是由于深度神经网络的黑盒性质，我们难以分析模型是否学会了基于正确的信号进行预测。（此处可以和项目衔接）

预测车辆控制命令

10.9 面试结束，深感自己是个菜鸡，很多基础的问题没回答上来，国庆回去玩太多，凉凉，现在将一些题目摘录如下：

笔试

先来60分钟笔试题：（一张纸，题目很基础，网上可查的基础题，所以还是要平时多看书！）

机器学习：
1、各种曲线的含义，比如PR曲线，AUC，ROU曲线等的含义；
深度探讨机器学习中的ROC和PR曲线

2、SVM SVM SVM SVM SVM（以后每天推一遍SVM，算法岗怎么可能不会SVM）

深度学习：
3、sigmoid/tanh/relu区别和联系；L1正则化的稀疏性怎么解释；weight decay ；过拟合欠拟合；梯度消失/爆炸；

编程题：

4、忘了（其实是不会做）

数据结构：
5、二叉树如何镜像，之后又问了链表如何反转；

面试

拿着刚才的笔试题问问题，问了我写的不清楚的和不会的（唉，我都写不清楚了和不会写了，问了我也不会啊=-=），然后说项目，因为我的项目还在做（其实是不会做=-=）很多细节没答出来，尴尬，感觉在简历上夸大其词了。

问了平时用过什么算法，我说目标检测熟一点，就问我RCNN,F-RCNN，我说我比较熟悉yolo，然后问我yolo实现的详细步骤（这个我之前真的认真看过，记在笔记上还就放在手边，还是没答出来，很久不看了，妈蛋，绝望了）

因为笔者实在太水了，最后面试官也问不出什么了（感觉脸都黑了）所以草草收场了。

感想
其实实习生面试真的不难，公司也很好，题目都是基础，没抓住机会，唉，还是要多看书多学习，不能浮于表面。（其中的L1正则化的稀疏作用，明明是自己项目涉及到的，明明之前看的很多，但国庆以来就是记不得了，唉，记忆力不行了么）