1.编程语言与图像处理工具。熟练掌握Python和C++，具备良好编程习惯和代码优化能力。熟悉OpenCV、Pillow、Scikit-image等图像处理库，能实现图像读取、处理、保存等操作，如滤波、变换、形态学操作等。熟悉并行计算原理，掌握CUDA编程，能利用GPU加速图像处理和深度学习任务；了解实时系统开发要求和方法，有实时系统下图像处理算法开发经验。
2.深度学习框架与项目经验。熟悉TensorFlow、PyTorch、Keras等深度学习框架，能根据需求选择框架进行模型开发和训练。参与过图像分类、目标检测等计算机视觉项目，具备从数据预处理到模型设计、训练、测试的完整项目经验，能独立完成任务并优化模型性能。
3.数学与图像处理原理。具备扎实的数学基础（线性代数、概率论、微积分等），能应用数学原理解决图像处理和深度学习问题。熟悉数字图像处理原理和方法，如滤波、变换、形态学操作等，能根据需求选择合适算法进行处理。
4.图像处理算法与工具。精通滤波、边缘检测（如Sobel、Canny算法）、形态学操作、模板匹配等图像处理算法，能灵活运用实现图像特征提取、目标检测等功能。熟练使用OpenCV工具库，能快速实现图像处理算法原型开发和优化，熟悉其高级功能，如视频处理、特征点检测与匹配等。
5.图像格式与处理流程。熟悉JPEG、PNG、RAW等常用图像格式特点、编码方式及应用场景，能根据需求选择合适格式处理。掌握图像处理流程，包括预处理（灰度化、归一化等）、特征提取、分析与识别等环节，能设计合理处理流程。
6.深度学习模型。熟练使用PyTorch和TensorFlow构建、训练和优化深度学习模型，熟悉常用模块和函数。熟悉YOLO、Mask R-CNN等目标检测模型原理和架构，能根据需求改进和优化模型，提高检测精度和速度。
7.定位算法开发经验。熟悉SLAM原理和方法，能实现基于视觉、激光雷达等传感器的SLAM算法。了解多传感器融合技术，能融合不同传感器数据提高定位精度；掌握几何校正方法，能对图像或点云数据进行校正。

1. 图像处理算法开发。设计并开发图像增强算法，采用滤波器或对抗网络提升图像质量。实现图像分割算法，包括实例分割和语义分割。开发特征提取模型，使用CNN等技术提取图像特征。开发目标检测模型，基于YOLO、Faster R-CNN、SSD等框架。开发图像识别算法，基于CNN、Transformer等模型进行图像分类或识别。

2. 项目参与。参与计算机视觉项目的需求分析，明确项目目标和需求。协助方案设计，制定技术路线和实现方法。负责技术实现，确保项目按时交付。

3. 视频图像问题解决。结合深度学习技术（如CNN、GAN等），解决视频图像中的目标识别、目标分割等问题。

4. 算法工程化部署。与团队协作完成算法的工程化部署，使用容器或边缘部署。优化算法性能，通过硬件加速技术（如GPU、CUDA编程）满足实时性要求。

5. 技术跟踪与探索。跟踪图像处理与计算机视觉领域的前沿技术，如Vision Transformers等。探索新方法，提升算法性能和效果。

6. 文档编写。编写算法开发文档，记录算法设计和实现细节。编写测试报告，验证算法性能和稳定性。编写用户手册，指导用户使用算法。

7. 任务完成。按时间节点完成领导交办的工作任务，确保项目进度和质量。