图像处理和识别的算法工程师，工作一年多，发现自己胜任不了这份工作，怎么办？

冒昧的不请自答一下。

先说下我自己的情况，我是18年年中转行做的计算机视觉，以前的两年时间是使用传统方法做一些简单的图像处理工作，基本也没啥技术含量。所以可以认为18年年中才接触这个行业，目前是一个十几位算法工程师团队的技术经理，而我本身也就是个双非毕业的渣硕，而且学的还不是计算机。

说上面那么多，主要是想表达，这一行听起来很高大上，但是得益于目前十分成熟的开源系统与各种顶会的快速更新，目前门槛相对已经没有那么高了，不需要极高的背景也能入门，所以题主也不用太过悲观，能通过面试拿下这份工作，并通过试用期，呆了一年多，说明也没有特别差劲，至少你领导认为还是可以再培养培养的，要不也等不到你自己考虑合不合适的问题了。

但是入门容易，做精难。图像处理与识别工程师，听起来就是一个算法工程师岗位，一般人认为就是调调模型，调调算法就好了，其实远没有这么简单，做深了就会发现，这是一个非常综合的岗位，对工程师的综合素质要求还蛮高的，但是题主只说了算法指标提不上去一个问题，所以我们也就不展开了，今天就这一个问题说一说。

一般我们拿到一个具体到点的算法开发与优化任务，要经过以下几个步骤：

1. 首先要评估一下这是什么图像处理任务（分类，检测，分割，识别等等），结合现有数据，看看该用什么样的算法（深度学习，传统机器学习，还是普通的图像处理就好）。指标提不上去，从源头上看，是不是任务定义的就有问题，比如，要对图片中的猫和狗进行识别，我们把它定义成一个简单的分类问题，但是如果有些图片中有猫又有狗，那整图分类就不好使了，定义成检测问题会不会更好。

2. 任务定义好，采用的算法确定好了，就可以准备数据了。不管用深度学习还是传统机器学习，都需要大量的数据进行训练，这一步很重要，怎么强调都不为过，任务定义清楚以后，干净的数据集是整个任务能朝着既定方向行进的基础。

一般算法工程师不太会直接标注数据，很多是通过外包或者专门的标注人员进行标注，而这些人或因为责任心问题，或因为对任务不了解，他们标注的数据大多不能直接使用，需要检查修正，如果算法工程师直接拿来就用，而正好这批数据标注的不干净，那么我们采用再先进的算法，效果也好不到哪里去。很多人可能关注不到这一点，但是实际工作中，很大比例指标上不去的情况是因为数据集不干净，所以题主也可以看看自己的数据集是不是有脏数据。

原始数据准备好以后，即使这时候很干净，也不能保证后面结果就是好的，因为我们为了提升算法的鲁棒性，可能还需要做一些数据扩增，而我们的算法工程师如果对任务的了解不够透彻，数据增强也可能会使指标变差。比如我们关注一个物体的颜色信息，但是我们的数据扩增里面加了随机颜色变换，那后面的结果肯定会很奇怪。大家可能会感觉很奇怪，怎么可能会出现这种情况，但是不合适的数据增强导致指标差的情况，比比皆是。

3. 任务定义好，数据准备好，也就可以出模型或者出算法了。如果选择深度学习，很多的训练技巧还需要去掌握，各种超参的调整，loss的选择，训练时间，训练显存占用的控制，推理计算量，推理时间的控制等等，都需要去考虑。如果是用传统机器学习或者传统图像处理，还需要去考虑手工选取特征，这些特征是不是具有普适性。

4. 以上三点做好，基本出来的模型或者算法的指标就有个基本保证，baseline是有了，后面就是迭代优化了。当然怎么快速迭代，怎么加数据更有效也是一个很有技术含量的工作，是无脑添加，见到数据就加；还是有针对性的加，有目的的加，这些都值得仔细去考虑。如果使用传统图像处理算法，还得注意在迭代过程中遇到的新数据，老的特征能不能cover。

工作中遇到难题是很常见的问题，看看自己是不是真的不排斥这份工作，如果一看到代码，论文就头疼，完全坐不下来处理这一个个问题，而且又有另一条路可供选择，同时自己又喜欢，那就不用给自己找不痛快了。如果不是，那还是多找找什么原因，多跟别人讨论。理论基础差就多补补基础，代码基础差就多看多练，胆大心细，多做实验多记录比较，总归会越来越好，切忌眼高手低。