/cv-interview

CV岗常见面试题(欢迎大家补充!!!)

计算机视觉岗常见面试题

问题1:Softmax+Cross Entropy反向求导

CE

问题2:BatchNorm层的详细解读(具体可以参考之后出版的百面深度学习2333)

  • BatchNorm

  • 作用:

    • 使得每层的输入/输出分布更加稳定,避免参数更新和网络层次变深大幅度影响数据分布。从而使模型训练更稳定。
  • 参数 β 和 γ的作用

    • 保留网络各层在训练过程中的学习成果
    • 保证激活单元的非线性表达能力
    • 使批归一化模块具有复原初始输出分布能力。
  • BN放在激活层之前还是之后

  • 各种不同的Norm各种不同的Norm

  • 阅读材料

问题3:Conv+BN加速策略

在inference阶段,可以将BN层的参数合并在之前的Linear或Conv层中,加速推断时间(因为二者都是线性变换)。

w = module.weight.data
b = module.bias.data      # conv的bias可以用全0代替
ws = [1] * len(w.size())
ws[0] = w.size()[0]

invstd = bn_module.running_var.clone().add_(bn_module.eps).pow_(-0.5)
w.mul_(invstd.view(*ws).expand_as(w))
b.add_(-bn_module.running_mean).mul_(invstd)

if bn_module.affine:
    w.mul_(bn_module.weight.data.view(*ws).expand_as(w))
    b.mul_(bn_module.weight.data).add_(bn_module.bias.data)

问题4:常见的模型加速方法

问题5:目标检测里如何有效解决常见的前景少背景多的问题

  • 采用Focal Loss或OHEM进行负样本挖掘,加大Hard Example损失权重
  • 训练时只利用Ground Truth周边的Prior Boxes进行训练,忽略其他背景区域,只考虑困难背景区域

问题6:目标检测里有什么情况是SSD、YOLOv3、Faster R-CNN等所不能解决的,假设网络拟合能力无限强

问题7:分类和检索两个问题可以怎么理解

问题8:ROIPool和ROIAlign的区别,以及ROIAlign的简单实现(不考虑并行,cpu串行即可)

  • ROIPool存在两次量化误差,首先是将候选框边界量化为整数点坐标值,其次是将量化后的边界区域平均分割成 k x k 个单元,对每一个单元的边界进行量化。ROIAlign通过双线性插值避免了量化操作,保存了原始ROI的空间分布,有效避免了误差的产生;对于检测图片中大目标物体时,两种方案的差别不大,而如果是图片中有较多小目标物体需要检测,则优先选择ROIAlign,更精准一些

问题9:深度神经网络常见的参数初始化方式,如果全部初始化为0,会出现什么情况

问题10:多卡并行的时候怎么实现参数共享,通信梯度是指平均梯度,还是最大梯度,还是梯度总和

问题11:介绍常见的梯度下降优化方法

问题12: 神经网络(卷积/全连接)反向传播公式推导

问题13: Focal Loss解决了什么问题,如何解决的,与OHEM有什么不同

问题14: 斜着的矩形框如何求iou, 两个多边形的框如何求iou

首先要求解两个多边形的面积,方法见该链接

关键在于如何求出交集的面积

思路一

蒙特卡洛 + 采样,近似求解交集的面积,但是中间涉及判断点在不在多边形内,判断点是否在多边形内

思路二

适合于两个凸多边形(非凸没想到好的思路),凸多边形可以看做是半平面的交集,因此两个凸多边形的交集,可以看作是(m+n)个半平面的交集(假设两个凸多边形分别有m个顶点和n个顶点),求出来半平面的交集(仍旧是一个凸多边形)之后,求解该多边形的面积即可。求解半平面交集

问题15: Detection你觉的还有哪些可做的点

问题16: 卷积底层如何实现的

问题17: mini-Batch SGD相对于GD有什么优点

问题18: DCN比普通卷积多了多少计算量

问题19: SyncBN如何实现的

问题20:当需要添加背景类时,怎样处理比较合理

问题21:给出语义分割评估指标mIOU的计算公式和实现

问题22:人体姿态估计主流的两个做法是啥?简单介绍下

问题23:介绍带孔卷积以及其优势与劣势

问题24:Non-local模块与Self-attention的之间的关系与区别

问题25:PyTorch和TensorFlow的运行原理

问题26:卷积的实现原理以及如何快速高效实现局部weight sharing的卷积操作方式

问题27:详解几种优化算法

问题28:BN在training和inference的时候有什么区别

  • 在训练时,我们可以计算出batch的均值和方差,迭代训练过程中,均值和方差一直在发生变化。但是在推理时,均值和方差是固定的,对于均值来说直接计算所有batch u值的平均值,对于标准偏差采用每个batch σB的无偏估计。

问题29:基于anchor匹配的目标检测和基于RNN集合匹配的目标检测有何区别,基于RNN集合匹配的损失定义有何缺陷

问题30:CycleGAN的生成效果为啥一般都是位置不变纹理变化,为啥不能产生不同位置的生成效果

问题31:L2 regularization和Weight decay

问题32:深度学习中的batch的大小对学习效果有何影响?