计算机视觉图像算法面经

写在前面

今年CV方向算法工程师非常难找，投递CV算法的毕业生越来越多，各个CV岗位（包括研究岗与业务线上的算法工程师岗）对于求职人员的要求也越来越高。

这里本文以自己春招实习以及秋招的经历为基础，整理秋招求职的视觉图像算法中的经常会遇到的一些面试问题。主要整理一些常问的基础知识以及算法知识。由于每个人自己的项目不同，岗位的不同问题也会有一些不同，这些基础问题应该是都有所理解的，这些基础知识作为查漏补缺来看吧。

1. 机器学习

梯度下降法与牛顿法

感知机的计算公式

K近邻中kd树的思路

朴素贝叶斯的推导以及假设条件

ID3，C4.5，CART决策树的计算流程

Logistic回归的极大似然推导

SVM的推导，KKT条件，原问题与对偶问题的联系

Adaboost，梯度提升决策树，GBDT，XGboost

L1正则化为什么能够获得稀疏解

2. 深度学习

RCNN系列算法的演进过程，重点详细介绍Faster RCNN算法

YOLO系列算法（v1-v4）的演进以及每个算法的特点

YOLOv3的主要改进

YOLOv4的主要改进

SSD系列算法（SSD，DSSD等算法）

two-stage算法主要慢在哪儿

ROIpooling，RoiAlign的计算

RetinaNet解决什么问题

Focal Loss的计算

Batch Normalization的作用

BN的计算公式

BN中偏移因子与缩放因子的作用

训练和测试时BN的不同点

多卡的BN如何实现同步（一次同步与两次同步）

Normalization的几种形式的计算（BN，Layer Normalization，Instance Normalization，Group Normalization）

DNN的反向传播推导

CNN的反向传播

池化层的反向传播

img2col的计算

ResNet到底解决了什么问题

感受野计算

普通卷积，Group卷积，深度可分离卷积的计算量与参数量

IOU计算（代码）

NMS（代码）

soft-NMS（代码）

MobileNet与shuffleNet特点

MobileNetv1与v2的改进

K-means聚类anchor的思路以及代码

anchor-free的算法都知道哪些

DETR算法介绍一下

FPN为何能够提升小目标的精度

Softmax与sigmoid计算公式

softmax交叉熵损失的梯度

分类为何采用交叉熵损失而不是均方差损失

TP、TF、FP、FN的计算

precision、recall、F1score、accuracy的计算

ROC、AUC、MAP的计算

各种回归损失的计算以及优缺点（L1loss，L2loss，smooth L1loss，IOU Loss， GIOULoss，DIOUloss，CIOULoss）

带有warmup的cosine学习率计算

说说了解到的几种分割算法

Transformer的原理以及VIT的了解

各种优化器的计算公式（GD，SGD，batch GD，SGD+momentum，NAG，AdaGrad，RMSProp，Adam）

CNN的平移不变性的理解

Dropout具体是怎么做的，训练和测试时有什么不一样

神经网络的深度和宽度理解

SIFT与HOG

Transformer相比较CNN的优缺点

雅可比矩阵与海塞阵（一阶导与二阶导）

深度可分离卷积的优缺点，Mobilenet是否一定快

Faster RCNN回归的公式。

权重初始化的方案（Xavier，kaiming_normal）

数据增广的常用方案

数据类别不均衡的解决方案

半监督算法

自监督算法

自监督中的崩溃解问题的理解

Triplet Loss

3. 图像处理

各种图像边缘检测算子（sober算子，Robert算子，Prewitt算子，Laplace算子，canny算子）

低通高通滤波器

降噪

形态学处理（腐蚀以及膨胀）

图像量化

4. linux常用命令

查找文件命令（whereis，which，find，grep，locate）

查看进程

杀死进程

ssh，scp

nohup &

文件权限

5. c++基础

c++编译过程

静态链接库与动态链接区别

cmakelist文件

6. python基础

python多线程，多进程

python的GIL

生成器与迭代器

装饰器

深浅拷贝