20220919 inter case

(198条消息) 开发转算法，我们应该如何准备_Deep_Blue7的博客-CSDN博客_开发转算法

一、

1、多进程、多线程

(189条消息) Python之多进程与多线程_宗而研之的博客-CSDN博客_python多进程和多线程

2、c++ 指针三种场景

3、c++继承、多态

4、硬件平台   x86

(189条消息) 解读x86、ARM和MIPS三种主流芯片架构_baidu_huihui的博客-CSDN博客_mips和x86区别

5、resnet

让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。这种神经网络被称为 残差网络 (ResNets)

(189条消息) 深度学习_经典网络_ResNet详解及常见问题总结_【WeThinkIn】的主理人的博客-CSDN博客_resnet核心设计

6、cuda开发、cudnn开发

7、生成器应用场景

8、设计模式

9、损失函数

10、gpu型号

二、

自我介绍

1、目标检测

1>小物体，yolo什么改动

(198条消息) YOLOV5 模型和代码修改——针对小目标识别_xiaoY322的博客-CSDN博客_yolo小目标检测

2>样本不均衡

数据增强

focal_loss 

3>损失函数

4>yolo，Fasterrcnn

5>数据增强 

2、特征比对

3、图像分割
1>backbone

在faster rcnn 基础上：

优化：

1》使用resnet_FPN，多层特征图有利于多尺度物体和小物体检测

2》提出了roi align代替roi pooling，避免取整的损失，保留浮点数，利用双线性插值

3》在RPN后增加mask分支，确定每个像素属于哪个类别

2>损失函数

得到多分类mask，都是二值的，如果ROI标签是5，只有第5个类别的mask参与计算。

loss = loss分类+loss(box)+loss(mask)

loss(mask):对mask的每个像素应用sigmoid函数，送到交叉熵损失中，最后取所有像素损失平均值作为loss(mask)

4、人体关键点

1>Hrnet

关于HRNet的简介 - 知乎 (zhihu.com)

2>heatmap

3>损失函数

Mean Squared Error  均方误差     偏离真实值差值和的平均数

5、动作识别

1>tsm

论文解读：Temporal Shift Module - 知乎 (zhihu.com)

监督：

[mmaction2版本] 视频分类(一) TSM：Temporal Shift Module for Efficient Video Understanding 原理及代码讲解 - 简书 (jianshu.com)

2>mmaction

3>损失函数

6、图像分类

1>二分类和多分类的损失

二分类与多分类的交叉熵损失函数 - 简书 (jianshu.com)

(190条消息) 二分类、多分类与多标签问题及对应损失函数的选择_幼稚园的扛把子～的博客-CSDN博客_多标签分类损失函数3

2>交叉熵

(190条消息) 交叉熵损失函数_沙子是沙子的博客-CSDN博客_交叉熵损失函数

二分类：sigmoid+交叉熵         学习分布

多分类：Softmax + 对数似然    学习分布

三、

1、tensorRT

1>做了哪些优化

2、framework

四、

1、CNN、RNN、LSTM

(192条消息) 对LSTM的通俗理解_Ma Sizhou的博客-CSDN博客_lstm是什么

(191条消息) 通俗易懂的RNN_长竹Danko的博客-CSDN博客_rnn

RNN神经网络产生梯度消失和梯度爆炸的原因及解决方案 - 走看看 (zoukankan.com)

2、Crnn、ctc、east、advancedeast

(191条消息) CRNN——卷积循环神经网络结构_小白不白白_的博客-CSDN博客_crnn

(192条消息) CRNN文字识别_GoAI的博客-CSDN博客_crnn

场景文字检测之EAST - 知乎 (zhihu.com)

3、机器学习

4、python 技术点

五、模型优化，剪裁、压缩、蒸馏

六、c++

三、

1、自我介绍

2、误欠品项目

1>图像矫正
2>resnet     arcface loss

3>circle loss

4>transformer

3、yolo

1>流程

2>损失函数

3>改进

4>小目标检测

5>样本不均衡

6>过拟合

4、常用模型

5、ml

6、crnn ctc

7、mask

8、c++

四.

经常遇到的问题：

（1）多尺度：面积小、过细、过长
（2）鲁棒性：噪声引起预测失败
（3）歧义性：比如，一张分类图片中出现多个类别的目标；不同视角下视觉上类别模糊；
（4）细粒度：具有区分性的特征不明显，或者可辨识的区域占比过小
（5）遮挡：同类、异类间遮挡，导致定位不准，分类错误
（6）特征相似：类间差异小，比如，果冻瑕疵里面的毛发和纤维丝
（7）图像质量：模糊、过暗、过曝、花屏、低分辨率