之前文远知行惨挂,痛定思痛,恶补了一下网络基础。
自我介绍;
神经网络常用模块:
卷积、bn、ReLU、池化
BN:
batch normalization,将输入图像处理成相同分布,提高泛化能力,防止梯度消失和梯度爆炸。
是否知道LN、IN?
不知道
反向传播:
输出对输入求导,使用链式法则向前求导
YOLOX对比之前网络的改进:
通道扩张、mosaic增强、focal loss
介绍一下focal loss:
RetinaNet网络中提出,为了解决单阶段目标检测存在的精度问题。
两阶段目标检测会划分正负样本,比较均衡。但阶段目标检测负样本数量远大于正样本,学习到大多都是无用信息。focal loss提出是为了降低易分类样本权重(以上是文远知行面试官告诉我的)。
公式:
好像回答错了。
NMS:
非极大值抑制(文远知行也问了),对于某一类别有很多的proposal,将这些proposal按照score排序,选出一个最大的,剩下的proposal与它做IoU,将IoU大于一定阈值的proposal舍弃,在剩下的中重复这一过程。
介绍一下PointNet:
回答的比较含糊。回头看一下。
为什么pointnet成为了一个基础:
回答是point base的开山之作,面试官说因为它证明了能以任意精度拟合什么东西,记不得了
手撕:
让用python手撕,完全不会
我问的:
对与这个岗位,比较看重哪方面的能力:
比较看重理论基础扎实与否,代码能力可以迅速补足(橄榄枝?)
贵公司的服务对象:
政府,军队
对于图像处理主要输出哪些信息:
海上船只、特定建筑等。