计算机视觉面试题

1、图像处理面试题

1.1 常用图像空间

https://blog.csdn.net/jiang_ming_/article/details/82534722

1. 1.1HSV空间优点应用及与RGB的区别

https://blog.csdn.net/qq_26271655/article/details/88406140

1.2 常用传统图像增强方法

直方图均衡，拉普拉斯增强，Gamma变换

1.2.1 直方图均衡

https://blog.csdn.net/qq_15971883/article/details/88699218

1.2.2 对比度增强(gama变换）

Gama

1.3 常用边缘检测算子

1.3.1 边缘检测算子

Robrets
Sobel
Laplace
LOG(Lapulacin of Gaussian)

1.3.2 一阶导数图像与二阶的区别

https://blog.csdn.net/Du_Shuang/article/details/82932546

1.3.2 Canny边缘检测算法

Canny

1.3.3 霍夫变换检测算法

霍夫变换

1.4 常用特征检测算子

HOG
Haar
SIFT
sift
SURF
ORB

1.5常用图像平滑滤波器

双边滤波
自适应中值滤波
快速中值滤波

1.6常用阈值分割方法

OTSU
自适应阈值分割源码分析

1.7数学方法

RANSAC原理源码解析
最小二乘法拟合圆

2、机器学习面试题

2.1 激活函数

常见激活函数优缺点

Softmax

2.2 L1，L2正则化的区别

https://blog.csdn.net/weiyongle1996/article/details/78161512
https://www.zhihu.com/question/26485586

2.3 交叉熵损失函数

交叉熵
为什么交叉熵损失函数优于均方损失

2.3 K-means聚类

K-means聚类

3、深度学习面试题

3.1 CNN

AlexNet
VGG
GoogleNet

ResNet
mobilenetv1-v2以及参数量、计算量、模型存储空间等计算
特征图大小计算
深度可分离卷积
最大池化平均池化的选择

3.1.1 注意力机制

分类网络注意力

3.2 卷积层感受野计算

感受野计算公式

3.3 卷积层参数计算

卷积层参数计算公式

3.4 BN

深度神经网络主要就是为了学习训练数据的分布，并在测试集上达到很好的泛化效果，但是，如果我们每一个batch输入的数据都具有不同的分布，显然会给网络的训练带来困难。BN的核心思想不是为了防止梯度消失或者防止过拟合,其核心是通过对系统参数搜索空间进行约束来增加系统鲁棒性,这种约束压缩了搜索空间,约束也改善了系统的结构合理性,这会带来一系列的性能改善,比如加速收敛,保证梯度,缓解过拟合等。
BN具体操作
https://blog.csdn.net/weixin_42137700/article/details/91488889
https://blog.csdn.net/donkey_1993/article/details/81871132
BN训练和测试时的区别
BN,LN,IN,GN

3.5 Batch size的理解与选择

https://blog.csdn.net/qq_42380515/article/details/87885996

3.6 分类问题评价指标

F1-score,精确率，召回率
评价指标

3.7 优化器

优化器

3.8 初始化

权重初始化

3.9 深度学习模型训练痛点及解决方法

添加链接描述

3.10 目标检测

RCNN系列
YOLO系列