计算机视觉+人工智能面试笔试总结——深度学习基础题1~20

目录

1.介绍一下NMS和IOU的原理

2.交叉验证的理解

3.验证集和测试集的作用

4.BN算法，为什么要在后面加伽马和贝塔，不加可以吗

5.如何提升网络的泛化能力

6.移动端深度学习框架知道哪些？

7.`Unpooling` 的方法（简单的补零或者扩充操作）

8.上采样方法总结

9.为什么 Faster RCNN、Mask RCNN 需要使用 ROI Pooling、ROI Align?

10.CNN的反向传播算法推导

11.ROI Align原理

12.ROI Pooling原理

13.离线数据增强和在线数据增强有什么区别?

14.常用数据增强方法？

15.神经网络为什么用交叉熵损失函数

16.卷积层和池化层有什么区别

17.激活函数理解及函数梯度图

18.激活函数的作用

19.HOG特征检测步骤

20.HOG特征原理

---

1.介绍一下NMS和IOU的原理

       NMS全称是非极大值抑制，顾名思义就是抑制不是极大值的元素。在目标检测任务中，通常在解析模型输出的预测框时，预测目标框会非常的多，其中有很多重复的框定位到了同一个目标，NMS 的作用就是用来除去这些重复框，从而获得真正的目标框。而 NMS 的过程则用到了 IOU，IOU 是一种用于衡量真实和预测之间相关度的标准，相关度越高，该值就越高。IOU 的计算是两个区域重叠的部分除以两个区域的集合部分，简单的来说就是交集除以并集。

       在 NMS 中，首先对预测框的置信度进行排序，依次取置信度最大的预测框与后面的框进行 IOU 比较，当 IOU 大于某个阈值时，可以认为两个预测框框到了同一个目标，而置信度较低的那个将会被剔除，依次进行比较，最终得到所有的预测框。
 

2.交叉验证的理解

1. N折交叉验证有两个用途：模型评估、模型选择。
2. N折交叉只是一种划分数据集的策略。想知道它的优势，可以拿它和传统划分数据集的方式进行比较。它可以避免固定划分数据集的局限性、特殊性，这个优势在小规模数据集上更明显。
3. 把这种策略用于划分训练集和测试集，就可以进行模型评估