挖坑-算法题目

• - 什么是空洞卷积？

 

1：提出空洞卷积的背景引用

FCN网络，在像素级预测问题中（比如语义分割），图像输入到网络中，FCN先像传统的CNN网络一样对图像做卷积以及池化计算，降低特征图尺寸的同时增大感受野。然而，由于图像分割是一种像素级的预测问题，会要求最终的输出尺寸应该与原始的输入图像保持一致。这里，一般会使用转置卷积（Transpose Convolution）进行上采样（Upsample）。

在这种像素级预测问题中，就有两个关键步骤：首先是使用pooling减小图像尺寸增大感受野，其次是使用Upsampling扩大图像尺寸。但是，使用pooling进行下采样会导致一个非常严重的缺陷：图像细节信息被丢失，小物体信息将无法被重建，就比如假设有四个步长为2的池化层，则任何小于 2的4次方pixel 的物体信息将理论上无法重建。

2、空洞卷积是什么？
空洞卷积(Dilated Convolution)，也被称为扩张卷积（Atrous Deconvolution）。这种卷积思路被提出，是为了解决图像语义分割问题中下采样带来的图像分辨率降低、信息丢失这两个问题。在空洞卷积中，我们需要引入扩张率（Dilation Rate）这一参数，使得同样尺寸的卷积核获得更大的感受野。相应地，也可以使得在相同感受野大小的前提下，空洞卷积比普通卷积的参数量更少。

3、空洞卷积与标准的卷积区别是什么？

扩张率分别为1，2，4时的空洞卷积分别如图所示。

图中（c）是扩张率为4时的 3*3 空洞卷积，扩张率大于1时，在标准卷积的基础上，会注入空洞，空洞中的数值全部填0。

4、空洞卷积的感受野

 3*3 卷积对应的感受野大小就是3*3  ，而通过两层的3*3卷积之后，感受野的大小将会增加到5*5  。

卷积核大小 K=3 ，扩张率时 r=2 ，计算方式如图所示。其中，通过一层空洞卷积后，感受野大小为5*5   ，而通过两层空洞卷积后，感受野的大小将会增加到  9*9。

5、空洞卷积的应用

1） 语义分割领域：DeepLab系列与DUC 。在DeepLab v3算法中，将ResNet最后几个block替换为空洞卷积，使得输出尺寸变大了很多。在没有增大运算量的前提下，维持分辨率不降低，获得了更密集的特征响应，从而使得还原到原图时细节更好。

2） 目标检测领域：RFBNet。在RFBNet算法中，利用空洞卷积来模拟pRF在人类视觉皮层中的离心率的影响，设计了RFB模块，从而增强轻量级CNN网络的效果。提出基于RFB网络的检测器，通过用RFB替换SSD的顶部卷积层，带来了显著的性能增益，同时仍然保持受控的计算成本。

3） 语音合成领域：WaveNet等算法。

• - XGB的参数怎么调？

1:基础：引用

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。

Boosting算法：同时控制偏差（bias）和方差都有非常好的效果，而且更加高效。

Boosting是如何工作的？

 

• - Arcface Loss的原理

• - 样本不均衡的处理办法

• - 手写Transformer

• - RF和GBDT的区别

• - 介绍自注意力机制

• - K-means如何选取K值

• - 常用的Pooling方法有哪些？

• - 有哪些激活函数？说出它们的优缺点

• - 介绍伪标签技术

• - AdaGrad梯度的原理

• - 哪几种滤波器是平滑的？

• - YOLO的路由层作用是什么？

• - 目标框的常见损失有哪些变形？

• - mAP计算公式

• - SENet的实现细节

• - SoftNMS的优缺点

• - ResNet和ResNeXt的区别

• - anchor_bbox如何恢复到原始的大小？

• - BN的参数如何优化？

• - 介绍Focal Loss和变体

• - YOLO系列的损失函数

• - Transformer VS LSTM VS CNN

• - 写IoU和NMS伪代码

• - Transformer结构讲解

• - XGBoost特征选择方式

• - Maxpooling层如何梯度回传？

• - Transformer的时间和空间复杂度？

• - 长尾问题怎么处理？

• - 介绍常见的插值算法

• - 介绍YOLO系列的损失函数

• - BN能不能解决过拟合？为什么

• - 如何解决数据集的正负样本不平衡？

• - Batch大小如何选择？

• - 介绍AdaBoost损失函数

• - YOLOv4用到哪些优化方法？

• - Focal Loss 和 交叉熵函数的区别

• - 介绍U-Net变体

• - LSTM三个门的作用？

• - Anchor-free算法进展

• - 介绍常见的即插即用模块

• - 模型在部署时，如何做A/B Test ？

• - 如何缓解过拟合？

• - 1*1卷积原理和作用

• - 文本匹配怎么使用BERT？

• - Bagging和Boosting的区别

• - 正则化：L1 L2的作用和区别