推荐收藏！这是我见过计算机视觉图像算法最全面经了

最新推荐文章于 2024-06-14 13:15:19 发布
最新推荐文章于 2024-06-14 13:15:19 发布
阅读量1.4k 收藏 25
点赞数 47
分类专栏： CV 文章标签： 计算机视觉 算法 人工智能 深度学习 面试题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59596990/article/details/136491755
版权

节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学，针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

今天我整理一位CV算法岗同学的面试题，分享给大家，希望对后续找工作的有所帮助。喜欢记得点赞、收藏、关注。更多技术交流&面经学习，可以文末加入我们交流群。

写在前面

今年CV方向算法工程师非常难找，投递CV算法的毕业生越来越多，各个CV岗位（包括研究岗与业务线上的算法工程师岗）对于求职人员的要求也越来越高。

本文以自己春招实习以及秋招的经历为基础，整理秋招求职的视觉图像算法中的经常会遇到的一些面试问题。主要整理一些常问的基础知识以及算法知识。由于每个人自己的项目不同，岗位的不同问题也会有一些不同，这些基础问题应该是都有所理解的，这些基础知识作为查漏补缺来看吧。

在此，特别感谢社群中的大佬的慷慨分享，让我收获颇多，感谢

机器学习

  1. 梯度下降法与牛顿法

  2. 感知机的计算公式

  3. K近邻中kd树的思路

  4. 朴素贝叶斯的推导以及假设条件

  5. ID3，C4.5，CART决策树的计算流程

  6. Logistic回归的极大似然推导

  7. SVM的推导，KKT条件，原问题与对偶问题的联系

  8. Adaboost，梯度提升决策树，GBDT，XGboost

  9. L1正则化为什么能够获得稀疏解

深度学习

  1. RCNN系列算法的演进过程，重点详细介绍Faster RCNN算法

  2. YOLO系列算法（v1-v4）的演进以及每个算法的特点

  3. YOLOv3的主要改进

  4. YOLOv4的主要改进

  5. SSD系列算法（SSD，DSSD等算法）

  6. two-stage算法主要慢在哪儿

  7. ROIpooling，RoiAlign的计算

  8. RetinaNet解决什么问题

  9. Focal Loss的计算

  10. Batch Normalization的作用

  11. BN的计算公式

  12. BN中偏移因子与缩放因子的作用

  13. 训练和测试时BN的不同点

  14. 多卡的BN如何实现同步（一次同步与两次同步）

  15. Normalization的几种形式的计算（BN，Layer Normalization，Instance Normalization，Group Normalization）

  16. DNN的反向传播推导

  17. CNN的反向传播

  18. 池化层的反向传播

  19. img2col的计算

  20. ResNet到底解决了什么问题

  21. 感受野计算

  22. 普通卷积，Group卷积，深度可分离卷积的计算量与参数量

  23. IOU计算（代码）

  24. NMS（代码）

  25. soft-NMS（代码）

  26. MobileNet与shuffleNet特点

  27. MobileNetv1与v2的改进

  28. K-means聚类anchor的思路以及代码

  29. anchor-free的算法都知道哪些

  30. DETR算法介绍一下

  31. FPN为何能够提升小目标的精度

  32. Softmax与sigmoid计算公式

  33. softmax交叉熵损失的梯度

  34. 分类为何采用交叉熵损失而不是均方差损失

  35. TP、TF、FP、FN的计算

  36. precision、recall、F1score、accuracy的计算

  37. ROC、AUC、MAP的计算

  38. 各种回归损失的计算以及优缺点（L1loss，L2loss，smooth L1loss，IOU Loss， GIOULoss，DIOUloss，CIOULoss）

  39. 带有warmup的cosine学习率计算

  40. 说说了解到的几种分割算法

  41. Transformer的原理以及VIT的了解

  42. 各种优化器的计算公式（GD，SGD，batch GD，SGD+momentum，NAG，AdaGrad，RMSProp，Adam）

  43. CNN的平移不变性的理解

  44. Dropout具体是怎么做的，训练和测试时有什么不一样

  45. 神经网络的深度和宽度理解

  46. SIFT与HOG

  47. Transformer相比较CNN的优缺点

  48. 雅可比矩阵与海塞阵（一阶导与二阶导）

  49. 深度可分离卷积的优缺点，Mobilenet是否一定快

  50. Faster RCNN回归的公式。

  51. 权重初始化的方案（Xavier，kaiming_normal）

  52. 数据增广的常用方案

  53. 数据类别不均衡的解决方案

  54. 半监督算法

  55. 自监督算法

  56. 自监督中的崩溃解问题的理解

  57. Triplet Loss

图像处理

  1. 各种图像边缘检测算子（sober算子，Robert算子，Prewitt算子，Laplace算子，canny算子）

  2. 低通高通滤波器

  3. 降噪

  4. 形态学处理（腐蚀以及膨胀）

  5. 图像量化

linux常用命令

  1. 查找文件命令（whereis，which，find，grep，locate）

  2. 查看进程

  3. 杀死进程

  4. ssh，scp

  5. nohup &

  6. 文件权限

c++基础

  1. c++编译过程

  2. 静态链接库与动态链接区别

  3. cmakelist文件

python基础

  1. python多线程，多进程

  2. python的GIL

  3. 生成器与迭代器

  4. 装饰器

  5. 深浅拷贝

技术交流

前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

我们建了算法岗面试与技术交流群， 想要进交流群、需要源码&资料、提升技术的同学，可以直接加微信号：mlc2060。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

方式①、微信搜索公众号：机器学习社区，后台回复：技术交流
方式②、添加微信号：mlc2060，备注：技术交流+CSDN

用通俗易懂的方式讲解系列

机器学习社区
关注
  • 47
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【图像分类数据集】非常全面实用的垃圾分类图片数据集共享
向往有那么一天梦幻的步态识别落地，开花❀！
07-14 2万+
数据集获取不易，听闻国外开源精神非常盛行，那么我开个数据集不过分吧？整体数据集质量非常的不错，放眼全网这么好的数据集恐怕并不多见。
计算机视觉算法——图像分类网络总结
weixin_44580210的博客
05-05 6162
计算机视觉算法学习笔记——图像分类网络计算机视觉算法学习笔记——图像分类网络1. AlexNet1.1 网络结构1.2 关键知识点1.2.1 卷积和池化特征尺寸计算公式1.2.2 ReLU非线性激活函数1.2.3 防止过拟合2. 计算机视觉算法学习笔记——图像分类网络 由于后面工作方向的需要，也是自己的兴趣，我决定补习下计算机视觉算法相关的知识点，参考的学习资料主要是B站Up主霹雳吧啦Wz，强推一下，Up主的分享非常的细致认真，从他这里入门是个不错的选择，Up主也有自己的CSDN博客，我这里主要是作为课程的
LabVIEW图像分割算法（基础篇—6）
热门推荐
不脱发的程序猿
06-17 5万+
图像分割是简化机器视觉算法的有效手段之一。它将图像分成一些有意义的区域，以便特征提取过程可基于这些区域提取目标的特征。
2024年4月计算机视觉论文推荐
deephub
04-27 5064
本文将整理4月发表的计算机视觉的重要论文，重点介绍了计算机视觉领域的最新研究和进展，包括图像识别、视觉模型优化、生成对抗网络(gan)、图像分割、视频分析等各个子领域。
【计算机视觉】目标检测算法综述 |滑动窗口算法、YOLO、RCNN系列算法
Yaoyao2024的博客
02-03 2945
YOLOv1是属于One Stage：端到端目标检测。下面我们对其如何生成以及大致思路进行了解。🌸思路首先将一幅图像分成SxS个网格(grid cell)（相当于将原图像进行SxS的裁剪，得到SxS个子图像，每个子图像进行单目标检测，不过这里的所有子图像是并行处理）。哪个目标物体的中心落在这个网格中，则这个网格负责预测这个目标。更具体来说，一张图片，对应有7×7个lables7x7表示有7x7个子区域，每个lables。
计算机视觉：基本的图像操作和处理
DreamWendy的博客
03-16 1万+
一、计算机视觉和图像处理 从20世纪中期至今，计算机视觉不断发展，研究经历了从二维图像到三维到视频再到真实空间的探知，操作方法从构建三维向特征识别转变，算法由浅层神经网络到深度学习，数据的重要性逐渐被认知，伴随着计算机从理论到应用的速度加快，高质量的各种视觉数据不断沉淀，无论在社会经济农业还是工业领域，还是视频直播、游戏、电商不断发展，有计算机视觉应用层出不穷，为我们生活添加了丰富色彩，那么计算机视觉到底是什么？ 1、什么是计算机视觉？ 计算机视觉是一门研究如何使机器“...
红外图像处理算法介绍
HackEle的博客
03-02 7001
大纲：1.红外图像增强研究背景和意义2.红外图像增强经典算法1-红外图像增强研究背景和意义1.1研究背景红外图像是红外技术与成像技术结合的产物。人类感知只限于电磁波谱的可见光波段，对于全部电磁波谱上其它不可见光，如γ射线、X射线、紫外线、红外线、微波等，人类的视觉则无法感知。然而科学技术的发展使得成像技术与设备可以覆盖几乎全部电磁波谱，从γ射线到无线电波，将人类不可见的射线转化为可见的图像，这些图...
【计算机视觉】图像分割与特征提取——基于Roberts、Prewitt、Sobel算子的图像分割实验
赵四司机的博客
10-23 1万+
主要介绍Roberts算子、Sobel算子、Prewitt算子在图像分割中的应用以及它们之间的分割效果对比。
计算机视觉算法竞聘者的职业技能需求
我的博客
03-02 3078
原创：王稳钺 资料来源：二可 有很多对计算机视觉方向竞聘者对于CV面试过程当中需要具备哪些技能不太了解，本文主要介绍计算机视觉面试中主要的考核技术点。 1. CV算法岗的总体能力需求 首先CV的应用领域非常广泛。比如无人车，其中会需要车道线的检测等；比如利用GAN来实现老照片修复、美颜等。现在还有一些比较前沿的应用——元宇宙，其实在之前被称为虚拟现实领域，它背后其实隐藏着大量的理论。比如虚拟的物体，它如何能够像真实物体一样，定在某一位置，不随着设备的移动而移动，其实这背后是非常复杂的数学原理，需要实时地去计
图像识别算法-人工智能-图像识别.pdf
02-27
图像识别算法_⼈⼯智能-图像识别 图像识别技术是信息时代的⼀门重要的技术，其产⽣⽬的是为了让计算机代替⼈类去处理⼤量的物理信息。随着计算机技术的发展，⼈ 类对图像识别技术的认识越来越深刻。图像识别技术的...
基于机器视觉的旋转编码器缺陷检测python源码+项目说明.zip
07-10
由于人工缺陷检测存在**劳动强度过高、工作效率低、检测准确性不高、过于依赖个人经验、容易受主观因素**影响等缺点，使得基于机器视觉的自动缺陷检测替代传统的人工检测已经成为重要的趋势。与传统的人工检测相比，...
基于机器学习的轮胎字符识别python实现源码+项目使用说明.zip
08-29
OCR（Optical Character Recognition，光学字符识别）是计算机视觉重要方向之一。传统定义的OCR一般面向扫描文档类对象，现在我们常说的OCR一般指场景文字识别（Scene Text Recognition，STR），主要面向自然场景，...
数字图像处理车牌定位开题报告
04-25
亚洲视觉科技有限公司、深圳吉通电子有限公司、中国信息产业部下属的中智交通电子有限公司等也有自己的产品，另外西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点...
matlab人脸识别代码-PyData:我在PyData阿姆斯特丹提供的人脸识别教程中的笔记本
05-23
识别模型中从未见过的图像。 从实时视频供稿中识别人脸。 尝试欺骗人脸识别以对其他类型的对象进行分类。 关于OpenCV一些知识 OpenCV是一个开放源代码的计算机视觉和机器学习软件库。 该库包括一整套经典和最新的...
基于深度图像的无监督目标跟踪
如果想成为中心，那么就到中心去吧。
06-11 76
大致的步骤。
YOLO-World：开启实时开放词汇目标检测的新篇章
不积跬步，无以至千里！
06-11 749
YOLO-Word：检测任何目标！再也不用预定义目标类别！
基于Matlab数字图像信号处理系统(GUI界面) 【含Matlab源码 MX_002期】
最新发布
ANDROID6666666的博客
06-14 606
功能描述：允许用户从摄像头或打开的图像中进行截图，并在系统中显示。设计思路使用MATLAB的imshow函数显示摄像头或打开的图像。通过设置按钮或快捷键来触发截图操作。在截图时，使用imcrop函数进行图像裁剪，并将结果显示在界面上。可以提供保存截图的选项。
计算机视觉与深度学习实战，Python为工具，知识库的手写体数字识别
一个好知识的传播者
06-13 1024
在实际应用中，你可能会遇到过拟合或欠拟合的问题，这时你可以通过调整网络结构、增加数据增强、使用正则化技术或调整学习率等方法来优化模型。此外，你还可以尝试使用更复杂的网络结构，如残差网络（ResNet）或密集连接网络（DenseNet）等，来进一步提高模型的性能。如今，随着深度学习技术的不断进步，我们可以使用更加复杂的网络结构来提高识别的准确率。过多的轮数可能导致过拟合，而过少的轮数可能导致欠拟合。卷积神经网络（CNN）的层数和每层的参数（如卷积核大小、步长、填充等）都会影响模型的性能。
机器学习算法工程师面试常见的问题有哪些，以及回答是什么
09-25
### 回答1： 机器学习算法工程师面试常见问题包括: 1. 你对机器学习的理解是什么？ 2. 你熟悉哪些机器学习算法？ 3. 你如何选择合适的算法来解决问题？ 4. 你如何评估模型的准确性？ 5. 你如何处理样本不平衡的问题？ 6. 你对过拟合和欠拟合的理解是什么？ 7. 你对深度学习的了解是什么？ 8. 你如何使用神经网络解决图像识别问题？ 9. 你对计算机视觉的了解是什么？ 10. 你如何在实际应用中部署机器学习模型？ 回答这些问题需要结合个人经验, 如果没有经验或者知识,需要了解学习相关知识点. ### 回答2： 机器学习算法工程师面试中常见的问题有很多，以下是几个常见问题及回答： 1. 介绍一下机器学习算法中的监督学习和无监督学习。 答：监督学习是通过已有的标签数据进行模型训练，然后预测新数据的标签；无监督学习是在没有标签数据的情况下，从数据中寻找模式和结构。 2. 请解释一下过拟合和欠拟合的概念。 答：过拟合是指模型在训练集上表现很好，但在未见过的数据上表现不佳；欠拟合是指模型过于简单，不能很好地捕捉数据的复杂性。 3. 请简要解释一下交叉验证的原理和作用。 答：交叉验证是将训练集划分成k个不重叠的子集，然后每次选取一个子集作为验证集，其余k-1个子集作为训练集，重复k次，最后取平均值作为模型的性能评估指标。交叉验证可以评估模型的性能，并且可以用于调参和模型选择。 4. 请解释一下决策树算法的原理。 答：决策树算法根据特征的属性值建立一颗树状的分类模型。通过对特征的选择和节点分裂，不断将数据集分割成纯度更高的子集，直到达到停止条件。在进行预测时，根据特征属性值从根节点开始，按照条件判断沿着树的分支下行，最终到达叶子节点得到预测结果。 5. 请介绍一下常用的评估指标，如准确率、精确率、召回率和F1值。 答：准确率指预测正确的样本占总样本数的比例；精确率指所有预测为正的样本中，真实为正的样本的比例；召回率指所有真实为正的样本中，被正确预测为正的样本的比例；F1值综合了精确率和召回率，是一个综合评价指标，计算公式为2 * (精确率 * 召回率) / (精确率 + 召回率)。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值