计算机视觉 - 知识点总结（面试、笔试）

最新推荐文章于 2024-09-17 16:25:27 发布
最新推荐文章于 2024-09-17 16:25:27 发布
阅读量3.8k 收藏 86
点赞数 10
分类专栏： 深度学习、机器学习 笔试面试 # 面试 文章标签： cv 计算机视觉 面试 知识点
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/ms961516792/article/details/100836867
版权

目录



声明：十分欢迎转载，但须先征求本人同意。

本博客将持续不定时更新。




常见cv面试题

DropOut的作用和原理

过拟合与欠拟合

正则化（L0、L1、L2）

线性回归（LR）和SVM的异同

GDBT、XGBoost

Bagging、Boosting、Stacking

正负样本数目不均衡


机器学习

SVM

决策树

EM算法

HMM（隐马尔可夫）

CRF（条件随机场）

最小二乘法

朴素贝叶斯

GMM（高斯混合模型）


图像特征

颜色特征

SIFT

HOG

LBP

Haar

SURF


滤波器

前三个为线性滤波器。

箱式滤波器

高斯滤波器

差分滤波器

以下为非线性滤波器。

最大值滤波器

最小值滤波器

中值滤波器

梯度锐化算子滤波器

Soble算子、Roberts算子、Prewitt算子

边缘提取算子

前三个为一阶提取算子。

Sobel

prewitt

robert

以下为二阶提取算子。

Laplacian

Log/Marr

Canny

对比

在这里插入图片描述

激活函数

Sigmoid

tanh

ReLU

Leaky ReLU

PReLU

ELU

Swish

Maxout


损失函数

交叉熵

logstic loss

hinge loss

focus loss

triple loss


Normalization

whitening（白化）

Batch Normalization

BN层解决的是Internal Covariate Shift问题，简称ICS问题。

  • ICS问题

Group Normalization


网络优化方法

BGD

SGD

Mini-batch SGD

Momentum

RMSProp

ADAM


常见网络结构

AlexNet

VGG

ResNet

Inception

SENet

DenseNet

MobileNet


目标跟踪

KCF

SiamFC

SiamRPN

主要思想：

  • 在SiamFC上加入RPN结构，能够直接回归出bbox，无需多尺度search
  • local one-shot learning（其实从SiamFC开始就是one-shot learning）

RPN：

  • RPN阶段的损失函数、回归的值均与Faster R-CNN中相同
  • anchor个数： w × h × 5 × 1 w \times h \times 5 \times 1 w×h×5×1
  • RPN阶段正负样本筛选阈值：0.3、0.6（在Faster R-CNN中为0.3、0.7）
  • RPN训练阶段正负样本比例16:48

后处理（筛选proposals）：

  • 只保留与中心坐标距离小于7的bbox
  • 对于上一步筛选得到的proposals使用余弦窗口进行抑制
  • 对于上一步筛选得到的proposals进行NMS
  • 对于上一步筛选得到的最终bbox，使用线性插值进行平滑处理。

ATOM


目标检测

R-CNN

检测流程：

  • 使用selective search提取proposals
  • 将proposals进行resize，统一尺寸
  • 将proposals送入卷积层，进行特征提取
  • 使用SVM进行分类，使用脊回归对位置进行修正

缺点：

  • proposals提取过程太慢
  • 对于每个proposal都要经过卷积运算，会带来重复计算
  • 步骤过多，训练麻烦

Fast R-CNN

检测流程：

  • 对于图片i，使用selective search提取proposals
  • 将图片i输入特征提取网络，得到特征图
  • 在特征图上裁出每个proposals对应的区域，得到RoIs
  • 对RoIs进行RoI Pooling，得到相同大小的特征
  • 使用fc进行分类，使用脊回归对位置进行修正

缺点：

  • proposals的提取过慢
  • RoI Pooling有取整过程，有精度损失

Faster R-CNN

检测流程：

  • 对于图片i，送入共享卷积层（Fast R-CNN和RPN共享），得到特征图
  • 将特征图输入RPN网络，得到proposals
  • 对于得到的proposals，根据得分进行排序，再取topn，经过NMS后，得到的proposals称为RoIs，送入RoIpooling
  • 使用fc进行分类，使用脊回归对位置进行修正
  • 对于最终预测的bboxes进行后处理（限制框在图像内、NMS）
  • 以下图片转自链接
    在这里插入图片描述

RPN网络：

  • 对于大小为 [ w , h ] [w, h] [w,h]的特征图，每个点有 k k k个anchor，全图共计 k × w × h k\times w\times h k×w×h个anchor
  • 对anchor进行正负样本划分：（1）与gt具有最大IoU的anchors为正样本；（2）与gt的IoU大于0.7的anchors为正样本；（3）与gt的IoU小于0.3的anchors为负样本。
  • 随机抽取128个正样本、128个负样本，训练RPN网络
  • 精修anchors的结果为（回归 d x , d y , d w , d h d_x,d_y,d_w,d_h dx​,dy​,dw​,dh​）：
    G x ′ = A x + d x A w G_{x}^{'}=A_x+d_xA_w Gx′​=Ax​+dx​Aw​
    G y ′ = A y + d y A h G_{y}^{'}=A_y+d_yA_h Gy′​=Ay​+dy​Ah​
    G w ′ = A w e d w G_{w}^{'}=A_we^{d_w} Gw′​=Aw​edw​
    G h ′ = A h e d h G_{h}^{'}=A_he^{d_h} Gh′​=Ah​edh​

训练过程：

  • RPN网络和分类回归网络交替训练

损失函数：

  • 第一部分：RPN的损失函数
  • 第二部分：分类回归的损失函数

YOLOv1

YOLOv2

YOLOv3

CenterNet

GuidedAnchor

FCOS


超分辨率重建

DBPN

EDSR

WDSR

EDVR

NTIRE 2019视频恢复比赛四项冠军。

  • 整体结构
    在这里插入图片描述
  • PCD对齐模块
    使用金字塔形、级联的可变性卷积进行多帧对齐。
    在这里插入图片描述
  • TSA融合模块
    对不同帧的特征进行融合，相当于学习了spatial attention和channel attention。
    在这里插入图片描述

智力题

老鼠喝药问题

  • 题意：有100个瓶子，其中99个瓶子中是水，1瓶是毒药。我们有无限只老鼠，老鼠喝了毒药第二天会死。给你一天时间，最少需要多少只老鼠才可以测出哪瓶是毒药。
  • 答案：找到满足 2 x > = 100 2^x>=100 2x>=100的最小 x x x即可，本题即为7。
  • 解析：我们把100个瓶子使用二进制进行编号，第一个瓶子编号为0，第二个瓶子编号为1，第三个瓶子编号为10，第四个瓶子编号为11… 依此类推。让第一只老鼠喝下编号最后一位为1的所有瓶子，第二只老鼠喝下编号倒数第二位为1的所有瓶子…依此类推。第二天，活着的老鼠对应位置1，死了的老鼠对应位置0，即得到了毒药瓶子编号。

已知点线个数，求三角形个数

  • 题意：已知有12个点，由其中任意两点相连可以构成59条不同的直线，求这些点能够组成多少个不同的三角形。
  • 答案： C 12 3 − C 3 3 − C 4 3 = 220 − 1 − 4 = 215 C_{12}^{3}-C_{3}^{3}-C_{4}^{3} = 220-1-4 = 215 C123​−C33​−C43​=220−1−4=215
  • 解析：加入这12个点都不共线，则应可构成 C 12 2 = 66 C_{12}^{2} = 66 C122​=66条线，题意中说构成59条线，少了7条线，说明有三点共线、四点共线、五点共线等情况出现。
    如果三点共线，总线数应减少： C 3 2 − 1 = 2 C_{3}^{2}-1=2 C32​−1=2
    如果四点共线，总线数应减少： C 4 2 − 1 = 5 C_{4}^{2}-1=5 C42​−1=5
    哇，2+5=7，说明出现了一组三点共线，一组四点共线。
    计算三角形个数： C 12 3 − C 3 3 − C 4 3 = 215 C_{12}^{3}-C_{3}^{3}-C_{4}^{3} = 215 C123​−C33​−C43​=215

NeverMoreH
关注
专栏目录
计算机视觉+深度学习面试笔试题整理
FPGA/MATLAB学习教程/源码/项目合作开发
08-25 1876
讲解BN之前，我们需要了解BN是怎么被提出的。在机器学习领域，数据分布是很重要的概念。如果训练集和测试集的分布很不相同，那么在训练集上训练好的模型，在测试集上应该不奏效（比如用ImageNet训练的分类网络去在灰度医学图像上finetune再测试，效果应该不好）。对于神经网络来说，如果每一层的数据分布都不一样，后一层的网络则需要去学习适应前一层的数据分布，这相当于去做了domain的adaptation，无疑增加了训练难度，尤其是网络越来越深的情况。 实际上，确实如此，不同层的输出的分布是有差
计算机视觉图像处理面试笔试题整理——图像配准和图像拼接
FPGA/MATLAB学习教程/源码/项目合作开发
08-25 1006
SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。广义上讲，整个过程可以分为四个部分：1. **创建比例空间**：确保要素与比例无关2. **关键点本地化**：确定合适的特征或关键点3. **方向分配**：确保关键点是角度不变4. **关键点描述符**：为每个关键点分配独一的指纹。
机器视觉面试题很详细很有用（无答案）
12-18
机器视觉面试题很详细很有用，放心下载绝对值得！
机器视觉面试题
qianduan2001_5的博客
10-17 2122
精度 = 分辨率 * 有效像素 精度的单位是mm 根据产品表面和照明状况的不同 我们可以通过放大图像观察辨别稳定像素的个数 从而得出精度 如果条件不允许实际测试观察 一般的规律是 如果使用正面打光 有效像素为1个 使用背光 有效像素为0.5个。光到达CCD某个像素时 根据光的强度产生相应的电荷 将该电荷的大小读物为电信号 即可会的各像素上光的强度（灰度值）1.确实照明类型（镜面反射/漫反射/透射光）2.确定照明装置的形状与大小 3.确定照明的颜色（波长）LED 荧光灯 卤素灯 疝气灯 金属卤素灯。
计算机视觉-期末复习-简答/名词解释/综合设计
weixin_63010525的博客
06-27 1694
名词解释1.机器视觉机器视觉是使用光学器件进行非接触感知，自动获取和解释一个真实场景的图像，以获取信息或控制机器的过程。2.图像分割将前景与背景分割开。基本分割方法： （1）基于边界的分割技术：边缘检测。（2）基于区域的区域分割技术：阈值分割、区域生长。3.特征提取将最能表示目标特征的主要信息经过特定的运算提取出来，以便降低目标信息的维度。简答1.简要介绍机器视觉系统的基本组成图像采集、图像预处理、图像分割、特征提取、目标识别、反馈2.介绍图像采集的几个主要环节（1）照明。产品是光源。（2）成像。
视觉笔试刷题_1_索贝公司_2019-08-10
雨住多一横的博客
08-10 294
填空题 1、常用的插值算法：双线性插值、立方卷积插值、最近邻插值 2、常用的边缘检测算子：canny、sobel、Roberts cross、Laplace、prewitt算子、罗盘算子、Marr-Hildreth roberts 算子：即罗伯茨算子，利用了局部差分算子来检测边缘，它利用对角线方向相邻像素差值来近似像素梯度幅值。 prewitt算子：也是...
面试笔试整理3：深度学习机器学习面试问题准备（必会）
热门推荐
woaidapaopao的博客
09-07 7万+
第一部分：深度学习 1、CNN 1、CNN问题 2、如何减少参数 权值共享、VGG的感受野、GoogLeNet的inception 3、激活函数选择 4、filter的尺寸选择 5、pooling的作用 6、常用的几个模型 2、RNN 1、RNN、LSTM、GRU 推导forget gate，input gate，cell state， hidden information
机器视觉最全面试题总结
@bangbang的博客
12-03 3617
空洞卷积(Atrous Convolution)也叫做膨胀卷积、扩张卷积，最初的提出是为了解决图像分割在用下采样（池化、卷积）增加感受野时带来的特征图缩小，后再上采样回去时造成的精度上的损失。空洞卷积通过引入了一个扩张率的超参数，该参数定义了卷积核处理数据时各值的间距。可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样a. 是普通的卷积过程(dilation rate = 1),卷积后的感受野为3b. 是dilation rate = 2的空洞卷积,卷积后的感受野为5。
面经 | 商汤科技计算机视觉岗【二面】
zero的博客
10-15 1912
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：收割offer机链接：https://www.nowcoder.com/discuss...
计算机视觉试卷
12-16
湖南大学研究生考试试卷，计算机视觉与模式识别。
中英双语面试、笔试题 -- 计算机视觉 : 神经网络基础；Computer Vision Interview and Written Exam Questions
最新发布
shiter编写程序的艺术
09-17 25
*随机梯度下降（Stochastic Gradient Descent, SGD）**是机器学习中常用的一种优化算法，其目的是最小化损失函数（或称为目标函数、成本函数）。与标准梯度下降方法不同，标准梯度下降计算整个训练数据集关于模型参数的梯度并据此更新参数，而随机梯度下降则在每次迭代时仅利用一个训练样本来估计梯度，并据此调整参数。
计算机视觉cv面试问题总结--阿里头条华为等
01-12
面试公司包括阿里系的高德地图，优酷，斑马网络，饿了吗，今日头条，华为2012实验室，拼多多，陌陌，以及一些自动驾驶相关公司
机器视觉习题
12-22
北京航空航天大学2017年研究生课程《机器视觉》的习题
【计算机视觉算法岗面经】“吐血”整理：2019秋招面经 计算机视觉.pdf
04-21
以下是计算机视觉算法岗面经的知识点总结： 一、图像处理 * 图像分类：包括图像特征提取、图像分类算法、图像识别等。 * 目标检测：包括目标检测算法、目标识别、物品分类等。 * 图像处理技术：包括图像滤波、图像...
最新腾讯计算机视觉面试经验问题
04-10
根据提供的文件信息，以下是关于腾讯计算机视觉面试经验问题的知识点总结： 首先，应聘岗位为腾讯游戏中的计算机视觉（深度学习）职位。面试者在短时间内（十天）复习了与岗位相关的书籍，这些书籍包括《机器学习与...
前端面试笔试面试题20个.docx
07-24
根据给定文件的信息，我们可以总结出以下前端面试中的关键知识点： ### 1. 个人经历和技术背景 在介绍自己的技术背景时，应突出以下几个方面： - **工作经验**：明确指出自己从事前端开发的时间长度，以及参与过的...
嵌入式软件开发笔试面试知识点总结-C语言部分（试读）
嵌入式与Linux那些事的博客
02-05 2896
文章目录C语言简述编译运行一段代码的过程静态链接和动态链接有什么区别静态链接库和动态链接库有什么区别4字节对齐什么是字节对齐？为什么需要字节对齐？几个基本概念字节对齐的几个例子浅析总结#define和const的区别，const比#define的优点数组和指针的区别malloc、free和new、delete的区别与联系free函数怎么知道释放内存大小Assertvoid 函数的返回值问题数组指针和指针数组函数指针和指针函数定义常量谁更好？# define还是 const`*（a[1]+1）、*（&
计算机视觉(AI)面试大全
sazass的博客
06-04 7131
面试题
百度笔试--计算机视觉算法工程师
herhero的专栏
10-22 1万+
当时是抱着试一试的态度，报了百度的视觉算法岗，果然对专业要求比较高。只记下了笔试题中的几道简答题，大家感受一下。1.PCA的实现过程（步骤）。2.Convolution、 pooling、 Normalization是卷积神经网络中十分重要的三个步骤，分别简述Convolution、 pooling和Normalization在卷积神经网络中的作用。3.给定一个二叉树，如何判断它是一棵排序二叉树。
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