计算机视觉相关面经总结

计算机视觉相关面经总结

1. 梯度下降：为什么多元函数在负梯度方向下降最快？

答： linkhttps://blog.csdn.net/llwleon/article/details/79237053

2. 神经网络中正确使用dropout

答： linkhttps://blog.csdn.net/VioletHan7/article/details/81012993

3. 表达式为max(x,y)的激活函数，反向传播时，x、y上的梯度如何计算？

答：较大的输入的梯度为1，较小输入的梯度为0；即较小的输入对输出没有影响；另一个值较大，它通过最大值运算门输出，所以最后只会得到较大输入值的梯度。这也是最大值门是梯度路由的原因。

前向传播时，最大值往前传播；反向传播时，会把梯度分配给输入值最大的线路，这就是一个梯度路由。

4. 目标检测中常接触的概念：混合高斯模型、光流法、卡尔曼滤波等？

答： 混合高斯模型：