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: