计算机视觉面经
文章平均质量分 79
安淮葭
计算机视觉 硕士在读
展开
-
面经:关于IoU的那些事
IoU交并比公式:可以反映预测框和真实框的检测效果具有尺度不变性,在回归任务中,判断预测框与真实框最直接的指标就是IoU。(满足非负性;同一性;对称性;三角不变性)import numpy as npdef Iou(box1, box2, wh=False): if wh == False: xmin1, ymin1, xmax1, ymax1 = box1 xmin2, ymin2, xmax2, ymax2 = box2 else: xmin1, ymin1 = i原创 2022-04-22 08:50:59 · 608 阅读 · 1 评论 -
面经:EfficientNetV12特点汇总
EfficientNetV1根据以往的经验,增加网络的深度depth能够得到更加丰富、复杂的特征并且能够很好的应用到其它任务中。但网络的深度过深会面临梯度消失,训练困难的问题。(c)增加网络的width能够获得更高细粒度的特征并且也更容易训练,但对于width很大而深度较浅的网络往往很难学习到更深层次的特征。(b)增加输入网络的图像分辨率能够潜在得获得更高细粒度的特征模板,但对于非常高的输入分辨率,准确率的增益也会减小。并且大分辨率图像会增加计算量。(d)同时增加网络的宽度(channels)深度原创 2022-04-19 14:48:35 · 523 阅读 · 0 评论 -
面经:ShuffleNetV12特点汇总
ShuffleNetV1当GConv的groups = input_channels,即为DW卷积。GConv虽然能够减少参数和计算量,但GConv中不同组之间的信息没有交流。为了解决这个问题,提出channel Shuffle的方法。在通过GConv之后,通过channel shuffle,取每个groups对应的通道数进行拼接,重新组成新的通道数。def channel_shuffle(x: Tensor, groups: int) -> Tensor: batch_size,原创 2022-04-19 11:03:36 · 368 阅读 · 0 评论 -
面经:MobileNetV123特点汇总
MobileNetV1提出了 Depthwise Separable Convolutions(深度可分离卷积),上述过程被拆分成了两个部分:深度卷积(Depthwise Convolution)与逐点卷积层(Pointwise Convolution)。总结一下,深度卷积每个卷积核只处理1个输入特征通道,而不是M个输入特征通道,这样大大减少了运算量。然而这里面有个问题,也就是通道与通道之间的联系被切断了,所以后面需要再用 1x1 大小的逐点卷积层来处理M个特征通道之间的信息。可以减少8—9倍的参数量。原创 2022-04-18 15:06:14 · 2822 阅读 · 0 评论 -
面经:卷积方面、池化方面
面试:卷积、池化方面知识原创 2022-04-15 10:09:18 · 3576 阅读 · 0 评论 -
面经:图像处理基础
图像处理基础原创 2022-04-14 16:03:47 · 1341 阅读 · 0 评论