我艰苦的春招之路(笔试5)

今天笔试POLYV,看公司感觉发展前景不错。
话不多少,回顾一下笔试题。
这次笔试只有6道算法题和2道填空题,时间一个小时,感觉不够用。

  1. 第一题是考字符串匹配,第一个数字为1,第二个数字不为0,然后长度为11,这题很简单。
  2. 第二题是直接考正则,因为平常正则都是要用的时候照着表打,所以很难憋出来了,感觉得找几个简单的练手练熟才行呐。
  3. 第三题是日期时间戳互相转换…这个真的,怎么说,平常都是用别人封装好也不留意,待会得好好找找,理解才行。
  4. 第四题是关于字符串去重的,一开始想用set解决的,后来想了一下也麻烦,就用reduce去解决,结果实例通过了50%,实例也只有一种,我还是有点懵哪种情况不行。
  5. 第五题自己用重做一个数组的函数,这个蛮有意思的,就是输出不出来阿哈哈哈。
  6. 第六题用Promise语句,让a,b并行,c后面输出

后面填空题全是CSS,感觉问题不大。
这次笔试给我收获还是蛮大的,有时候感觉自己实现一些原本有得东西也蛮有意思的,今天还试着弄const之类的。
嗯嗯,明天继续加油!⛽️

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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