超级会员免费看
本文总结了2021年计算机视觉CV算法面试常见问题，涵盖 Anchor-Free 与 Anchor-Based 算法优缺点、目标检测算法如YOLO、SSD和Faster R-CNN的对比、解决类别不均衡问题的策略、实例分割任务特性及Mask R-CNN、数据生成方法、目标检测中的mAP指标、模型融合策略等核心知识点。
【2021 计算机视觉】CV算法岗面试问题及其答案总结（二）
- Anchor Free 对比 Anchor-Based 的算法的主要优点？
- Roi Align 具体实现及其解决的问题？
- 讲一下Yolo、SSD和Faster-RCNN三种检测算法？
- 如何解决目标检测里类别不均衡的问题？
- 讲一下实例分割任务跟其他任务的区别？
- 讲一下实例分割中的Mask RCNN？
- Data-Free数据生成的方法有哪些？
- 讲一下Cascade-RCNN的Motivation？
- 介绍一下Triplet Loss？
- MobileNet系列为什么快？
- 为什么现在普遍采用3*3卷积而非更大的卷积核？
- 模型融合的策略有哪些？
- 讲一下对比学习的概念？
- WGAN解决了什么问题？
- 介绍一下目标检测中mAP指标？
- 介绍一下F1-score的计算方法？
- 如果我想在Dataloader中使用两个数据集混合训练怎么改？
Anchor Free 对比 Anchor-Based 的算法的主要优点？
Anchor-Based 的算法需要手动（或者基于聚类算法）确定Anchor的大小和长宽比，切换任务或者数据集后需要重新计算，而 Anchor-Free 则不需要
Roi Align 具体实现及其解决的问题？
ROI Pooling：
ROI Pooling需要取整，即得到bbox在feature map上的坐标时，需要将浮点数坐标转换成整数，造成特征不匹配
ROI Align 则用最近的pixel对这一点虚拟pixel进行双线性插值，得到这个“pixel”的值
讲一下Yolo、SSD和Faster-RCNN三种检测算法？
这三个算法分别对应于目标检测的两大主干和三小分支，两大主干指的是one-stage和two-stage，然后Yolo和SSD又
订阅专栏 解锁全文
3104
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
