计算机视觉算法岗面试

转自https://blog.csdn.net/qq_28214097/article/details/80007627
https://blog.csdn.net/qq_28214097/article/details/80007627
SVM:
线性回归：
逻辑回归：
tensorflow原理、细节：
SIFT原理：
拉普拉斯图像融合算法：
PCA原理：
反向传播原理：
梯度消失的原因和解决办法：
决策树：
随机森林：
K-means的基本流程：与KNN的区别：
梯度下降法与牛顿法的区别与优劣：
区别：梯度下降法是一阶，牛顿法是二阶
牛顿法相对于梯度下降法：优点：二阶比一阶收敛速度快；缺点：对目标函数严格，要求目标函数二阶可微，Hessian矩阵正定；需要计算Hessian矩阵以及它的逆，计算量大。
描述Canny算法的流程：
以下是简述：
1.先用高斯滤波器进行图像模糊（一般边缘检测算法都需要先滤波降低对噪声的敏感）
2.计算图像的梯度幅值图像和角度图像（计算梯度即提取边缘，参考其它边缘检测算法；计算角度是为步骤3要用）
3.对梯度幅值图像进行非最大值抑制（目的是为了细化边缘）
4.用双阈值对边缘进行选择和连接（主要思想是把弱边缘连接到强边缘上）
CNN最成功的应用是在CV，那么为什么NLP和Speech的很多问题也可以用CNN解出来？为什么AIphaGo里也用了CNN？这几个不相关的问题的相似性在哪里？CNN通过什么手段抓住了这个共性？
CNN是用于挖掘数据之间的空间相关性（相对于RNN用于挖掘时序相关性），所以不管是NLP，Speech还是AlphaGo，只要数据之间存在空间相关性，就可以使用CNN。而CNN最成功的应用在CV是因为在图像数据中的空间相关性最明显，像素之间存在两个维度上的空间相关性。回答CNN通过什么手段抓住此共性这个问题，实质上是回答卷积和池化的特点。主要手段有局部连接(local connectivity)、权值共享(parameter sharing)和池化(pooling)局部连接和权值共享有效地减少了网络的权值参数，抑制过拟合，同时保持了原始数据之间的空间联系。池化是下采样的一种方式，只取数值最大的特征，减少参数并且在空间上对原图物体保持平移不变性。
什么样的资料集不适合用深度学习?
数据集太小。数据集太小时，用深度学习提取出来的特征非常容易过拟合，没有泛化能力，因而不及传统的机器学习方法。其本质是样本空间太稀疏，不能反映总体空间的分布，因而用深度学习得到的模型会过拟合。
数据之间没有局部相关性。深度学习对于结构化的数据提取特征有非常好的效果，但对于没有结构化的数据，即数据之间不存在局部相关性，如可能存在统计关系等，此时用深度学习就不是很合适。
激活函数选用什么，有什么好处，为什么？
sigmoid：
表达式：
求导：

特点：增强0附近的梯度，放大信号，梯度计算方便，但对非敏感区域会饱和，造成梯度消失
tanh:

求导：