深度学习（计算机视觉）面试中问题（二）
博主在前面一篇博客，已經(jīng)把面試問到的問題敘述了11個(gè)，接下來把最近遇到的問題拿出來分享，回答的的不對，麻煩指正，謝謝。前面一篇博客為：深度學(xué)習(xí)面試常問問題（一）
1、1*1卷積作用。
答：1. 實(shí)現(xiàn)跨通道的交互和信息整合
2. 進(jìn)行卷積核通道數(shù)的降維和升維
3、實(shí)現(xiàn)多個(gè)feature map的線性組合，實(shí)現(xiàn)通道個(gè)數(shù)的變換。
4、對特征圖進(jìn)行一個(gè)比例縮放。
2、CNN池化層有什么作用？
答：1、減小圖像尺寸，數(shù)據(jù)降維。
2、緩解過擬合。
3、保持一定程度的旋轉(zhuǎn)和平移不變性，MaxPooling能保證卷積神經(jīng)網(wǎng)絡(luò)在一定范圍內(nèi)平移特征能得到同樣的激勵(lì)，具有平移不變形。
3、卷積神經(jīng)網(wǎng)絡(luò)中空洞卷積的作用是什么？
答、空洞卷積也叫擴(kuò)張卷積，在保持參數(shù)個(gè)數(shù)不變的情況下增大了卷積核的感受野，同時(shí)它可以保證輸出的特征映射（feature map）的大小保持不變。一個(gè)擴(kuò)張率為2的3×3卷積核，感受野與5×5的卷積核相同，但參數(shù)數(shù)量僅為9個(gè)。
4、深度學(xué)習(xí)中常用的損失函數(shù)？
答：交叉熵?fù)p失，平方差損失，絕對值損失，Hinge Loss。具體介紹：損失函數(shù)具體介紹
5、 Sigmoid激活函數(shù)為什么會(huì)出現(xiàn)梯度消失？Sigmoid函數(shù)導(dǎo)數(shù)的最大值出現(xiàn)在哪個(gè)值？
答：為什么會(huì)出現(xiàn)梯度消失，從兩方面來看，首先先看本身函數(shù)，若輸入值X過大，sigmoid函數(shù)導(dǎo)數(shù)為零，第二方面：sigmoid函數(shù)求導(dǎo)，導(dǎo)數(shù)最大是等于1/4，小于1，經(jīng)過深的網(wǎng)絡(luò)傳遞就會(huì)出現(xiàn)梯度消失的問題。
在x=0時(shí)導(dǎo)數(shù)最大。
6.faster rcnn是怎么樣一個(gè)框架？
答：有一篇博客講的挺清楚的。rcnn系列詳解
7、faster rcnn,roi pooling具體是如何工作的？（如何把不同大小的框，pooling到同樣的大小）
答、RoIPool首先將浮點(diǎn)數(shù)值的RoI量化成離散顆粒的特征圖，然后將量化的RoI分成幾個(gè)空間的小塊（spatial bins），最后對每個(gè)小塊進(jìn)行max pooling操作生成最后的結(jié)果。
8、評價(jià)指標(biāo)有哪些？
答、機(jī)器學(xué)習(xí)中評價(jià)指標(biāo)： Accuracy（準(zhǔn)確率）、 Precision（查準(zhǔn)率或者精準(zhǔn)率）、Recall（查全率或者召回率）。
目標(biāo)檢測的指標(biāo)：識(shí)別精度，識(shí)別速度，定位精度。
a、目標(biāo)檢測中衡量識(shí)別精度的指標(biāo)是mAP（mean average precision）。多個(gè)類別物體檢測中，每一個(gè)類別都可以根據(jù)recall和precision繪制一條曲線，AP就是該曲線下的面積，mAP是多個(gè)類別AP的平均值。
b、? 目標(biāo)檢測評價(jià)體系中衡量定位精度的指標(biāo)是IoU,IoU就是算法預(yù)測的目標(biāo)窗口和真實(shí)的目標(biāo)窗口的交疊（兩個(gè)窗口面積上的交集和并集比值）
9、深度學(xué)習(xí)訓(xùn)練時(shí)網(wǎng)絡(luò)不收斂的原因有哪些？如何解決？
答：不收斂一般都是數(shù)據(jù)不干凈，學(xué)習(xí)率設(shè)置不合理，網(wǎng)絡(luò)等問題，詳細(xì)知識(shí)根據(jù)博主的經(jīng)驗(yàn)和看的的別人一些經(jīng)驗(yàn)整理了下，
不收斂的原因與解決辦法
10、如何應(yīng)對圖像光照變化大？
答：1、直方圖均衡化
2、對比度拉伸，或者調(diào)節(jié)
3、若受光源影響，使得圖片整體色彩往一方面移動(dòng)，用白平衡算法進(jìn)行修正，使其發(fā)黃、發(fā)藍(lán)、發(fā)紅的照片更加趨于自然光下的圖像
4、若是過爆或者過暗，可是設(shè)計(jì)閾值函數(shù)，不用全局閾值，對特定區(qū)域進(jìn)行特定閾值分割。
5、若是太暗，可以采用對數(shù)變化，對數(shù)圖像增強(qiáng)是圖像增強(qiáng)的一種常見方法，其公式為： S = c log(r+1)，對數(shù)使亮度比較低的像素轉(zhuǎn)換成亮度比較高的，而亮度較高的像素則幾乎沒有變化，這樣就使圖片整體變亮。
6、采用拉普拉斯算子增強(qiáng) ， filter2D(src,dst)
?
11、常用的分割方法有哪些？
答：1、基于閾值的分割方法：比較常用的閡值法有大律法、最小誤差法
2、基于邊緣的分割方法：常見的微分算子包括Robert算子、Prewitt算子、Sobel算子、Laplaeian算子、Canny算子等
3、基于區(qū)域的分割方法：主要包括種子區(qū)域生長法、區(qū)域分裂合并法和分水嶺法等幾種類型。
4、基于圖論的分割方法：Graph Cut方法
5、深度學(xué)習(xí)：語義分割等
————————————————
原文鏈接：https://blog.csdn.net/comway_Li/article/details/82947716
總結(jié)
以上是生活随笔為你收集整理的深度学习（计算机视觉）面试中问题（二）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 深度学习（计算机视觉）面试中问题（一）
- 下一篇： 计算机视觉面试常见问题（含解答）