自动驾驶 感知算法面经 - 1

1、有DaSiamRPN,SiamRPN++相比于SiamRPN的改进，如何解决了增加深度的问题

2、如何计算感受野

3、加速BN计算：将BN和Conv结合

4、多目标跟踪

5、BN的前向传播

Case2

1、根据第一个项目提问：为什么第一阶段检测出来的box不利用？为什么背景不聚类

2、根据第二个项目提问：提到2个2D数据concat，他们的位置是不一样的，这样直接concat有没有问题；问最后那个模块有没有和se比较

2、bn训练，测试区别，bn如何在inference是加速

3、如何解决前景背景数量不均衡（OHEM，focalloss，前景过采样，2stage模型）

4、一个类似多标签训练的问题，他的loss是怎么算

5、多路归并

6、average pooling操作，输入m*n输出m*n，kernel大小k*k

7、线程，进程区别，python的线程和进程

8、ssh相关，什么如果网络断了，在服务器上跑的程序会怎么样，tmux原理

10、简历里用了一个fpn网络做检测，数据有什么样的特点，针对这些特点可以做哪些针对性的方案。

11、介绍下DetNet。

12、为什么你的角点回归不使用heatmap，而使用smoothl1坐标回归，为什么通常大家使用heatmap做关键点

13、ohem，到底比focalloss差在哪里了

14、non-local的时间复杂度，介绍下GCNet

15、求了几个感受野

Case3

1、目标检测相关：主要问到了改进的出发点以及改进前后性能对比，部署是否有限制，如何克服硬件条件优化等

2、传统图像处理+深度学习相关：一个完整的应用项目，从项目由什么出发开始讲起，主要做了三种方案(差分+传统图像处理opencv调库及优化/ opencv调库+基于cpu的神经网络分类框架/ 完全使用目标检测方法)，从各自的优劣，性能等等，如何去验证，最终的选择，提了几个现实场景的问题

3、基于深度相机的避障系统：主要设计了一个策略模块对低矮障碍物避障，然后根据场景提问

4、注意力机制的使用心得，插在哪里比较好怎么结合空间注意力等

5、NMS相关的优化

6、IOU相关优化(ciou,diou)等

7、yolov5，讲了一下v5结构，改进点，核心概念

8、用到了mobilenet，问了下出发点怎么基于cpu去做的适配

9、模型从开发到部署的流程，踩了哪些坑等

Case4

1、MAE指标的具体做法。这样的指标针对小物体并不合理，那么如何弥补

2、语义分割领域，了解什么模型？简述 deeplab 系列模型

3、目标检测领域，YOLO 系列介绍，YOLO v1 设置了几个 anchor，每个 anchor 对应多大的感受野

4、项目中最难的部分是什么，如何解决的

5、python 中多线程的实现方式是共享内存的吗，用的什么接口，进程和线程的区别

6、项目中的一些阈值是如何设置的

7、手写 NMS

Case5

1、如何解决少样本训练的难题

2、为什么使用半监督重采样方法就可以平衡样本，原理是什么，会产生很多伪标签，怎么解决

3、为什么选用HRNET，为什么使用top-down的方法，有没有使用检测的方法

4、平衡样本的其他方法

5、两种解决标注差异如何解决标签差异

6、有没有其他方法来改进姿态估计

7、结构化约束，focal loss，难样本挖掘

往期面经干货：

1、NLP算法 面经 1

2、计算机视觉 面经1

3、自动驾驶 感知算法面经 1

4、自动驾驶/机器人 SLAM算法 面经1

5、自动驾驶 决策规划算法 面经1

6、嵌入式开发面经 1

7、C++面经  - 1