Supermemo 面试知识点卡片-20210808

01、感受野计算公式

问题：

回答：

参考资料

02、特征图尺寸计算公式

问题：

回答：

参考资料

03、常见的评价指标：

问题：请解释 xx 指标是什么含义

图像分类：Accuracy、Precision、Recall、F-score、P-R曲线、ROC、AUC

图像分割：pixel accuracy、mPA(mean Pixel Accuracy)、mIoU

目标检测：mAP、P-R曲线、Precision、Recall、TP、FP、CN、IoU、NMS

模型效率衡量：FLOPs

回答：

参考资料

• https://mp.weixin.qq.com/s/pQhynK-JKtFrUpDil15WQA

04、面试最后一问：你有什么想要问我的？

问题：你有什么想要问我的？

回答：

参考资料

• https://github.com/yifeikong/reverse-interview-zh

05、ResNet 到底解决了什么问题？

问题：ResNet 到底解决了什么问题？

回答：

参考资料

06、ResNet 手推以及相关变形

问题：ResNet 手推以及相关变形

回答：

参考资料

• https://mp.weixin.qq.com/s/rUCBAL7jagkRtMHFiK3W7Q

07、常用的图像增强方式有哪些？

问题：常用的图像增强方式有哪些？

回答：

我认为图像增强是一个比较更泛的话题，我想聊聊图像数据的质量增强。主要包括图像增广技术和解决数据漂移的问题。

首先通用的图像增强和增广应该算是一个名词，常见的图像增广方式是

数据漂移我觉得是如何解决数据对于业务的不适配性

• 是否存在类别不平衡的现象？如何解决？ 一般来讲，为了提升泛化性能，我们会对类别少的样本做过采样，这部分内容我希望是离线去做的，更加省事，大家的数据版本也能保证一致性。

• 是否存在噪声标注的情况？

  利用多个指标去选择可能的噪声样本，使用伪标签或者软标签的方式重新处理标签，或者调整该样本的损失权重，使其对损失的影响较小

• 是否存在类别之间难易程度不均衡的问题？ 保证在训练的过程中难易程度是均衡的

参考资料

08、简述以下 CAM 是如何计算的？

问题：简述以下 CAM 是如何计算的？

回答：

参考资料

• https://github.com/zhoubolei/CAM

09、除了RGB，还有哪些颜色通道？

问题：除了RGB，还有哪些颜色通道？

回答：

参考资料

• https://mp.weixin.qq.com/s/iDd02l-D1oHwzSwtdXemjw

10、简要介绍一下 DenseNet

问题：简要介绍一下 DenseNet

回答：

参考资料

• https://mp.weixin.qq.com/s/9QrzvciTr15mSUKLd1hQbQ

其他问题

• 什么是知识蒸馏？

•  Why we use AdaptiveAvgPool2d? What is the difference between the AvgPool2d and AdaptiveAvgPool2d