1. 介紹目標檢測網絡yolo系列以及ssd系列的原理。yolo對小目標檢測不好的原因,除了縮小anchor外還可以如何改善?yolov3有何創新?
大概介紹了一下,yolo及ssd是one-stage目標檢測網絡的代表,以及他們各自的backbone、anchor box生成方式,最近整理了一下yolo系列的各種創新點,blog地址:https://blog.csdn.net/weixin_42486139/article/details/106695693,持續加更中。。
小目標檢測不好,我答可能是因爲anchor太大,縮小anchor,面試官繼續問,除了縮小anchor,還能如何改善? 語塞。。。。(望有識之士補充)
yolov3加入了anchor機制(應該沒說全)
2. 如何防止過擬合?
在數據層面,做數據增廣,篩選高質量的特徵
在網絡層面,選擇較簡單的模型,網絡剪枝,加入正則項,加drop out層,加BN層
在訓練操作層面,使用Early Stopping
3. 樣本中正負樣本不平衡,如何解決?
1.使用類平衡交叉熵損失函數
2.對負樣本做數據增廣
4. 使用什麼手段儘量保證精度不損失壓縮模型?
1.模型參數8bit量化
2.模型剪枝
3.模型蒸餾
模型剪枝常用策略?
層剪枝,根據bn層的gamma係數剪枝,bn層的gamma係數代表該層特徵的方差,方差越大說明該層特徵越明顯,保留該層, gamma係數小的網絡層可以剪掉。
通道剪枝,根據經驗縮小通道係數,多次訓練對比實驗(------感覺這塊回答得有點弱智,可我就是這麼弱智地調參。。。。)
5. RetinaNet瞭解嗎?
不瞭解(話題終結,抽空補課)
6. mobilenet速度快的原因
深度可分離卷積
7. 面試官隨便構造一個網絡,現場計算感受野
不要慌,一層層卷積、pooling計算就好了。我的思路是網絡末端用1*1的特徵點往上反推。
8. 簡述GAN網絡原理
生成器判決器協調工作,balabala。。。內容太多,有需求自行百度,或者參考我的 blog https://blog.csdn.net/weixin_42486139/article/details/106076876
介紹一下wgan
gan的變體太多,實際工作中沒有太多接觸GAN網絡,故沒有一一瞭解(話題終結,抽空補課)
9. python中的生成器是做什麼的?
不同於其他函數的return,生成器使用yield返回,訓練數據可以邊迭代邊訓練。不用一次性地加載所有數據,節省內存空間。
10. 進程和線程的區別,數組和鏈表的區別
hhh,這問題面試太常見了!