优点缺点？ 优点：勤奋努力（高考/保研）、查漏补缺（被分配一件事会想为什么，有什么问题）、适应环境快（研究方向多元，人脸/关键点/检测/全景分割/单阶段实例分割）、规划意识（做事会提前分好部分以及优先级，按重点推进）缺点：表达能力相对比较弱（因此传达想法）、比较较真（刨根问底问问题，麻烦别人）、做东西有一点强迫思维（写代码名称想法/ppt整洁美观度） 未来的规划 自己在求职过程也在反复认真思考过这个问题，自己的规划当然最理想是找到一份符合自己价值的工作，但具体工作方向，目前是打算先以算法工作为起点，好好做好工作经验的积累和知识技能的积累，让自己的价值越来越大，成为市场上不可或缺的人才吧。 你希...

1.数字图像处理，各种滤波 2.进行过哪些数据预处理空图，坏图，单通道图，多通道图等一些情况会怎么处理 图形学知道哪些

BN 原理 训练深层网络时，层内神经元间、层间神经元间激活值的量级差别较大，不满足独立同分布时，模型不稳定不容易收敛（直观来看解决方案要么自适应地调节每一层甚至每一个神经元的学习率，要么把神经元激活值规范化一下）。 批规范化（Batch Normalization，BN）：在minibatch维度上在每次训练iteration时对隐藏层进行归一化标准化（Standardization）：对输入数据进行归一化处理正则化（Regularization）：通常是指对参数在量级和尺度上做约束，缓和过拟合情况，L1 L2正则化，通常是加在loss函数中的正则项，又或者dropout。 隐藏层是指位...

RoIAlign 上图是在6x6(因为以点为一个值而不是一个方块) feature map上对roi进行roi align，可以分为几步： 确定输出feature map的尺寸，如图是2x2 均分roi成4个大小相等的bin，对每个bin内部取4个采样点 对于每个采样点，我们计算离这个点最近的四个点加权和 然后计算每个bin的值（算max） 和RoIPooling的区别 roi pooling 采用 max pooling roi pooling 对roi取整 内部划分格子时也是取整

参数量 卷积层最后一项为bias，和输出纬度等长。 全连接层同样最后一项是偏置项。 BN层两个可学习参数，一个缩放因子，一个平移因子。 计算量 卷积计算量假设输入特征图是 ,卷积核大小是 , 步长为S，输出大小为 一次卷积的内部计算量乘法 ,加法 ，总计 , 如果要考虑bias则还要加一次加法运算。 一个特征图上需要卷积的次数假设两个方向上padding的长度为 ，则需要卷积的次数是 C个特征图输出一个特征图需要的加法次数（指通道之间的加法，在上一步之后进行） 所以总体计算量为： 注意一点，参与大部分运算的通道参数是输入通道，因为输出通道每一纬都是输入通道的加和，这...

感受野的计算可以看成计算输出大小的反推公式 普通卷积感受野计算的公式 折合成正推公式， ，就很类似 , 相当于把整图考虑成局部就能算出局部感受野。 空洞卷积感受野计算的公式 如下图所示，K=3, D=2的空洞卷积的感受野为（K-1）x D + 1, 普通卷积的话就是K

SVM简介 SVM也就是支持向量机，SVM的的学习算法就是求解凸二次规划的最优化算法。 它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机 原理 SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。 对于线性可分的数据集来说，这样的超平面有无穷多个（即感知机），但是几何间隔最大的分离超平面却是唯一的。

综述 对于深度学习模型算法，一般采用梯度下降算法进行迭代优化。对于损失函数 ，其梯度代表着该函数上升速度最快方向，所以我们为了使损失函数最低，则对于所有参数 需要沿着其负方向进行优化，而每次优化的步长 叫做学习率，通常是一个很小的正数，所以t+1时的参数更新公式就可以写为 其中 代表函数梯度，也就是导数。 指数加权移动平均数 其中 代表瞬时值，所以当前的移动平均等于上一个时刻的移动平均和当前值的加权和。通过等价替换，上式还可以化简为：通过上式我们可以发现，对于每个瞬时值，其权重是不一样的，并且越靠近当前值，权重越高。因为 小于1.同时，通过这个式子，我们可以近似看作只计算了 个时刻内的数据，...

变量 在c++中，不同数据类型的唯一区别就是大小。 变量的大小和compiler有关 数字和符号本身是可连通转换的，但char会把它当作字符处理，例如char 65，我们会得到‘a’这个字符，而short a，我们会得到65这个数字 int //size: 4 byte, 带符号整数，signed int, 范围(-2 billion ~ 2 billion) 1 byte = 8 bits --> 4 byte = 32 bits --> -2^31~2^31 (int 因为一个位置需要存放负号) --> 0~2^32 (unsigned int) char // ...

什么是并查集 并查集(Union Find)是一种用于管理分组的数据结构。它具备两个操作： 查询元素a和元素b是否为同一组 将元素a和b合并为同一组 并查集的结构 可以用树来实现 判断两个集合是否属于同一组 = 查看根结点是否相等 合并两个数组 = 将两组根节点相连 实现并查集 node = [] //每个节点 //初始化n个节点 //代表每个位置的根结点是他自身 def Init(n): for i in range(n): node[i] = i //查找当前元素所在树的根节点(代表元素) def find(x): if x == node[...

和树的遍历类似，图的遍历也是从图中某点出发，然后按照某种方法对图中所有顶点进行访问，且仅访问一次。 但是图的遍历相对树而言要更为复杂。因为图中的任意顶点都可能与其他顶点相邻，所以在图的遍历中必须记录已被访问的顶点，避免重复访问。 根据搜索路径的不同，我们可以将遍历图的方法分为两种：广度优先搜索和深度优先搜索。 图的概念 无向图和有向图 顶点对(u，v)是无序的，即（u，v）和（v，u）是同一条边。常用一对圆括号表示。顶点对<u,v>是有序的，它是指从顶点u到顶点 v的一条有向边。其中u是有向边的始点，v是有向边的终点。常用一对尖括号表示。 权和网 图的每条边上可能存在具有某种...

xxx

xxx MobileNet V1,V2原理，优化的方向

xxxx